Tailored to Fit Sepsis Individuals: Medical Knowledge Aware Reinforcement Learning Model Offers Optimized Therapeutic Strategies
Notice bibliographique
Résumé
Sepsis is a life-threatening syndrome, with high morbidity and mortality. Timely treatments and precise interventions are crucial for improving sepsis patient outcomes. Reinforcement learning (RL) models have made promising advances in associating sepsis treatments. However, existing models face obstacles when applied to heterogeneous sepsis patients with an imbalanced distribution of disease severity, struggling to maintain optimal performance. To provide optimal therapeutic intervention strategies for sepsis with different disease severity, we proposed a novel treatment recommendation model named Medical ontology knowledge and disease diagnosis Position aware Transfer learning - Double Dueling Deep Q Network (MPT-D3QN). Through the attention mechanism, medical ontology knowledge and disease diagnosis positions were introduced to achieve a more accurate representation of patient states. Subsequently, an offline deep reinforcement learning algorithm was used to recommend therapeutic intervention strategies for a specific patient population. The transfer learning framework was responsible for the information transfer across patient groups in different domains. We trained and tested MPT-D3QN model on the Multi-Parameter Intelligent Monitoring in Intensive Care III (MIMIC-III) dataset. Compared with the reported strategies in present clinical practice, the MPT-D3QN model could obtain a higher expected return value (12.98 vs. 10.61) and reduce the estimated mortality from 13.20% to 6.15% in all test datasets. Moreover, the experimental test on an external dataset eICU Collaborative Research Database (eICU) further demonstrated the robust generalization capability of the model. Compared with the state-of-the-art models, the proposed model not only guaranteed higher expected returns but also generated optimal and interpretable treatment strategies for sepsis with different disease severity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».