应用强化学习预测重症监护室输血需求

Jun, 2022

应用强化学习预测重症监护室输血需求

Predicting the Need for Blood Transfusion in Intensive Care Units with Reinforcement Learning

Yuqing Wang, Yun Zhao, Linda Petzold

TL;DR该论文通过使用强化学习算法，基于患者重症监护室中的临床数据，开发出一种用于输注决策辅助的工具，结合状态表示方法和奖励设计机制进行了实验以提高策略的性能，并对真实医院数据的策略准确性进行了评估，结果表明，该方法能够有效地改善患者预后和减少医疗成本。

Abstract

As critically ill patients frequently develop anemia or coagulopathy, transfusion of blood products is a frequent intervention in the Intensive Care Units (ICU). However, inappropriate transfusion decisions made by physicians are often associated with increased risk of complications and higher hospital costs. In this work, we aim to develop a decision suppor

transfusion decision-making reinforcement learning critical care datasets policy learning patient outcomes

发现论文，激发创造

非创伤重症监护室患者输血需求预测的稳健元模型

该研究使用机器学习模型为多样性危重病人预测输血需求，在有效预测输血需求的同时，还能识别关键生物标志物帮助输血决策。

Jan, 2024

重症监护病房患者实验室检测的最优策略

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

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

深度强化学习在医疗资源高效公平分配中的应用

使用基于转换器的深度 Q 网络，研究在健康资源匮乏条件下公平有效地进行重症护理资源分配的强化学习方法。实验结果表明，与现有的基于严重程度和合并症的方法相比，我们的方法在不同级别的呼吸机短缺情况下显著减少了多余死亡，并实现了更加公正的分配。

Sep, 2023

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

离线强化学习用于 1 型糖尿病患者血糖更安全的控制

本文评估了离线强化学习方法，用于开发临床有效的药量策略，通过对 UVA/Padova 血糖动力学模拟器内的九个虚拟患者的血糖控制进行了研究，发现离线强化学习可以显著提高健康血糖范围内的时间，而不增加低血糖事件。

Apr, 2022

深度强化学习用于脓毒症治疗

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

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

闭环血糖控制的深度强化学习

本研究使用深度强化学习技术，比较了不同的控制算法。模拟糖尿病患者的数据分析表明，该技术可大幅降低糖尿病患者在控制血糖水平方面面临的风险，而无需专业知识的参与。

Sep, 2020

经修剪多目标深度 Q 学习方法实现可靠的危重病护理政策

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