論文の概要: Unmasking Toxic Mimicry in Medical Offline Reinforcement Learning for ICU Sepsis Management via Counterfactual Clinical Audits

• arxiv url: http://arxiv.org/abs/2608.11410v1
• Date: Tue, 11 Aug 2026 20:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.368105
• Title: Unmasking Toxic Mimicry in Medical Offline Reinforcement Learning for ICU Sepsis Management via Counterfactual Clinical Audits
• Title（参考訳）: 医用オフライン強化学習における有害ミミリーの実態調査によるICU敗血症治療への応用
• Abstract要約: オフライン強化学習(RL)は、ICU治療決定を最適化するためのかなりの約束を提供する。 Mean Squared Error (MSE) と Fitted Q-Evaluation (FQE) は行動模倣のみを評価する。 ストレステストを行うCCA(Counterfactual Clinical Audit)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Offline reinforcement learning (RL) offers considerable promise for optimizing ICU treatment decisions, yet standard evaluation metrics Mean Squared Error (MSE) and Fitted Q-Evaluation (FQE) assess only behavioral imitation and cannot detect Toxic Mimicry, a failure mode in which agents replicate harmful patterns such as treatment withdrawal during comfort-care transitions. Using the MIMIC-III database, we propose the Counterfactual Clinical Audit (CCA) framework, which stress-tests RL agents through physiological perturbations anchored in Surviving Sepsis Campaign (SSC) guidelines. We audit a Medical Decision Transformer (MedDT) and a Historical Causal Transformer (HCT-RL), the latter employing Causal Action Shielding, propensity-based importance weighting, and Conservative Q-Learning. CCA reveals that MedDT paradoxically reduces vasopressor dosage as lactate escalates, contradicting resuscitation guidelines, while HCT-RL maintains physiologically consistent responses. These findings expose a systemic misalignment between statistical fit and clinical safety, supporting counterfactual audits as a necessary evaluation standard for medical RL.
• Abstract（参考訳）: オフライン強化学習(RL)は、ICU治療決定を最適化する上で、かなりの保証を提供するが、標準的な評価指標であるMean Squared Error(MSE)とFitted Q-Evaluation(FQE)は、行動模倣のみを評価し、薬物が快適なケア移行中に治療離脱などの有害パターンを複製する障害モードであるToxic Mimicryを検出することができない。 MIMIC-IIIデータベースを用いて,Surviving Sepsis Campaign (SSC) ガイドラインに固定された生理的摂動を通じてストレステストを行うCCA(Counterfactual Clinical Audit)フレームワークを提案する。 我々は,医療決定変換器 (MedDT) と履歴因果変換器 (HCT-RL) を検査し, 後者は因果的行動遮蔽, 適合性に基づく重み付け, 保守的Q-ラーニングを採用した。 CCAは、MedDTが乳酸のエスカレートによって副腎皮質の血管拡張作用を低下させ、呼吸調節ガイドラインに反し、HCT-RLは生理的一貫した反応を維持することを明らかにした。 以上より, 統計的適合性と臨床安全性の体系的相違が指摘され, 医療用RLに必要な評価基準として, 対人的監査を支持した。

関連論文リスト

• Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
  既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。 テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
  論文  参考訳（メタデータ） (2026-06-17T08:10:30Z)
• EHRBench: An Automated and Reliable EHR-based Benchmark for Clinical Decision Making with LLMs [51.129595320595094]
  臨床意思決定 (CDM) は、臨床医が診断を推測し、治療を選択し、不完全な証拠の下で将来の健康結果を予測する、現実的な臨床の中心である。 LLMモデルは、強力な言語能力、幅広い生物医学的知識、効率性のために、これらの決定をサポートするためにますます使われています。 LLMの実際の臨床決定タスクに対する信頼性は、まだ十分に理解されていない。
  論文  参考訳（メタデータ） (2026-05-28T22:38:26Z)
• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• Ensuring Safety in Automated Mechanical Ventilation through Offline Reinforcement Learning and Digital Twin Verification [9.198591097391448]
  メカニカル換気(Mechanical ventilation, MV)は、ICUの急性呼吸不全(ARF)患者の救命介入である。 MVにパーソナライズと自動化を統合する以前の試みには、従来の教師付き学習とオフライン強化学習(RL)アプローチがある。 患者動態の時間的モデリングにトランスフォーマーエンコーダを統合する新しいオフラインRLフレームワークであるTransformer-based conservative Q-Learning (T-CQL)を提案する。
  論文  参考訳（メタデータ） (2026-03-11T23:21:02Z)
• Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
  本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。 提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。 本手法は歴史的幻覚の可能性を著しく低下させることを示す。
  論文  参考訳（メタデータ） (2026-02-27T04:49:01Z)
• Formally Verifying and Explaining Sepsis Treatment Policies with COOL-MC [0.0]
  COOL-MCは、訓練されたポリシーによって誘導される到達可能な状態空間のみを構築するモデルチェッカーである。 完全MDP解析が難解である場合でも、より小さな離散時間マルコフ連鎖を検証できる。 約17,000人の敗血症患者の記録から得られた指標であるICU-Sepsis MDPでCOOL-MCの能力を実証した。
  論文  参考訳（メタデータ） (2026-02-16T06:37:34Z)
• Benchmarking Egocentric Clinical Intent Understanding Capability for Medical Multimodal Large Language Models [48.95516224614331]
  MedGaze-Benchは、臨床医の視線を認知的カーソルとして活用し、手術、緊急シミュレーション、診断解釈における意図的理解を評価する最初のベンチマークである。 本ベンチマークでは,解剖学的構造の視覚的均一性,臨床における時間・因果依存性の厳格化,安全プロトコルへの暗黙の順守という3つの基本的な課題に対処する。
  論文  参考訳（メタデータ） (2026-01-11T02:20:40Z)
• Guardian-regularized Safe Offline Reinforcement Learning for Smart Weaning of Mechanical Circulatory Devices [19.512275639322638]
  心原性ショック患者における機械的循環補助装置の自動織りに関するシーケンシャル意思決定問題について検討した。 オフライン強化学習は、シーケンシャルな意思決定タスクで成功している。 2つの重要なコントリビューションを持つエンドツーエンドの機械学習フレームワークを開発します。
  論文  参考訳（メタデータ） (2025-11-08T19:32:31Z)
• 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)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• 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)

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。