以深度强化学习统一心血管建模以实现脓毒症治疗的不确定性感知控制
机器学习
2022-02-21 v3 人工智能
定量方法
摘要
脓毒症是对感染或严重组织损伤的潜在危及生命性的炎症反应。其临床进程高度多变，需要持续监测患者状态以指导静脉输液和血管加压药等干预的管理。尽管经过数十年的研究，专家对最优治疗仍存在争议。在此，我们首次将分布深度强化学习（distributional deep reinforcement learning）与机制生理模型结合，以寻找个性化脓毒症治疗策略。我们的方法通过利用已知心血管生理学处理部分可观测性，引入了一种新颖的生理学驱动循环自编码器，并量化了其自身结果的不确定性。此外，我们提出了一个人在回路中、不确定性感知的决策支持框架。我们表明，我们的方法学到了与临床知识一致、生理学上可解释且鲁棒的策略。进一步，我们的方法持续识别出导致死亡的高风险状态，这些状态可能受益于更频繁的血管加压药给药，为未来研究提供有价值的指导。
引用
@article{arxiv.2101.08477,
title = {Unifying Cardiovascular Modelling with Deep Reinforcement Learning for Uncertainty Aware Control of Sepsis Treatment},
author = {Thesath Nanayakkara and Gilles Clermont and Christopher James Langmead and David Swigon},
journal= {arXiv preprint arXiv:2101.08477},
year = {2022}
}