抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
集中治療室(ICU)への移行は,ICUに直接入院した患者よりも高い死亡率の傾向がある。患者の悪化を予測する機械学習における最近の進歩は,病棟からICUへのプロアクティブな移転の可能性を紹介した。本研究では,全体の患者ケアを改善するために最適化するとき,データ制限による統計的推定における不確実性を説明する発見者移動政策の問題を研究した。患者健康の進化を捉えるMarkov決定プロセスモデルを提案し,その状態が患者の重症度の尺度を表す。かなり一般的な仮定の下で,著者らは,最適転送政策が閾値構造,すなわち,ICU(利用可能な容量の対象)に特定の重症度レベル以上のすべての患者を転送することを示している。モデルパラメータは,実世界データからの統計的推定に基づいて典型的に決定されるので,それらは本質的に誤仕様と推定誤差を受ける。モデルパラメータの全ての妥当な値にわたって最悪ケース報酬を最適化するロバストなポリシーを導出することにより,このパラメータの不確実性を説明した。また,ロバストポリシーは,かなり一般的な仮定の下で閾値構造を持つことを示した。さらに,それは,パラメータの不確実性を考慮していない最適名目政策よりも,移動患者でより攻撃的である。21のKNPC病院における入院のデータセットを用いた計算実験を提示し,パラメータの小さな変化に対する様々な病院計量(死亡率,長さ,平均ICU占有率)の感度の経験的証拠を示した。本研究は,強い経験的性能および理論的保証を持つ先験的ICU移動のための簡単な政策を導くためのパラメータ不確実性の影響への有用な洞察を提供する。【JST・京大機械翻訳】