論文の概要: Adaptive Uncertainty-Aware Modeling and Stochastic Radial Basis Function Predictive Control for Personalized Fluid Resuscitation

• arxiv url: http://arxiv.org/abs/2609.21821v1
• Date: Fri, 18 Sep 2026 14:25:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.146776
• Title: Adaptive Uncertainty-Aware Modeling and Stochastic Radial Basis Function Predictive Control for Personalized Fluid Resuscitation
• Title（参考訳）: パーソナライズされた流体蘇生のための適応的不確かさ認識モデルと確率的ラジアル基底関数予測制御
• Abstract要約: 本稿では,流体蘇生時に不確実性を認識し,血行動態を個別に調節する新しい枠組みを提案する。 平均動脈圧 (MAP) と流体注入の動的関係を捉えるために, 不確実性を考慮した変分自己エンコーダ状態空間モデル (UVAESSM) を開発した。 ストリーミングVPGデータを用いてUVAE-SSMを適応するオンラインファインタニングアルゴリズムを開発し,クローズドループ療法におけるプログレッシブパーソナライゼーションを実現した。
• 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: This paper presents a novel framework integrating Bayesian physiological modeling with optimal control strategies to achieve uncertainty-aware, personalized hemodynamic regulation during fluid resuscitation. An uncertainty-aware variational autoencoder state-space model (UVAE-SSM) was first developed to capture the dynamical relationship between mean arterial pressure (MAP) and fluid infusion using limited data, while explicitly modeling aleatoric uncertainty (i.e., randomness in the measurements, such as sensor noise). Then, a Bayesian nonlinear state-space model (BNSSM) was developed by utilizing Bayesian neural networks (BNNs) to capture epistemic uncertainty arising from physiological and patient-specific variability, enabling the creation of a virtual patient generator (VPG). Building on this uncertainty-aware modeling framework, a stochastic radial basis function model predictive control (sRBF-MPC) algorithm was designed to track the MAP target while satisfying physiological constraints. Finally, an online fine-tuning algorithm was developed to adapt the nominal UVAE-SSM using streaming VPG data, enabling progressive personalization during closed-loop therapy. Simulation results across unseen animal subjects and an independent human clinical dataset demonstrated the strong predictive accuracy and cross-population generalizability of the UVAE-SSM and BNSSM models. Closed-loop evaluations confirmed that the proposed sRBF-MPC framework achieved stable MAP regulation while providing better risk-aware control compared to quadratic MPC (Q-MPC) and stochastic quadratic MPC (sQ-MPC). Overall, the proposed framework accounts for inter- and intra-patient variability through online model adaptation, offering a promising step toward uncertainty-aware, personalized hemodynamic modeling and control in critical care.
• Abstract（参考訳）: 本稿では, バイーシアン生理モデルと最適制御戦略を統合し, 流体蘇生時の血行動態の制御を不確実性に認識し, パーソナライズする手法を提案する。 不確実性を考慮した変分自動エンコーダ状態空間モデル (UVAE-SSM) が最初に開発され、限られたデータを用いて平均動脈圧(MAP)と流体注入のダイナミックな関係を捉えるとともに、アレタリック不確実性(センサノイズなどの計測におけるランダム性)を明示的にモデル化した。 次に,ベイジアン非線形状態空間モデル (BNSSM) をベイジアンニューラルネットワーク (BNN) を用いて, 生理的, 患者固有の変動性から生じるてんかんの不確かさを捉え, 仮想患者生成装置 (VPG) の作成を可能にした。 この不確実性を考慮したモデリングフレームワークを構築し,生理的制約を満たすとともにMAPターゲットを追跡する確率的放射基底関数予測制御(sRBF-MPC)アルゴリズムを設計した。 最後に、ストリーミングVPGデータを用いて、名目上のUVAE-SSMに適応するオンライン微調整アルゴリズムを開発し、クローズドループ治療におけるプログレッシブパーソナライゼーションを実現した。 UVAE-SSMモデルとBNSSMモデルの強い予測精度と集団間一般化性を示した。 閉ループ評価の結果,提案したsRBF-MPCフレームワークは,2次的MPC (Q-MPC) と確率的2次的MPC (sQ-MPC) と比較して,より優れたリスク認識制御を実現した。 提案フレームワークは, オンラインモデル適応による患者間および患者内変動を考慮し, 不確実性を認識し, パーソナライズされた血行動態をモデル化し, クリティカルケアにおける制御を可能にする。

関連論文リスト

• A Comprehensive Framework for Uncertainty Quantification of Voxel-wise Supervised Models in IVIM MRI [33.7054351451505]
  混合密度ネットワーク(MDN)のディープアンサンブルに基づく確率論的ディープラーニングフレームワークを提案する。 MDNは拡散係数Dと分数fのパラメータに対してより校正され、よりシャープな予測分布が得られたが、擬拡散係数D*ではわずかに過信が観察された。 本稿では,信頼できない推定値の同定と解釈を可能にする,不確実な定量化を伴うIVIMの包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-06T16:08:55Z)
• Mesh-Informed Reduced Order Models for Aneurysm Rupture Risk Prediction [0.0]
  計算流体力学(CFD)を用いて大動脈瘤の発症リスクを予測する。 有限体積(FV)の離散化によって得られるメッシュの自然なグラフ構造を利用する。 本手法は,次元の呪いを克服する有効な方法であることを確認した。
  論文  参考訳（メタデータ） (2024-10-04T09:39:15Z)
• Nonlinear sparse variational Bayesian learning based model predictive control with application to PEMFC temperature control [16.703859991393568]
  本研究は非線形システムのための非線形スパース変分学習に基づくMPC(NSVB-MPC)を開発する。 変分推論はNSVB-MPCによって予測精度を評価し、システムの不確実性を定量化するために必要な修正を行う。
  論文  参考訳（メタデータ） (2024-04-15T07:30:26Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• Continuous Forecasting via Neural Eigen Decomposition of Stochastic Dynamics [47.82509795873254]
  本稿では,スパース観測と適応力学を用いた逐次予測のためのニューラル固有SDEアルゴリズムを提案する。 NESDEは、スパース観測による効率的な頻繁な予測を可能にするために、力学モデルに固有分解を適用する。 我々は,MIMIC-IVデータセットにおけるヘパリン投与後の血液凝固の患者適応予測を初めて行った。
  論文  参考訳（メタデータ） (2022-01-31T22:16:50Z)

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。