用于主动性 ICU 转科的鲁棒策略
机器学习
2021-01-26 v2 系统与控制
系统与控制
机器学习
摘要
非计划转入重症监护室（ICU）的患者比直接收入 ICU 的患者有更高的死亡率。近期机器学习在患者恶化预测上的进展，引入了从普通病房向 ICU 进行\emph{主动性转科}的可能性。本工作中，我们研究寻找\emph{鲁棒}患者转科策略的问题，该策略在优化以改善整体患者照护时，考虑了因数据局限导致的统计估计不确定性。我们提出一个马尔可夫决策过程模型来刻画患者健康演化，其中状态表示患者严重程度测度。在相当一般的假设下，我们证明最优转科策略具有阈值结构，即它将所有严重程度超过某一水平的患者转入 ICU（受可用容量限制）。由于模型参数通常基于真实世界数据的统计估计确定，其 inherently 易受错误设定与估计误差影响。我们通过推导一种鲁棒策略来考量该参数不确定性，该策略在所有合理参数值上优化最坏情形奖励。我们证明在相当一般的假设下鲁棒策略同样具有阈值结构。此外，相比未考虑参数不确定性的最优名义策略，它转科更为积极。我们利用 21 家 KNPC 医院住院数据集开展计算实验，并给出各医院指标（死亡率、住院时长、平均 ICU 占用率）对参数微小变化的敏感性经验证据。我们的工作为参数不确定性在推导具强经验表现与理论保证的简明的主动性 ICU 转科策略上的影响，提供了有益见解。
引用
@article{arxiv.2002.06247,
title = {Robust Policies For Proactive ICU Transfers},
author = {Julien Grand-Clement and Carri W. Chan and Vineet Goyal and Gabriel Escobar},
journal= {arXiv preprint arXiv:2002.06247},
year = {2021}
}