用于脓毒症最优治疗的连续状态空间模型——一种深度强化学习方法
机器学习
2017-05-24 v1
摘要
脓毒症是重症监护室 (ICUs) 的主要死因，每年给医院造成数十亿美元的损失。治疗脓毒症患者极具挑战性，因为个体患者对医疗干预的反应差异很大，且脓毒症没有普遍公认的治疗方案。了解更多关于患者在给定时间的生理状态可能是有效治疗策略的关键。在这项工作中，我们提出了一种新方法，通过使用连续状态空间模型和深度强化学习来推导脓毒症患者的最优治疗策略。在连续空间上学习治疗策略非常重要，因为我们可以保留更多患者的生理信息。我们的模型能够学习到临床上可解释的治疗策略，在重要方面与医生的治疗策略相似。在过去的 ICU 患者数据上评估我们的算法，我们发现与观察到的临床策略相比，我们的模型可以将院内患者死亡率从 13.7% 的基线死亡率降低最多 3.6%。所学到的治疗策略可用于辅助重症监护临床医生进行医疗决策，并提高患者生存的可能性。
引用
@article{arxiv.1705.08422,
title = {Continuous State-Space Models for Optimal Sepsis Treatment - a Deep Reinforcement Learning Approach},
author = {Aniruddh Raghu and Matthieu Komorowski and Leo Anthony Celi and Peter Szolovits and Marzyeh Ghassemi},
journal= {arXiv preprint arXiv:1705.08422},
year = {2017}
}