論文の概要: Interaction-Limited Safe Continuous-Time RL for Dynamical Medical Treatment

• arxiv url: http://arxiv.org/abs/2606.01051v1
• Date: Sun, 31 May 2026 06:46:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.176041
• Title: Interaction-Limited Safe Continuous-Time RL for Dynamical Medical Treatment
• Title（参考訳）: 動的医療のための相互作用制限型連続時間RL
• Authors: Xun Shen, Yuepeng Wang, Akifumi Wachi, Yongqi Zhou, Richard Weiss, Yoshihiko Fujisawa, Ken Kawano, Mehrshad Sadria, Ying Chen, Xin Liu, Sebastien Gros, Xiao Hu, Kyoung-Sook Kim, Mengmou Li, Katsuki Fujisawa, Kenji Wakabayashi,
• Abstract要約: 治療管理と臨床相互作用のタイミングを協調的に最適化する枠組みを提案する。 我々のキーとなる考え方は、連続時間処理問題をオプションベースのセミマルコフ決定プロセスとして再構築することである。 実験により,提案手法は安全性と治療効果の両方を向上することが示された。
• 参考スコア（独自算出の注目度）: 15.617232849710783
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic medical treatment requires deciding treatment intensity and intervention timing, while patient states evolve continuously and adverse events may occur between clinical interactions. Most existing treatment learning methods assume fixed schedules or enforce safety only at discrete decision points. We propose Interaction-Limited Safe Continuous-Time Reinforcement Learning, a framework that jointly optimizes treatment administration and clinical interaction timing under trajectory-level safety constraints. Our key idea is to reformulate the continuous time treatment problem as an option-based semi-Markov decision process, where each option specifies a continuous-time treatment policy and its duration. We develop a safety-tightening mechanism showing that suitably constructed constraints at interaction times guarantee safety over the full continuous-time trajectory with high probability. We further establish finite-sample guarantees for policy learning from logged treatment trajectories and introduce a practical data-driven conservative surrogate. Experiments show that the proposed adaptive interaction-timing mechanism improves both safety and treatment effectiveness over equidistant interaction schemes across different safe policy optimization methods.
• Abstract（参考訳）: 動的医療は治療の強度と介入のタイミングを決定することを必要とし、患者状態は継続的に進化し、臨床的相互作用の間に悪影響を及ぼす可能性がある。 既存の治療学習手法の多くは、固定されたスケジュールを前提とするか、個別の意思決定ポイントでのみ安全を強制する。 我々は,トラジェクティブレベルの安全制約の下で,治療管理と臨床相互作用のタイミングを協調的に最適化するフレームワークであるインタラクション制限型連続時間強化学習を提案する。 我々のキーとなる考え方は、連続時間処理の問題をオプションベースの半マルコフ決定プロセスとして再構成し、それぞれのオプションが連続時間処理ポリシーとその期間を指定することである。 本研究では, 干渉時の制約を適切に構築することにより, 高確率で連続時間軌道上での安全性を保証できることを実証する。 さらに、ログ処理軌道からのポリシー学習のための有限サンプル保証を確立し、実用的なデータ駆動型保守的サロゲートを導入する。 実験により, 提案手法は, 各種安全政策最適化手法における等価相互作用方式に対する安全性と処理効率の向上を図っている。

関連論文リスト

• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• ALMo: Interactive Aim-Limit-Defined, Multi-Objective System for Personalized High-Dose-Rate Brachytherapy Treatment Planning and Visualization for Cervical Cancer [38.24269895136321]
  本稿では, ALMo (Aim-Limit-Defined Multi-Objective System) を提案する。 ALMoは、手作業による計画品質を一貫して満たまたは超過した治療計画を生成し、65%のケースでドシメトリックな改善を示している。
  論文  参考訳（メタデータ） (2026-02-14T08:24:38Z)
• TheraMind: A Strategic and Adaptive Agent for Longitudinal Psychological Counseling [53.46927050949822]
  縦断的心理カウンセリングのための戦略的適応型エージェントであるTheraMindを紹介する。 TheraMindの基盤は、カウンセリングプロセスをセッション内ループとクロスセッションループに分離する、新しいデュアルループアーキテクチャである。 クロスセッションループは、各セッション後の適用療法の有効性を評価し、その後の相互作用の方法を調整することにより、長期適応性を有するエージェントに権限を与える。
  論文  参考訳（メタデータ） (2025-10-29T17:54:20Z)
• Realistic CDSS Drug Dosing with End-to-end Recurrent Q-learning for Dual Vasopressor Control [37.613456891934085]
  集中治療室 (ICU) 患者に対して, 薬物服用を最適に学習するためのエンドツーエンドアプローチを開発し, 抗敗血症性ショックに対する治療方針について検討した。 現実的な薬物服用には、離散的、連続的、指向的な服用戦略に対応するアクション空間設計を適用する。 提案手法は,既存の臨床プロトコルと整合しながら,生存率15%以上の改善を達成している。
  論文  参考訳（メタデータ） (2025-10-01T23:02:00Z)
• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• Empowering Clinicians with Medical Decision Transformers: A Framework for Sepsis Treatment [5.0005174003014865]
  安全クリティカルな環境下での課題を解決するための医療意思決定変換器(MeDT)を提案する。 MeDTは、決定トランスフォーマーアーキテクチャを使用して、薬物投与推奨のポリシーを学ぶ。 MeDTは、患者の医療履歴、治療決定、結果、安定性に対する短期的影響の複雑な依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-07-28T03:40:00Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。 本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
  論文  参考訳（メタデータ） (2023-10-23T19:59:10Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• Causal Modeling of Policy Interventions From Sequences of Treatments and Outcomes [5.107614397012659]
  データ駆動意思決定は、ポリシーが変更されたときに何が起こるかを予測する能力を必要とする。 結果がどのように進化するかを予測する既存の方法は、将来の治療の仮のシーケンスが事前に固定されていると仮定する。 実際には、治療は政策によって決定され、以前の治療の効率に依存する可能性がある。
  論文  参考訳（メタデータ） (2022-09-09T06:50:37Z)

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。