该研究提出了一种使用连续状态空间模型和深度强化学习推断感染性休克患者治疗方针的方法，模型可以学习临床可解释的治疗方针，为深度减轻和改善患者生存率提供辅助。

Nov, 2017

本文介绍一个使用基于持续状态空间模型的强化学习来发现高质量感染症状患者治疗策略的方法，并通过与临床医生的实践结合从而形成更好的治疗方案，最终提高感染症状患者的医疗诊疗效果。

Nov, 2018

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

ICU-Sepsis 是一个用于评估强化学习算法的基准环境，可以模拟 ICU 中脓毒症患者的个性化护理。它是一个轻量级的表格 MDP 环境，适用于各种强化学习算法，并且具有挑战性，可用于评估其性能。

Jun, 2024

利用强化学习生成重症监护病房中脓毒症患者的治疗方案的研究表明，临床医生的建议往往是偶然的，并且临床操作的多样性对疾病进展的测量效果不明显。

Apr, 2024

本研究使用先前开发的模拟机体免疫应答的内在免疫应答基于代理模型，并采用深度强化学习算法，通过建立系统病人测量的反馈回路，鉴定了适应性、个性化的多细胞因子调节治疗策略，成功将败血症患者死亡率降至零，并证实该中策略在随机病人参数空间中也表现良好，为治疗败血症提供了一种有前途的新方法。

Feb, 2018

本研究使用自编码器和强化学习方法，通过学习数据驱动的策略，确定重症感染病人的个性化最佳血糖控制方法，建立血糖水平与预计 90 天死亡率的关系，从而减少患者的预测死亡率。

Dec, 2017

通过知识蒸馏和约束变分推断，我们使用一个高预测能力的 “教师” 神经网络模型来训练一个 “学生” 潜在变量模型，学习可解释的隐层表示，以实现对脓毒症预测结果的高准确性。

Nov, 2023

通过结合临床专业知识与基于评分、基于约束和混合结构学习算法，该研究研究了可能受政策决策影响的败血症潜在原因的潜在因果结构，并发现慢阻肺、酒精依赖和糖尿病等风险因素的存在会增加患者患败血症的可能性，从而对政策具有潜在影响。通过评估模型在预测败血症方面的能力，发现共识模型的预测准确度、敏感度和特异度均在 70% 左右，AUC 为 80%，说明该模型的因果结构在只使用可供委托目的的数据训练的情况下是相当准确的。

Jun, 2024

本文介绍了一种可伸缩的端到端分类器，它使用连续的生理时间序列和药物数据来准确预测败血症的发作，并且可以在高度不确定、频繁缺失和不规则采样率的真实临床数据中工作。通过使用任务多元高斯过程模型和基于回归神经网络的黑盒分类器，我们表明在大规模的医院数据中，该分类器胜过了我们医院目前使用的新闻评分，并且收益了 19.4％和 55.5％的改进。

Jun, 2017