深度Q學習用於尋找最佳拔管時機;Deep Q Learning for Weaning Mechanical Ventilation in Intensive Care Units

NCU Institutional Repository > 生醫理工學院 > 生物醫學工程研究所 > 博碩士論文 > Item 987654321/89287

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/89287

题名:	深度Q學習用於尋找最佳拔管時機;Deep Q Learning for Weaning Mechanical Ventilation in Intensive Care Units
作者:	簡筠軒;Chien, Yun-Hsuan
贡献者:	生醫科學與工程學系
关键词:	機器學習;深度強化學習;深度Q網路;呼吸器;拔管時機;machine learning;deep reinforcement learning;deep Q network;DQN;mechanical ventilation;extubation
日期:	2022-07-11
上传时间:	2022-10-04 11:08:59 (UTC+8)
出版者:	國立中央大學
摘要:	本文希望透過深度強化學習演算法來評估最佳的拔管時機，呼吸器是重症監護病房中相當常用的輔助手段，同時伴隨不同鎮靜及鎮痛藥物的使用以緩解病患的痛苦，過去這項醫療決策的判斷大多依靠醫生的經驗，並沒有明確的量化準則。根據醫生的專業能力以及病患的身體條件（年齡、體重）的不同，醫療決策會有不同程度的變化，由於人為的判斷時常受到主觀意識的影響，引進人工智慧的輔助能更加客觀。在Medical Information Mart for Intensive Care (MIMIC)-III 資料庫演示版本 (v1.4)中，我們篩選出使用呼吸器的病患，將他們的用藥記錄以及不同時刻的生理數據進行整理，並將這些資料輸入我們所建立的深度Q學習神經網路 (deep Q network, DQN) 供機器學習，並調整模型中的各項超參數 (hyperparameter) 以得到最佳的訓練效果。經過不斷的學習，機器習得了可以判斷最佳拔管時機的策略後，接著再利用離線策略評估 (off-policy evaluation) 的方式來評估機器所採取的策略是否優於臨床醫生的判斷。 ;In this research, we want to use deep reinforcement learning algorithms to evaluate the best extubation timing. Ventilators are a common intervention in intensive care units. At the same time, different sedative and analgesic drugs are used to relieve the pain of patients. In the past, this medical treatment decision-making mostly relied on the doctors’ experience, and there was no clear quantitative criterion. According to the professional abilities of the doctors and the physical conditions of the patients, such as age and weight, the medical decision-making varies. To avoid subjective consciousness, the assistance of introducing artificial intelligence will be more objective. In the Medical Information Mart for Intensive Care (MIMIC)-III database demo (v1.4), we screen out patients using mechanical ventilators, organize their medication records and physiological data at different hours. We use this data as input to train DQN and tune the hyperparameters in the model to achieve a better training result. After the machine has learned the best extubation timing, we use off-policy evaluation to determine whether the machine can take better strategies that exceed clinicians.
显示于类别:	[生物醫學工程研究所 ] 博碩士論文

文件中的档案:

档案	描述	大小	格式	浏览次数
index.html		0Kb	HTML	69	检视/开启

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing

数据加载中.....