論文の概要: Diabetes Lifestyle Medicine Treatment Assistance Using Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2510.26807v1
• Date: Sun, 19 Oct 2025 04:28:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-09 16:58:40.011664
• Title: Diabetes Lifestyle Medicine Treatment Assistance Using Reinforcement Learning
• Title（参考訳）: 強化学習を用いた糖尿病ライフスタイル治療支援システム
• Authors: Yuhan Tang,
• Abstract要約: 本研究では,119,555人のNHANESプロファイルから,個別化されたライフスタイル処方薬を学習するオフラインコンテキスト帯状アプローチを提案する。 このモデルは患者の状態をエンコードし、混合作用型ソフトアクター・クリティカルアルゴリズムを用いてトレーニングされたライフスタイルの処方薬を生成する。
• 参考スコア（独自算出の注目度）: 0.13537117504260618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Type 2 diabetes prevention and treatment can benefit from personalized lifestyle prescriptions. However, the delivery of personalized lifestyle medicine prescriptions is limited by the shortage of trained professionals and the variability in physicians' expertise. We propose an offline contextual bandit approach that learns individualized lifestyle prescriptions from the aggregated NHANES profiles of 119,555 participants by minimizing the Magni glucose risk-reward function. The model encodes patient status and generates lifestyle medicine prescriptions, which are trained using a mixed-action Soft Actor-Critic algorithm. The task is treated as a single-step contextual bandit. The model is validated against lifestyle medicine prescriptions issued by three certified physicians from Xiangya Hospital. These results demonstrate that offline mixed-action SAC can generate risk-aware lifestyle medicine prescriptions from cross-sectional NHANES data, warranting prospective clinical validation.
• Abstract（参考訳）: 2型糖尿病の予防と治療は、パーソナライズされたライフスタイル処方薬の恩恵を受ける。 しかし、専門職の不足や医師の専門知識の多様性により、パーソナライズされたライフスタイル処方薬の配達は制限されている。 そこで我々は,Magniグルコースのリスク・リワード関数を最小化することにより,119,555人のNHANESプロファイルからライフスタイルの個別化を学習するオフライン・コンテクスト・バンディット・アプローチを提案する。 このモデルは患者の状態をエンコードし、混合作用型ソフトアクター・クリティカルアルゴリズムを用いてトレーニングされたライフスタイルの処方薬を生成する。 このタスクは、単一ステップのコンテキスト的バンディットとして扱われる。 このモデルは、Xiangya病院の認定医3人が発行したライフスタイル処方薬に対して検証されている。 これらの結果から, オフライン混合作用SACは, クロスセクションNHANESデータからリスク認識型ライフスタイル処方薬を産生し, 将来的な臨床検証を保証できることが示唆された。

関連論文リスト

• Natural Language-Assisted Multi-modal Medication Recommendation [97.07805345563348]
  NLA-MMR(Natural Language-Assisted Multi-modal Medication Recommendation)を紹介する。 NLA-MMRは、患者視点から知識を学習し、医薬視点を共同で学習するために設計されたマルチモーダルアライメントフレームワークである。 本稿では,プレトレーニング言語モデル(PLM)を用いて,患者や医薬品に関するドメイン内知識を抽出する。
  論文  参考訳（メタデータ） (2025-01-13T09:51:50Z)
• Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
  本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。 入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。 稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
  論文  参考訳（メタデータ） (2024-03-26T14:36:22Z)
• Large Language Model Distilling Medication Recommendation Model [58.94186280631342]
  大規模言語モデル(LLM)の強力な意味理解と入力非依存特性を利用する。 本研究は, LLMを用いて既存の薬剤推奨手法を変換することを目的としている。 これを軽減するため,LLMの習熟度をよりコンパクトなモデルに伝達する機能レベルの知識蒸留技術を開発した。
  論文  参考訳（メタデータ） (2024-02-05T08:25:22Z)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• Conditional Generation Net for Medication Recommendation [73.09366442098339]
  医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。 医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。 提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-14T10:16:41Z)
• Leveraging Online Shopping Behaviors as a Proxy for Personal Lifestyle Choices: New Insights into Chronic Disease Prevention Literacy [35.340408651740894]
  本稿では,慢性疾患予防リテラシーの鮮明化に向けたライフスタイル選択の代案として,オンラインショッピング行動を活用することを提案する。 処方薬を初めて購入する前のライフスタイル関連情報を用いて、オンライン買い物客の過去のライフスタイル選択と、特定の慢性疾患に悩まされているかどうかを判断できる。
  論文  参考訳（メタデータ） (2021-04-29T12:05:16Z)
• Patient ADE Risk Prediction through Hierarchical Time-Aware Neural Network Using Claim Codes [5.288589720985491]
  本研究の目的は、クレームコードに記録された患者医療履歴に基づいて、標的薬剤が標的患者に誘導するパーソナライズされたADEリスクを評価することである。 我々は,クレームコードの特徴とそれらの関係を捉えるHTNNRモデル(階層的時間認識ニューラルネットワーク for ADE Risk)を開発した。
  論文  参考訳（メタデータ） (2020-08-20T13:24:54Z)

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。