基于贝叶斯神经网络和模型预测控制的症状驱动个性化质子泵抑制剂疗法
系统与控制
2025-07-15 v1 机器学习
系统与控制
摘要
质子泵抑制剂(PPI)是胃酸障碍的标准疗法，但在长期高剂量给药时会带来显著风险。对胃酸的精确长期控制面临两个挑战：超出72小时的侵入性胃酸监测不可行，以及患者间差异很大。我们提出了一种非侵入、基于症状的框架，仅依据患者报告的反流和消化症状模式来调整PPI剂量。贝叶斯神经网络预测模型从历史症状评分、餐食和PPI摄取数据中学习预测患者症状，并量化其不确定性。这些概率性预测输入到机会约束模型预测控制(MPC)算法中，后者动态计算未来PPI剂量，以最小化药物使用量同时以高置信度维持酸抑制——无需直接测量酸浓度。在不同饮食计划和虚拟患者轮廓的内在研究中显示，我们的学习增强型MPC相较于标准固定方案降低了总PPI消耗量约65%，同时以至少95%的置信度维持酸抑制。该方法为个性化PPI疗法提供了实用路径，最大程度减少治疗负担和过量风险，无需侵入式传感器。
引用
@article{arxiv.2507.09685,
title = {Symptom-Driven Personalized Proton Pump Inhibitors Therapy Using Bayesian Neural Networks and Model Predictive Control},
author = {Yutong Li and Ilya Kolmanovsky},
journal= {arXiv preprint arXiv:2507.09685},
year = {2025}
}
备注
6 pages, 5 figures