arXiv cs.AI· Jitindra Fartiyal, Pedro Freire, Sergei K. Turitsyn, Sergei G. Solovski·· 23 小时前AI 评分29
OICycle:面向纵向临床决策信念状态学习的观察、推断与干预循环
OICycle: Observe, Infer, and Intervene Cycle for Belief-State Learning in Longitudinal Clinical Decision Making
AI 导读
OICycle 从回顾性临床轨迹中直接学习随机信念状态,每轮由循环算子融合上一轮信念采样、新多模态观察与对应干预,输出高斯信念并预测临床医生的下一步干预、距下一轮时间及下一轮死亡率。
正文 · AI 翻译
摘要:临床诊疗是一个闭环:临床医生观察部分证据,推断患者状态并进行干预,而每次干预又决定了接下来观察到什么。这使得临床决策成为一个部分可观测马尔可夫决策过程(POMDP),其中必须根据不规律、多模态且不完整的记录来更新对潜在患者状态的信念。然而,大多数深度临床模型仅基于单一快照或粗略聚合的病史进行预测,而基于 POMDP 的临床方法需要人工指定的离散状态空间和转移模型,真实的电子健康记录无法提供这些。我们提出 OICycle(观察、推断与干预循环),它直接从回顾性轨迹中学习随机信念状态。在每个 episode 中,一个学习到的循环算子将先前信念的一个样本与新的多模态观察以及产生这些观察的干预相融合。由此得到的高斯信念经过训练,用于预测临床医生的下一次干预、距下一 episode 的时间以及下一 episode 的死亡率。为实现可复现的评估,我们发布了一个基于 MIMIC-IV、MIMIC-IV-Note 和 MIMIC-CXR 构建的基准,将 72,075 次住院(540 万条实验室、微生物学、放射学、处方和病历记录)组织为按时间排序的治疗—诊断 episode。与一个其他方面完全相同但无病史的模型相比,OICycle 将下一次干预的自适应召回率从 0.253 提升至 0.347,将距下一 episode 时间的宏 F1 从 0.293 提升至 0.351,并将下一 episode 死亡率的宏 F1 从 0.585 提升至 0.649。分析表明,学习到的信念编码了干预类型和轨迹位置,并在各 episode 之间平滑演化,且病史带来的收益集中在那些其顺序取决于先前发现的干预上。
| 主题: | 人工智能(cs.AI);机器学习(cs.LG) |
| 引用为: | arXiv:2611.22826 [cs.AI] |
| (或 arXiv:2611.22826v1 [cs.AI] 用于此版本) | |
| https://doi.org/10.48550/arXiv.2611.22826 由 DataCite 颁发的 arXiv DOI(待注册) |
提交历史
来自:Jitindra Fartiyal [查看邮箱]
[v1]
2026年11月17日星期二 14:09:06 UTC(19,588 KB)
来源:arXiv cs.AI · arxiv.org