How Consistent are Clinicians? Evaluating the Predictability of Sepsis Disease Progression with Dynamics Models

要約

強化学習 (RL) は、集中治療室にいる敗血症患者の治療方針を作成するための有望なアプローチです。
遡及的評価指標では、これらの政策に従った場合に死亡率が減少することが示されていますが、臨床医を対象とした研究では、その推奨事項が偽りであることが多いことが示唆されています。
我々は、これらの欠点は、トレーニングデータで観察された行動と結果の多様性の欠如によるものである可能性があると提案し、臨床医の行動による敗血症の重症度変化を予測する実現可能性を調査するための実験を構築します。
予備的な結果は、アクション情報を組み込んでもモデルのパフォーマンスが大幅に向上しないことを示唆しており、臨床医のアクションが疾患の進行に対して測定可能な効果をもたらすほど十分に可変ではない可能性があることを示しています。
敗血症治療の最適化に対するこれらの発見の意味について説明します。

要約(オリジナル)

Reinforcement learning (RL) is a promising approach to generate treatment policies for sepsis patients in intensive care. While retrospective evaluation metrics show decreased mortality when these policies are followed, studies with clinicians suggest their recommendations are often spurious. We propose that these shortcomings may be due to lack of diversity in observed actions and outcomes in the training data, and we construct experiments to investigate the feasibility of predicting sepsis disease severity changes due to clinician actions. Preliminary results suggest incorporating action information does not significantly improve model performance, indicating that clinician actions may not be sufficiently variable to yield measurable effects on disease progression. We discuss the implications of these findings for optimizing sepsis treatment.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google