Optimal Control of Mechanical Ventilators with Learned Respiratory Dynamics

要約

適切な人工呼吸器管理戦略の決定は、呼吸器疾患患者の健康転帰に大きな影響を与えます。
急性呼吸窮迫症候群 (ARDS) は、効果的に治療するために慎重な人工呼吸器の操作を必要とする疾患の 1 つです。
この研究では、マルコフ意思決定プロセスのフレームワークを使用して、ARDS 患者の人工呼吸器の管理を一連の意思決定の問題として組み立てます。
私たちは、ARDSnet プロトコルに含まれる臨床ガイドライン、最適制御理論、およびニューラル ネットワークとして表現される学習された潜在ダイナミクスに基づいてコントローラーを実装および比較します。
Pulse Physiology Engine の呼吸ダイナミクス シミュレーターは、再現可能なベンチマークを確立し、シミュレートされたデータを収集し、これらのコントローラーを定量的に比較するために使用されます。
私たちは、確立されたARDS健康マーカー（呼吸数、酸素化、バイタルサインの改善に関連する）の​​測定された改善という観点からパフォーマンスをスコアリングします。
私たちの結果は、ニューラルネットワークと最適制御を活用する技術により、明示的な人工呼吸器管理手順やガイドライン（ARDSnet プロトコルで定義されているものなど）にアクセスしなくても、効果的な換気管理戦略を自動的に発見できることを示しています。

要約(オリジナル)

Deciding on appropriate mechanical ventilator management strategies significantly impacts the health outcomes for patients with respiratory diseases. Acute Respiratory Distress Syndrome (ARDS) is one such disease that requires careful ventilator operation to be effectively treated. In this work, we frame the management of ventilators for patients with ARDS as a sequential decision making problem using the Markov decision process framework. We implement and compare controllers based on clinical guidelines contained in the ARDSnet protocol, optimal control theory, and learned latent dynamics represented as neural networks. The Pulse Physiology Engine’s respiratory dynamics simulator is used to establish a repeatable benchmark, gather simulated data, and quantitatively compare these controllers. We score performance in terms of measured improvement in established ARDS health markers (pertaining to improved respiratory rate, oxygenation, and vital signs). Our results demonstrate that techniques leveraging neural networks and optimal control can automatically discover effective ventilation management strategies without access to explicit ventilator management procedures or guidelines (such as those defined in the ARDSnet protocol).

arxiv情報

提供元, 利用サービス

arxiv.jp, Google