Feb, 2024

基于离线强化学习的重症监护室患者测量调度

PDF
TL;DRICU 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。
schedulinglaboratory testsicu patientsoffline-rl methodsmimic-iv dataset
发现论文，激发创造
  • 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

  • 使用深度强化学习的事件预测动态测量调度

    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。

    Jan, 2019

  • 在医疗保健中，表示学习的实证研究

    本文用数据（MIMIC-III dataset）对数名感染病患的多种信息编码结构进行实证研究，旨在确定最佳的状态构建方法以应用于强化学习，而研究结果证明顺序形成的状态表示在批处理设置下有助于有效的政策学习，并验证了更加深入思考的状态表示学习方法在医疗数据序列和部分性质方面的可靠性。

    Nov, 2020

  • 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

  • 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

  • 应用强化学习预测重症监护室输血需求

    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。

    Jun, 2022

  • 糖血糖控制的端到端离线强化学习

    使用离线强化学习代理人和个性化流程提高闭环系统的性能，消除对模拟器的依赖，实现糖尿病的血糖控制。

    Oct, 2023

  • 预测调度

    探讨利用机器学习算法进行医学影像诊断的问题，并提出在线调度问题的解决方案，通过分析来自不同紧迫性病人的数据，制定出优先顺序以提高病人救治效率。

    Dec, 2022

  • 常规收集的多变量 ICU 生理信号中的共同潜在表示的协作学习

    在重症监护室（ICU）中，多元时间序列的丰富性为机器学习提供了改进患者表型刻画的机会。与以往主要关注电子健康记录（EHR）的研究不同，本文提出了一种使用常规收集的生理时间序列数据进行表型刻画的机器学习方法。我们的新算法将长短期记忆（LSTM）网络与协同过滤的概念相结合，识别出患者之间共同的生理状态。在实际世界的 ICU 临床数据中测试，我们的方法在脑损伤患者颅内高压（IH）检测方面取得了 0.889 的曲线下面积（AUC）和 0.725 的平均精度（AP）。此外，我们的算法在学习生理信号的结构化潜在表示方面优于自编码器。这些发现突显了我们方法在利用常规多元时间序列改善临床护理实践的患者表型刻画方面的巨大潜力。

    Feb, 2024

  • 医学时间序列和笔记的多模态预训练

    在重症监护室内，包括临床测量和临床笔记在内的丰富患者数据可供利用，但其分析也面临许多挑战。本研究提出了一种新颖的方法，利用自我监督预训练来解决深度学习模型在重症监护中的标注数据不足问题，并在数据有限的情况下，在院内死亡预测和表型预测等下游任务中优于基线模型，突显其提升重症监护室数据分析能力。

    Dec, 2023