基于学习呼吸动力学的机械呼吸机最优控制

决定合适的机械呼吸机管理策略对呼吸系统疾病患者的健康结果有显著影响。急性呼吸窘迫综合征（ARDS）就是这样一种需要谨慎操作呼吸机才能有效治疗的疾病。在这项工作中，我们使用马尔可夫决策过程框架，将ARDS患者的呼吸机管理构建为一个序贯决策问题。我们实现并比较了基于ARDSnet协议中包含的临床指南、最优控制理论以及表示为神经网络的潜在动力学模型的控制器。使用Pulse Physiology Engine的呼吸动力学模拟器建立可重复的基准，收集模拟数据，并定量比较这些控制器。我们根据已建立的ARDS健康指标（涉及呼吸频率、氧合和生命体征的改善）的测量改进来评估性能。我们的结果表明，利用和最优控制的技术可以自动发现有效的呼吸机管理策略，而无需访问显式的呼吸机管理程序或指南（例如ARDSnet协议中定义的那些）。