基于离线强化学习算法的肝素剂量政策开发与验证
机器学习
2025-12-09 v1 人工智能
摘要
重症监护室（ICU）中药物剂量的合适性对于患者存活至关重要。肝素用于治疗血栓并抑制ICU中血液凝固，由于其复杂性和对多种因素的敏感性（包括患者临床特征、潜在医学状况和潜在药物相互作用），需要谨慎给药。错误的剂量可能导致严重并发症，如中风或出血。为了应对这些挑战，本研究提出了一种基于强化学习（RL）的个性化最优肝素剂量政策，该政策基于患者个体情况可靠地指导剂量决策，使其处于治疗范围内。实施了批次受限策略以最小化离线RL环境中的分布外误差，并有效地将RL与现有临床医生政策集成。通过加权重要抽样——一种离散策略评估方法——评估了该政策的有效性，并使用t-SNE探索了状态表示与Q值之间的关系。使用Medical Information Mart for Intensive Care III (MIMIC-III) 数据库进行了定量和定性分析，证明了所提出的基于RL的药物政策的有效性。该研究利用先进的机器学习技术和大量临床数据，提高了肝素给药实践，为医学领域发展复杂决策支持工具的先例。
引用
@article{arxiv.2409.15753,
title = {Development and Validation of Heparin Dosing Policies Using an Offline Reinforcement Learning Algorithm},
author = {Yooseok Lim and Inbeom Park and Sujee Lee},
journal= {arXiv preprint arXiv:2409.15753},
year = {2025}
}