用于优化机械通气的可解释强化学习方法
机器学习
2025-01-10 v2 最优化与控制
摘要
机械通气是一项关键的生命支持干预措施，它向患者肺部输送受控的空气和氧气，辅助或替代自主呼吸。尽管已有几种数据驱动的方法被提出用于优化呼吸机控制策略，但它们通常缺乏可解释性和与领域知识的一致性，从而阻碍了临床应用。本文提出了一种可解释强化学习（RL）方法，旨在作为互联健康系统的一部分来改善机械通气控制。使用基于因果、非参数模型的离线策略评估，我们评估了 RL 策略在改善患者特异性结果方面的能力——具体而言，即提高血氧水平（SpO2），同时避免可能导致呼吸机诱导肺损伤和其他并发症的激进呼吸机设置。通过在 MIMIC-III 数据库中真实世界 ICU 数据上的数值实验，我们证明了我们的可解释决策树策略实现了与 SOTA 深度 RL 方法相当的性能，同时优于标准的行为克隆方法。结果突出了可解释的、数据驱动的决策支持系统在提高个性化通气策略的安全性和效率方面的潜力，为无缝集成到互联医疗环境中铺平了道路。
引用
@article{arxiv.2404.03105,
title = {Methodology for Interpretable Reinforcement Learning for Optimizing Mechanical Ventilation},
author = {Joo Seung Lee and Malini Mahendra and Anil Aswani},
journal= {arXiv preprint arXiv:2404.03105},
year = {2025}
}