Apr, 2024

可解释强化学习优化机械通气的方法论

HTML
PDF
TL;DR使用决策树进行机械通风控制的解释性强化学习方法在提高患者血氧饱和度的同时避免侵害导致通风性肺损伤和其他并发症的侵略性通风设置，优于行为复制政策并与现有的强化学习政策相媲美。未来的工作涉及更好地将成本函数与医学目标对齐，以生成更深入的临床见解。
发现论文，激发创造
  • 机械通气撤离在重症监护病房中的强化学习方法

    该论文使用基于强化学习的决策支持工具，结合历史患者数据，推荐个性化的镇静剂及呼吸支持方案，从而最小化康复病房中机械通气时间、重插管率与生理稳定度等重要指标。

    Apr, 2017

  • 评估强化学习算法在观测性健康设置中的应用

    探讨评估强化学习算法在医疗保健中的安全性的实质，提供了在评估新型患者治疗方式时，如何设计和评估算法的方法，并描述了如何缓解评估过程中存在的潜在问题。

    May, 2018

  • 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

  • 医疗保健中的强化学习: 一项调查

    本文综述了加强学习在医疗领域的广泛应用，包括慢性病和危重护理中的动态治疗方案、基于结构化和非结构化临床数据的自动医学诊断以及许多其他控制或调度领域。其中讨论了当前研究中面临的挑战和开放问题，并指出了一些潜在的解决方案和未来研究方向。

    Aug, 2019

  • 轨迹检查：一种用于迭代临床医师指导强化学习研究设计的方法

    通过轨迹检查方法，研究人员发现在以强化学习为基础的模型中存在模型偏好，可能与小样本差异有关，期望的治疗结果不切实际，希望通过发现并解决这些问题，得出更加可靠的强化学习策略。

    Oct, 2020

  • 使用策略适应去交织Actor-Critic网络以支持动态治疗方案

    通过使用新的去混淆actor-critic网络模型，基于电子健康记录的强化学习机制的动态治疗模式可获得更好的患者个体化通气治疗决策，从而提高患者的预后。

    May, 2022

  • 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

  • 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

  • 情境化策略恢复：自适应模仿学习建模和解释医疗决策

    通过上下文化策略恢复（CPR），将建模复杂决策过程的问题重新构架为多任务学习问题，其中复杂决策策略由上下文特定策略组成。通过对模拟数据和真实数据的研究，CPR在预测重症监护单位抗生素处方（相对于先前的最佳结果增加了22％的AUROC）和预测阿尔茨海默病患者的MRI处方（相对于先前的最佳结果增加了7.7％的AUROC）的规范任务上取得了最先进的性能。CPR弥合了可解释和黑盒方法在策略学习方面的准确性差距，允许对上下文特定决策模型进行高分辨率的探索和分析。

    Oct, 2023

  • 超越黑盒策略：重新思考可解释和可验证的HVAC控制学习代理的设计

    利用基于决策树的控制策略，优化了采暖通风空调系统的能源效率，并提供可靠性保证和安全性，与现有模型基的增强学习方法相比，能够节约68.4%能源并提高14.8%的人体舒适度。

    Feb, 2024