Nov, 2017

深度强化学习用于脓毒症治疗

PDF
TL;DR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。
sepsisintensive care unitstreatmentcontinuous state-space modelsreinforcement learning
发现论文，激发创造
  • 用深度强化学习的连续状态空间模型优化脓毒症治疗

    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

  • 基于模型的脓毒症治疗强化学习

    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

  • 使用脱机强化学习学习连续空间中败血症的最佳治疗策略

    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

  • 临床医生的一致性评估：基于动态模型预测败血症疾病进展

    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

  • 精准医学作为控制问题：使用模拟和深度强化学习，发现适应性个性化的多细胞因子治疗脓毒症

    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

  • ICU-Sepsis：基于真实医疗数据构建的基准 MDP

    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

  • 感染性患者个性化血糖控制的表示学习与强化学习

    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

  • 一种基于知识蒸馏的多变量临床时间序列中的感染性休克预测方法

    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

  • 强化学习顺序决策治疗脓毒症：具有死亡分类器和转换器的 POSNEGDM 框架

    这篇论文介绍了一种名为 POSNEGDM 的强化学习框架，利用创新的基于 Transformer 的模型和反馈强化器，结合考虑个体患者特征的专家行动复制，提高感染性休克治疗的生存率达到 97.39%。该框架显著改善了患者的生存情况，超过现有的机器学习算法 (包括 Decision Transformer 和行为克隆)，其生存率分别为 33.4% 和 43.5%。该方法为改善感染性休克治疗结果提供了一个有前景的途径，有助于提高患者护理质量并降低医疗费用。

    Mar, 2024

  • 复杂医学决策中人工智能人机协同的再思考：一项败血症诊断案例研究

    该研究旨在探讨 AI 系统的设计要求，以支持临床专家在早期诊断败血症方面做出更好的决策。通过对现有 AI 预测模块的基于医疗记录的电子健康档案系统的临床专家的形态学研究，该研究构建了 SepsisLab，通过 AI 算法预测败血症发展并可视化预测的不确定性，并提供减少不确定性的可行建议，从而展示了 SepsisLab 在人机协作方面的潜力，对未来的 AI 辅助败血症诊断和其他高风险医学决策具有重要意义。

    Sep, 2023