演化博弈论框架下探讨临床重症监护环境中机械通气的后果
定量方法
2026-01-29 v2 机器学习
最优化与控制
摘要
确定机械通气策略和程序在重症监护中的效果需要在临床决策环境中分析来自异构患者-通气系统的数据。该研究发展了一个框架，以帮助理解机械通气(MV)和辅助护理决策对患者结果的影响，基于对接受 MV 的重症监护病患观察数据。发展对理解和改进重症监护呼吸管理的能力需要分析现有二次用途临床数据，以生成关于有利变数和适应性的假设。该工作引入了联合患者-通气-护理系统(即所谓的 J6)的视角，以开发一种可扩展的方法，用于分析这些复杂系统的数据和轨迹。为此，分析呼吸行为，使用演化博弈论(EGT)，该方法通过概率和随机机制(如强化学习)生成更深入分析所必需的量化前提。该结果是 MV 优化和个性化的一步。EGT 基于方法在合成数据上进行了分析，以揭示在进入真实世界 ICU 数据应用之前可能的注意事项。讨论包括关于使用经验和博弈论元素开发 MV 决策状态转换模型的潜在发展。
引用
@article{arxiv.2510.15127,
title = {Investigating the consequences of mechanical ventilation in clinical intensive care settings through an evolutionary game-theoretic framework},
author = {David J. Albers and Tell D. Bennett and Jana de Wiljes and George Hripcsak and Bradford J. Smith and Peter D. Sottile and J. N. Stroh},
journal= {arXiv preprint arXiv:2510.15127},
year = {2026}
}