用于脓毒症治疗决策的强化学习：一项范围综述

《npj Digital Medicine》：Reinforcement learning for treatment decision-making in sepsis: a scoping review

　　

摘要

本综述总结了机器学习在医学与人工智能交叉领域中，用于脓毒症临床决策的强化学习进展。纳入的72项研究均为回顾性研究，其中大部分使用了重症监护医学信息库（MIMIC）数据集（58项研究，占比80.6%），而使用私人数据集的研究相对较少（10项研究，占比13.9%）。这些研究在设计上存在很大差异，尤其是在状态表示、动作空间、奖励定义以及算法选择方面。大多数研究集中在血管加压剂和静脉输液管理上，而涉及抗生素、皮质类固醇、机械通气、肝素或血管加压素的研究则较少。尽管许多研究表明基于强化学习的策略表现优于临床医生的决策，但其评估方法的可靠性和有效性仍存疑问。未来的研究应注重以临床需求为导向来设计状态、动作和奖励机制，开发严谨且被广泛认可的评估工具，并探索更多种类的脓毒症治疗策略。最终，提升强化学习的可解释性、泛化能力及安全性，对于将其有效整合到常规临床实践中至关重要。