基于离线强化学习的ICU患者检测调度
机器学习
2024-02-13 v1 人工智能
摘要
为ICU患者安排实验室检测是一项重大挑战。研究表明，ICU中20-40%的实验室检测是冗余的，可以在不影响患者安全的情况下取消。先前的工作利用离线强化学习（Offline-RL）根据患者信息寻找最优的检测安排策略。然而，此后已有新的ICU患者数据集发布，且离线强化学习方法也取得了各种进展。在本研究中，我们首先为最新发布的MIMIC-IV数据集引入一个面向时间序列任务的预处理流程。然后，我们探索了最先进的离线强化学习方法在识别更优的ICU患者实验室检测调度策略方面的效能。除了评估方法性能外，我们还讨论了在ICU环境中使用离线强化学习框架安排实验室检测的整体适用性和实用性。
引用
@article{arxiv.2402.07344,
title = {Measurement Scheduling for ICU Patients with Offline Reinforcement Learning},
author = {Zongliang Ji and Anna Goldenberg and Rahul G. Krishnan},
journal= {arXiv preprint arXiv:2402.07344},
year = {2024}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2023, December 10th, 2023, New Orleans, United States, 11 pages