使用深度强化学习的事件预测动态测量调度

ICMLJan, 2019

使用深度强化学习的事件预测动态测量调度

Dynamic Measurement Scheduling for Event Forecasting using Deep RL

Chun-Hao Chang, Mingjie Mai, Anna Goldenberg

TL;DR通过深度强化学习策略，将测量成本降至最低，同时最大化预测收益，实现基于病人健康历史动态调整的医学测量任务调度，有效地降低了测量次数并提高了预测准确性。

Abstract

Imagine a patient in critical condition. What and when should be measured to forecast detrimental events, especially under the budget constraints? We answer this question by deep reinforcement learning (RL) that jointly minimizes the →

deep reinforcement learning strategically-timed measurements measurement cost predictive gain icu mortality prediction

发现论文，激发创造

基于离线强化学习的重症监护室患者测量调度

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

科学发现与测量成本 -- 在强化学习中平衡信息和成本

本论文提出了一种框架，可使深度强化学习算法在科学应用方面实现选择行动和决定是否在每个时间步长测量系统当前状态的策略，以平衡获取信息和信息成本。结果表明，当在此模式下训练时，Dueling DQN 和 PPO 代理可以学习到最优行动策略，同时进行的状态测量可以降低 50％，而递归神经网络可以使测量降低 50％以上。

Dec, 2021

深度强化学习用于成本效益医学诊断

本文介绍了一种利用增强学习和奖励设计方法优化实验测试序列，以最大化 F1 得分和降低成本的动态诊断策略。作者使用基于半模型深度诊断策略优化 (SM-DDPO) 的方法处理多种临床任务的数据，实现了高准确性和高成本效益

Feb, 2023

PDRL：基于多智能体强化学习的预测性监控

提出了一种新颖且通用的预测深度强化学习（PDRL）系统，用于监测复杂环境中的未来状态，并在时间序列预测过程中取得了最先进的性能。

Sep, 2023

基于多智能体深度强化学习的 AI 驱动病人监测

通过使用多智能体深度强化学习 (DRL) 的人工智能驱动的患者监控框架，我们提出了一个有效的患者监测系统，在处理复杂、动态的环境和波动的生命体征方面具有很大优势。我们的实验结果证明了该框架在监测患者生命体征方面的准确性优于传统模型，并通过超参数优化来提升学习过程，使其能够适应多样的患者情况和实时做出决策。

Sep, 2023

医学预测监测中的动态特征选择：强化学习

研究采用强化学习优化时间序列场景下的动态特征选择方法，提高临床预测监测中的数据挖掘效果。

May, 2024

观测代价敏感强化学习中的动态观测策略

本文调查了最近发展的文献，采用了 RL 代理不需要每个时间步都进行昂贵测量的观点，并在 OpenAI gym 和 Atari Pong 环境上与文献中的替代方法进行对比和实证评估，结果表明 DMSOA 在较少的决策步骤和测量下学习到了更好的策略。

Jul, 2023

深度学习关注 ICU 中的风险

利用长短期记忆和层次注意力机制，建立深度学习模型解决 ICU 中生理时间序列数据的不规则和缺失问题，实现对 ICU 死亡风险的预测，并在 PhysioNet 2012 数据集上取得了竞争力和可解释性的结果。

Jul, 2017

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

基于循环神经网络的监督增强学习在动态治疗推荐中的应用

本文提出一种基于监督强化学习和循环神经网络的动态治疗建议系统，用于处理医疗记录中的复杂关系和部分观测问题，实验结果表明该系统能够有效减少患者死亡率和提高医疗建议的准确性。

Jul, 2018