論文の概要: DeepEN: Personalized Enteral Nutrition for Critically Ill Patients using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2510.08350v1
• Date: Thu, 09 Oct 2025 15:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:15.168347
• Title: DeepEN: Personalized Enteral Nutrition for Critically Ill Patients using Deep Reinforcement Learning
• Title（参考訳）: DeepEN:Deep Reinforcement Learning を用いた重症心不全患者に対する経腸栄養療法
• Authors: Daniel Jason Tan, Jiayang Chen, Dilruk Perera, Kay Choong See, Mengling Feng,
• Abstract要約: DeepEN(ディープエン)は、重篤な患者にパーソナライズされた経腸栄養(EN)の枠組みである。 これは、各患者の進化する生理学に合わせて、カロリー、タンパク質、流体の摂取を4時間で推奨する。 DeepENは、安全でない逸脱を抑えながら、高価値な臨床行動と整合する臨床的に現実的なポリシーを学ぶ。
• 参考スコア（独自算出の注目度）: 8.76695631550463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce DeepEN, a deep reinforcement learning (RL) framework for personalized enteral nutrition (EN) in critically ill patients. Trained offline on over 11,000 ICU patients from the MIMIC-IV database, DeepEN generates 4-hourly recommendations for caloric, protein, and fluid intake tailored to each patient's evolving physiology. The model integrates a curated, clinically informed state space with a custom reward function that balances short-term physiological and nutrition-related goals with long-term survival outcomes. Using a dueling double deep Q-network with conservative Q-learning regularization, DeepEN learns clinically realistic policies that align with high-value clinician actions while discouraging unsafe deviations. Across various qualitative and quantitative metrics, DeepEN outperforms clinician-derived and guideline-based policies, achieving a 3.7 $\pm$ 0.17 percentage-point reduction in estimated mortality (18.8% vs 22.5%) and improvements in key nutritional biomarkers. These findings highlight the potential of safe, data-driven personalization of EN therapy to improve outcomes beyond traditional guideline- or heuristic-based approaches.
• Abstract（参考訳）: 重度強化学習(RL)フレームワークであるDeepENを導入する。 MIMIC-IVデータベースから11,000人以上のICU患者にオフラインでトレーニングされたDeepENは、各患者の進化する生理学に合わせて、カロリー、タンパク質、および流体の摂取を4時間にわたって推奨する。 このモデルは、キュレートされた、臨床的に知らされた状態空間と、短期的な生理的および栄養的目標と長期的な生存結果のバランスをとるカスタム報酬機能を統合する。 二重深度Q-networkと保守的なQ-ラーニング正規化を用いて、DeepENは、安全でない偏差を抑えながら、高価値な臨床行動と整合する臨床的に現実的なポリシーを学ぶ。 様々な質的および定量的な指標の中で、DeepENは臨床医由来およびガイドラインに基づく政策を上回り、推定死亡率(18.8%対22.5%)の3.7ドル\pm$ 0.17ポイントの削減と重要な栄養バイオマーカーの改善を達成している。 これらの知見は、従来のガイドラインやヒューリスティックに基づくアプローチを超えた結果を改善するために、EN療法の安全でデータ駆動型パーソナライズの可能性を強調した。

関連論文リスト

• Development and Validation of Heparin Dosing Policies Using an Offline Reinforcement Learning Algorithm [0.7519918949973486]
  本研究では,強化学習に基づくパーソナライズされたヘパリン投与ポリシーを提案する。 オフラインRL環境における分配エラーを最小限に抑えるため,バッチ制約ポリシを実装した。 本研究はヘパリン投与の実践を強化し、医学における高度な意思決定支援ツールの開発の前例を確立する。
  論文  参考訳（メタデータ） (2024-09-24T05:20:38Z)
• Deep Attention Q-Network for Personalized Treatment Recommendation [1.6631602844999724]
  パーソナライズされた治療レコメンデーションのためのDeep Attention Q-Networkを提案する。 深い強化学習フレームワーク内のTransformerアーキテクチャは、過去のすべての患者の観察を効率的に取り入れている。 実世界の敗血症と急性低血圧コホートにおけるモデルの評価を行い、最先端モデルよりも優れていることを示した。
  論文  参考訳（メタデータ） (2023-07-04T07:00:19Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Optimizing Medical Treatment for Sepsis in Intensive Care: from Reinforcement Learning to Pre-Trial Evaluation [2.908482270923597]
  本研究の目的は, 介入を最適化する強化学習(RL)が, 学習方針の治験に対する規制に適合する経路を遡及的に得る枠組みを確立することである。 我々は,死の主な原因の一つであり,複雑で不透明な患者動態のため治療が困難である集中治療室の感染症に焦点を当てた。
  論文  参考訳（メタデータ） (2020-03-13T20:31:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。