使用电子健康记录进行个性化诊断决策途径的深度强化学习:对贫血和系统性红斑狼的比较研究

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 临床决策支持 临床决策支持

背景情况:

• 临床诊断依赖于专家撰写的指导方针,这些指导方针对不常见的疾病和快速发展的医疗实践有局限性.
• 现有的指导方针很难适应新出现的疾病和新医疗程序的动态性.
• 准则的静态性质使得它们在个性化的患者护理中效果不佳.

研究的目的:

• 用深度强化学习 (DRL) 来制定临床诊断作为一个连续的决策问题.
• 开发和评估DRL算法,从电子健康记录 (EHR) 中生成最佳的诊断决策路径.
• 为了评估DRL方法的稳定性,与杂和不完整的EHR数据相对应.

主要方法:

• 制定诊断作为一个连续的决策问题.
• 应用深度强化学习 (DRL) 算法到合成的EHR数据.
• 开发了用于贫血和系统性红斑狼 (SLE) 诊断的用例.
• 评估了DRL的性能和稳定性,但数据不完善.

主要成果:

• DRL算法显示了与传统分类器相比具有竞争力的性能,即使有噪音和缺失的EHR数据.
• DRL方法为建议的诊断产生了渐进的,可解释的途径.
• 产生的途径为临床决策过程提供了指导和透明度.

结论:

• 深度强化学习 (DRL) 能够创建个性化的诊断决策路径.
• DRL方法提供了可解释的,逐步的诊断指南.
• 基于DRL的方法实现的性能与临床诊断中最先进的技术相美.