基于不确定性离线强化学习的脓毒症治疗策略

基于指南的脓毒症及感染性休克治疗十分困难，因为脓毒症是一系列病理生理机制尚未完全明确的危及生命的重要器官功能障碍。脓毒症的早期干预对患者预后至关重要，但这些干预具有不良反应且常被过度使用。由于没有任何单一措施适用于所有患者，更大的个性化是必要的。我们提出了一种强化学习的新型应用，从数据中识别脓毒症治疗的最优建议、估计其置信水平，并识别训练数据中罕见观察到的治疗选项。我们的方法可呈现多种治疗选项，而非单一建议。我们检验了学习到的策略，发现由于死亡率与所接受治疗水平之间的混杂关系，强化学习偏向于反对激进干预。我们利用子空间学习缓解该偏差，并开发了可跨医疗应用产生更准确学习策略的方法论。