脓毒症治疗的强化序列决策：结合死亡率分类器与 Transformer 的 POSNEGDM 框架
机器学习
2024-03-13 v1 人工智能
计算机与社会
摘要
脓毒症是一种由机体对感染的过度反应引发的危及生命的状况，需要紧急干预以防止严重并发症。现有的脓毒症管理机器学习方法在离线场景中表现挣扎，生存率低于 50% 且性能次优。本文介绍了 POSNEGDM——“用于序列决策的正负示范强化学习”框架，该框架利用创新的基于 Transformer 的模型和反馈增强器，在考虑个体患者特征的同时复现专家行为。一个准确率达 96.7% 的死亡率分类器指导治疗决策朝向积极结果。POSNEGDM 框架显著提高了患者生存率，挽救了 97.39% 的患者，优于既定的机器学习算法（Decision Transformer 和 Behavioral Cloning，其生存率分别为 33.4% 和 43.5%）。此外，消融研究强调了基于 Transformer 的决策器和死亡率分类器的整合在提高整体生存率方面的关键作用。总之，我们提出的方法为改善脓毒症治疗结果提供了一条有希望的途径，有助于改善患者护理并降低医疗成本。
引用
@article{arxiv.2403.07309,
title = {Reinforced Sequential Decision-Making for Sepsis Treatment: The POSNEGDM Framework with Mortality Classifier and Transformer},
author = {Dipesh Tamboli and Jiayu Chen and Kiran Pranesh Jotheeswaran and Denny Yu and Vaneet Aggarwal},
journal= {arXiv preprint arXiv:2403.07309},
year = {2024}
}
备注
Accepted to IEEE Journal of Biomedical and Health Informatics, Mar 2024