DeepEN：面向关键护理的深度强化学习个性化肠内营养框架
机器学习
2026-05-26 v3 人工智能
摘要
目标：关键护理中的肠内营养 (EN) 递送仍不理想，由于缺乏个性化以及在动态代谢需求下确定合适的热量、蛋白质和液体目标的不确定性。我们引入 DeepEN，一种基于电子健康记录数据进行个性化 EN 优化的强化学习 (RL) 框架。方法：DeepEN 基于超过 11,000 例 ICU 患者从 MIMIC-IV 训练，生成 4 小时频次的、针对患者的热量、蛋白质和液体目标。状态表示包括人口学特征、合并症、生命体征、实验室值以及最近的干预措施。基于生理学的奖励框架在平衡生物标志物稳定性与长期生存之间提供动力。策略学习采用对抗双深 Q 网络，配合保守 Q 学习正则化，以实现安全的离线训练。结果：DeepEN 实现了最高的估计策略价值 () 和最低的校准死亡率 (18.8 +/- 1.0%)，相较于临床实践 (22.8%) 降低了 4.0 个百分点。该策略还表现出优异的代谢稳定性，实现了葡萄糖、磷酸盐和钠浓度进入目标范围比例的最高值。此外，与 DeepEN 策略偏离与增加死亡率和生物标志物不稳定相关，而与随机策略偏离则无此关联。可解释性分析进一步表明，建议是基于生理学相关的器官功能和代谢状态标记，而非静态剂量启发式。结论：DeepEN 证明了保守的离线强化学习可用于安全、个性化的 EN 优化，凸显了数据驱动的个性化在关键护理中补充指南方法的潜力。
引用
@article{arxiv.2510.08350,
title = {DeepEN: A Deep Reinforcement Learning Framework for Personalized Enteral Nutrition in Critical Care},
author = {Daniel Jason Tan and Jiayang Chen and Dilruk Perera and Kay Choong See and Mengling Feng},
journal= {arXiv preprint arXiv:2510.08350},
year = {2026}
}