論文の概要: CNA: An AI-Oriented Comprehensive Normalized Assessment for Healthy Status and Application to Optimize RRT Strategies by Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2609.22232v1
- Date: Thu, 03 Sep 2026 04:27:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.79682
- Title: CNA: An AI-Oriented Comprehensive Normalized Assessment for Healthy Status and Application to Optimize RRT Strategies by Reinforcement Learning
- Title（参考訳）: CNA: 健康状態に対するAI指向包括的正規化評価と強化学習によるRTR戦略の最適化への応用
- Abstract要約: 健康状態のためのAI-Oriented Comprehensive Normalized Assessment(CNA)を提案し、オフライン強化学習(RL)を用いてRRT戦略を最適化する。
CNAは、バイタルサインの分布を標準の通常の空間に変換し、参照間隔からの逸脱によって定義される統一されたデータ駆動型ヘルス統計スコアを可能にしている。
医師の観察された治療と比較すると、最良の学習戦略は死亡率を13.2%から5.0%(62.24%)に減らし、平均入院時間を308.5から250.1時間(18.93%)に短縮する。
- 参考スコア（独自算出の注目度）: 13.735393658980817
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Millions worldwide require Renal Replacement Therapy (RRT) as a treatment essential for survival. However, optimizing RRT strategies via AI is challenging due to heterogeneous patient dynamics, missing data, and the absence of an AI-oriented health assessment criterion. We propose an AI-Oriented Comprehensive Normalized Assessment (CNA) for healthy status and apply it to optimize RRT strategies by using offline reinforcement learning (RL). The key idea of CNA is transforming vital-sign distributions into a standard normal space, enabling a unified, data-driven health-status score defined by deviations from referent intervals, which also provides an AI-oriented criterion to assess strategy quality and supports RL termination. We further design a structured 23-dimensional state representation that integrates 19 indicators with 4 RRT descriptors, and employ matrix decomposition to reconstruct missing vital signs, improving data completeness for learning. These components are incorporated into multiple offline RL algorithms and validated via systematic ablation studies on RRT feature subsets. Compared with physicians' observed treatments, the best learned strategy reduces mortality from 13.2% to 5.0% (reducing 62.24%) and shortens average in-hospital stay from 308.5 to 250.1 hours (reducing 18.93%), demonstrating both methodological innovation and the potential of CNA-guided RL to improve RRT outcomes in nephrology.
- Abstract（参考訳）: 世界中で何百万人もの人が、生き残りに必要な治療として腎置換療法(RRT)を必要としている。
しかし、AIによるRRT戦略の最適化は、異種患者のダイナミクス、欠落データ、AI指向の健康評価基準の欠如などにより困難である。
本稿では、健全な状態のためのAI-Oriented Comprehensive Normalized Assessment (CNA)を提案し、それをオフライン強化学習(RL)を用いてRRT戦略の最適化に適用する。
CNAのキーとなる考え方は、バイタルサインの分布を標準の通常の空間に変換することで、参照間隔からの逸脱によって定義される統一されたデータ駆動型ヘルス統計スコアを可能にし、戦略品質の評価とRL終了をサポートするAI指向の基準を提供する。
さらに、19個のインジケータと4つのRT記述子を統合した23次元状態表現を設計し、行列分解を用いて欠落したバイタルサインを再構成し、学習のためのデータの完全性を向上させる。
これらの成分は、複数のオフラインRLアルゴリズムに組み込まれ、RRT特徴部分集合の体系的アブレーション研究によって検証される。
