Learning optimal treatment strategies for intraoperative hypotension using deep reinforcement learning
Created by
Haebom
저자
Esra Adiyeke, Tianqi Liu, Venkata Sai Dheeraj Naganaboina, Han Li, Tyler J. Loftus, Yuanfang Ren, Benjamin Shickel, Matthew M. Ruppert, Karandeep Singh, Ruogu Fang, Parisa Rashidi, Azra Bihorac, Tezcan Ozrazgat-Baslanti
개요
본 논문은 수술 중 저혈압으로 인한 신장 손상(AKI)을 예방하기 위해 강화 학습(RL) 모델을 개발하고 평가한 연구이다. 42,547명의 성인 환자 50,021건의 주요 수술 데이터를 사용하여, 수술 중 정맥 수액 및 혈관 수축제의 최적 용량을 추천하는 심층 Q 네트워크 기반 RL 모델을 개발하였다. 모델은 16개의 변수(수술 중 생리학적 시계열 데이터, 정맥 수액 및 혈관 수축제 총량 등)를 사용하여 15분 단위로 학습되었다. 모델은 의사의 결정을 69% 정도 재현하였으며, AKI 발생률은 모델의 결정과 일치하는 약물 용량을 투여받은 환자에서 가장 낮았다. 결과적으로, 본 모델은 수술 중 저혈압으로 인한 AKI 및 기타 부작용을 줄일 가능성을 시사한다.
시사점, 한계점
•
시사점:
◦
강화학습 기반 모델을 이용하여 수술 중 저혈압 관리 및 AKI 예방에 도움을 줄 수 있음을 보여줌.
◦
모델의 결정에 따른 약물 투여 시 AKI 발생률 감소 가능성 제시.
◦
데이터 기반 의사결정 지원 시스템의 수술 환경 적용 가능성을 확인.
•
한계점:
◦
후향적 연구 설계로 인한 인과관계의 제한.
◦
모델의 일반화 성능에 대한 추가 검증 필요.
◦
모델의 임상 적용을 위한 추가적인 연구 및 검증이 필요.
◦
모델의 정확도가 완벽하지 않으며, 의사 결정의 일부만을 재현함. (혈관 수축제 69%, 수액 41%)
