使用连续状态空间模型和深度强化学习来推断感染症患者的最佳治疗方案,能够减少患者在医院内的死亡率。
May, 2017
探讨评估强化学习算法在医疗保健中的安全性的实质,提供了在评估新型患者治疗方式时,如何设计和评估算法的方法,并描述了如何缓解评估过程中存在的潜在问题。
May, 2018
在本文中,我们引入了一个学习如何预测检查频率与时间的框架,基于临床决策的复合奖励函数,使用批量脱机强化学习,以优化具有成本和风险之间权衡关系的检查选择和时间。
Aug, 2018
本文综述了加强学习在医疗领域的广泛应用,包括慢性病和危重护理中的动态治疗方案、基于结构化和非结构化临床数据的自动医学诊断以及许多其他控制或调度领域。其中讨论了当前研究中面临的挑战和开放问题,并指出了一些潜在的解决方案和未来研究方向。
Aug, 2019
通过使用新的去混淆actor-critic网络模型,基于电子健康记录的强化学习机制的动态治疗模式可获得更好的患者个体化通气治疗决策,从而提高患者的预后。
May, 2022
提出一种基于历史数据的新型医疗决策模型,使用深度强化学习解决了传统去强化学习中与环境交互的问题,能够进行连续状态-行动决策空间中的决策,建议的治疗方案比临床医生建议的更具价值和可靠性,能够提供个性化和可解释的抗感染治疗决策,进而提高患者的护理水平。
Jun, 2022
提出了基于数据驱动增强学习算法的策略约束Q-Learning(PCQL)以解决学习麻醉策略在真实临床数据集上的问题,并通过实验证实了PCQL相对于基线方法的性能优势,在更少的总剂量下保持和麻醉师参考剂量的一致性,对病人的生命体征更加敏感,并使用SHAP进行了模型预测的解释分析。
Mar, 2023
通过剪枝和训练最终模型两步,成功将中间生物标志信号融入到奖励范式中,在不损害主要结果的情况下,从中解出有价值的信息指导学习过程,从而在模拟环境和实际患者记录中成功开发了一种有效的离线强化学习方法,为开发可靠的策略迈出了一步。
Jun, 2023
ICU病人实验室测试的调度是一个重大挑战,先前研究基于病人信息使用离线强化学习方法为实验室测试定制最优策略,本研究在新发布的MIMIC-IV数据集上使用最新的离线强化学习方法评估和改进ICU病人实验室测试的调度策略。
Feb, 2024
使用决策树进行机械通风控制的解释性强化学习方法在提高患者血氧饱和度的同时避免侵害导致通风性肺损伤和其他并发症的侵略性通风设置,优于行为复制政策并与现有的强化学习政策相媲美。未来的工作涉及更好地将成本函数与医学目标对齐,以生成更深入的临床见解。
Apr, 2024