赋能临床医生的医疗决策变换模型：针对败血症治疗的框架
机器学习
2024-07-30 v1 人工智能
摘要
离线强化学习已在安全关键场景中（如临床决策支持）显示出潜力，但其应用受限于缺乏对临床医生的可解释性和交互性。为此，我们提出医疗决策变换模型 (MeDT)，这是一种基于以目标为导向的强化学习范式，用于败血症治疗推荐的新型且通用的框架。MeDT 使用决策变换架构学习药物剂量推荐的策略。在离线训练期间，MeDT 利用收集的治疗轨迹预测每个时间步骤中已实施的治疗方案，纳入已知治疗结果、目标意识评分、过去的治疗决策以及当前和过去的医疗状态。此分析使 MeDT 能够捕捉患者医疗史、治疗决策、结果以及对稳定性的短期影响之间的复杂依赖关系。我们的条件化方法使用意识评分来解决稀疏奖励问题并促进临床医生与模型之间的交互，从而增强决策。训练后，MeDT 可通过以希望实现的正向结果（存活）和用户指定的短期稳定性改善为条件，生成量身定制的治疗建议。我们对来自 MIMIC-III 数据集的严格实验进行了检验，并使用离策评估表明 MeDT 推荐的干预措施优于或与现有的离线强化学习方法相当，同时实现了更可解释、更个性化且以临床医生为导向的方法。
引用
@article{arxiv.2407.19380,
title = {Empowering Clinicians with Medical Decision Transformers: A Framework for Sepsis Treatment},
author = {Aamer Abdul Rahman and Pranav Agarwal and Rita Noumeir and Philippe Jouvet and Vincent Michalski and Samira Ebrahimi Kahou},
journal= {arXiv preprint arXiv:2407.19380},
year = {2024}
}