利用连续空间中的离线强化学习学习脓毒症的最优治疗策略
机器学习
2022-07-15 v2 人工智能
摘要
脓毒症是 ICU 中主要的死亡原因。它是一种需要在短时间内进行复杂干预的疾病，但其最优治疗策略仍不确定。有证据表明，当前所用治疗策略的实践存在问题，并可能对患者造成伤害。为解决这一决策问题，我们提出一种基于历史数据的新医疗决策模型，以帮助临床医生推荐实时治疗的最佳参考方案。我们的模型结合离线强化学习(offline reinforcement learning)与深度强化学习(deep reinforcement learning)，解决了传统强化学习在医疗领域因无法与环境交互而产生的问题，同时使模型能够在连续状态-动作空间中决策。我们证明，平均而言，模型推荐的治疗比临床医生推荐的更有价值且更可靠。在一个大型验证数据集中，我们发现实际用药剂量与 AI 决策一致的患者死亡率最低。我们的模型为脓毒症提供个性化且具临床可解释性的治疗决策，以改善患者照护。
引用
@article{arxiv.2206.11190,
title = {Learning Optimal Treatment Strategies for Sepsis Using Offline Reinforcement Learning in Continuous Space},
author = {Zeyu Wang and Huiying Zhao and Peng Ren and Yuxi Zhou and Ming Sheng},
journal= {arXiv preprint arXiv:2206.11190},
year = {2022}
}