Mar, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 使用多任务高斯过程循环神经网络分类器学习检测脓毒症

    本文介绍了一种可伸缩的端到端分类器，它使用连续的生理时间序列和药物数据来准确预测败血症的发作，并且可以在高度不确定、频繁缺失和不规则采样率的真实临床数据中工作。通过使用任务多元高斯过程模型和基于回归神经网络的黑盒分类器，我们表明在大规模的医院数据中，该分类器胜过了我们医院目前使用的新闻评分，并且收益了 19.4％和 55.5％的改进。

    Jun, 2017

  • 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

  • 一种改进的多输出高斯过程循环神经网络，具有实时验证功能，用于早期脓毒症检测

    该研究提出一种多输出高斯过程和深度递归神经网络相结合的方法，实现对 sepsis 的早期检测，有效性较现有方法更佳，并可在实时仪表盘上展示其预测结果，以便用于 sepsis 快速反应团队的诊断和治疗。

    Aug, 2017

  • 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

  • 应用 Transformer 集成生理时间序列和临床记录进行早期脓毒症预测

    本篇研究提出了一种基于多模态 Transformer 模型的早期脓毒症预测方法，使用每位患者在 ICU 入院后 36 小时内的生理时间序列数据和临床笔记，仅利用前 12、18、24、30 和 36 小时的实验室指标、生命体征、患者特征和临床笔记进行预测。在 MIMIC-III 和 eICU-CRD 两个大型重症监护数据集上评估了我们的模型，结果证明我们的方法在所有指标上优于竞争基线。

    Mar, 2022

  • 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

  • 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

  • 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