使用深度强化学习的事件预测动态测量调度
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
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
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
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
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
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
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