医師の観察された治療と比較すると、最良の学習戦略は死亡率を13.2%から5.0%(62.24%)に減らし、宿主の平均滞在時間を308.5から250.1時間(18.93%)に短縮し、腎臓学におけるRTRの改善のための方法論的革新とCNA誘導RLの可能性の両方を実証している。
関連論文リスト
- ARISE-RL: Agentic Rubric-Grounded Iterative Self-Evolution with Reinforcement Learning [74.19730275669227]
ARISE-RLは、オープンエンドエージェントをトレーニングするための新しいフルサイクルの自己進化フレームワークである。
Reward-Gated Self-Evolution Distillation (RG-SED)を提案する。
ECR-Benchは,シングルツールディープリサーチとマルチツールトラベルプランニングを対象とする,専門家校正型ルーリックベンチマークスイートである。
論文 参考訳（メタデータ） (2026-09-01T10:54:13Z) - ResidencyRL: Reinforcement Learning in Simulated Clinical Environments [53.76751756107077]
臨床人工知能(AI)エージェントを模擬多ターン臨床で訓練するための強化学習(RL)手法であるResidencyRLを提案する。
ホールドアウト評価では、ResidencyRLエージェントは、対向条件下で診断精度を7.0%向上させる。
盲目の専門医はこれらの利得を検証し、訓練されたエージェントをサイドバイサイド比較の87.6%で好んだ。
論文 参考訳（メタデータ） (2026-08-07T17:04:41Z) - Rethinking the Efficiency and Effectiveness of Reinforcement Learning for Radiology Report Generation [43.67582796047454]
本稿では,データ量と品質が医学的文脈における強化学習(RL)のパフォーマンスに与える影響について論じる。
そこで本研究では,より少ないサンプルで同等の性能を実現する診断的多様性に基づくデータサンプリング戦略を提案する。
本稿では,診断のためのF1スコアを報奨信号として利用することにより,臨床の精度を直接最適化する診断トークン重み付けポリシー最適化(DiTPO)を提案する。
論文 参考訳（メタデータ） (2026-03-04T12:57:05Z) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。
我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。
当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
論文 参考訳（メタデータ） (2025-08-17T21:54:11Z) - Computational Pathology for Accurate Prediction of Breast Cancer Recurrence: Development and Validation of a Deep Learning-based Tool [0.40205899806543505]
Deep-BCR-Autoは、乳がん再発リスクを予測するディープラーニングベースの計算病理学アプローチである。
我々の方法論は2つの独立したコホートで検証された。
Deep-BCR-Autoは、患者を低頻度と高頻度のリスクカテゴリに分類する上で、堅牢なパフォーマンスを示した。
論文 参考訳（メタデータ） (2024-09-23T19:22:06Z) - DTR-Bench: An in silico Environment and Benchmark Platform for Reinforcement Learning Based Dynamic Treatment Regime [18.443316087890324]
強化学習(Reinforcement Learning, RL)は、個人化医療における動的治療体制(DTR)を最適化する可能性の認知度を高めている。
多様な医療シナリオをシミュレートするベンチマークプラットフォームであるtextitDTR-Benchを紹介した。
我々はこれらの設定の様々な最先端のRLアルゴリズムを評価し、特に実世界の課題の中でその性能を強調した。
論文 参考訳（メタデータ） (2024-05-28T21:40:00Z) - Provable Risk-Sensitive Distributional Reinforcement Learning with
General Function Approximation [54.61816424792866]
本稿では,リスク感性分布強化学習(RS-DisRL)と静的リプシッツリスク対策(LRM),一般関数近似について紹介する。
モデルに基づく関数近似のためのモデルベース戦略であるtextttRS-DisRL-M と、一般値関数近似のためのモデルフリーアプローチである textttRS-DisRL-V の2つの革新的なメタアルゴリズムを設計する。
論文 参考訳（メタデータ） (2024-02-28T08:43:18Z) - Efficient and robust transfer learning of optimal individualized
treatment regimes with right-censored survival data [7.308241944759317]
個別治療体制(英: individualized treatment regime、ITR)は、患者の特徴に基づいて治療を割り当てる決定規則である。
本稿では、値関数の2倍頑健な推定器を提案し、その最適ITRは、予め指定されたIRRのクラス内の値関数を最大化することにより学習する。
重篤なメタボリックアシダ血症に対するバイカーボネートナトリウム療法のシミュレーションおよび実データによる評価を行った。
論文 参考訳（メタデータ） (2023-01-13T11:47:10Z) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z)
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。