Sepsis management in icu using explainable reinforcement learning
Açıklanabılır pekıştirmeli öğrenme ile yoğun bakımda sepsıs yönetımi
- Tez No: 1005727
- Danışmanlar: DOÇ. DR. RÜŞTÜ MURAT DEMİRER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Pekiştirmeli öğrenme, Sepsis, Yapay zeka, Reinforcement learning, Sepsis, Artificial intelligence
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sepsis, küresel ölümlerin yaklaşık üçte birini oluşturarak yoğun bakım ünitelerinde temel ölüm nedeni olmaya devam etmektedir. Hastaların heterojen yapısı nedeniyle geleneksel reaktif protokoller genellikle yetersiz kalmakta, mevcut yapay zeka çözümleri ise klinik güven için gereken şeffaflıktan yoksun görünmektedir. Bu çalışma; dinamik ve yorumlanabilir tedavi stratejileri sunmak amacıyla Muhafazakar Q-Öğrenme (CQL) ile Çift Derin Q-Ağı (DDQN) mimarisini entegre eden özgün bir Açıklanabilir Takviyeli Öğrenme (XRL) çerçevesi geliştirmektedir. 14.383 kabul ve 1,6 milyondan fazla geçiş verisi içeren MIMIC-III v1.4 veri tabanı kullanılarak; Laktat, Kreatinin ve MAP gibi temel biyometrilere odaklanan 11 parametreli bir durum uzayı oluşturulmuştur.“Önce güvenlik”yaklaşımını benimseyen model, çevrimdışı öğrenme risklerini azaltmak için CQL kullanmış, aksiyon uzayı 2x2'lik bir yapıda optimize etmiştir. Geliştirilen XRL ajanı, sıvı yüklenmesini önlemek amacıyla otonom olarak kısıtlayıcı bir sıvı yönetimi stratejisine öncelik vermiştir. Uygulayıcıların model önerisinden önemli ölçüde daha fazla sıvı verdiği vakalarda, ölüm oranlarının %16'dan %32'ye çıkarak iki katına ulaştığı gözlemlenmiştir. Kısıtlayıcı resüsitasyon konusundaki araştırmalarla örtüşen bu XRL çerçevesi, kritik bir düzeltici sistemdir. Ölümcül olabilecek aşırı sıvı yüklemesi uygulamalarını tespit edip önleyebilen güvenilir bir klinik karar destek aracı sunmaktadır.
Özet (Çeviri)
Sepsis is a leading cause of ICU mortality, accounting for nearly one-third of global deaths. Due to patient heterogeneity, traditional reactive protocols often fail, and many AI solutions lack the transparency needed for clinical trust. This research develops a novel Explainable Reinforcement Learning (XRL) framework, integrating Conservative Q-Learning (CQL) with a Double Deep Q-Network (DDQN) to provide dynamic, interpretable treatment strategies. Using the MIMIC-III v1.4 database—encompassing 14,383 admissions and over 1.6 million transition tuples—the study constructed an 11-parameter state space focusing on key biometrics like Lactate, Creatinine, and MAP. To ensure a“safety-first”approach, the CQL framework was employed to mitigate offline learning risks, while the action space was optimized to a 2x2 structure to maintain policy stability against data sparsity. The XRL agent independently prioritized a restrictive fluid management strategy to prevent fluid overload. Statistical analysis highlights the clinical impact: in cases where practitioners administered significantly more fluids than the model recommended, mortality rates doubled, rising from 16% to 32% By aligning with the emerging medical consensus on restrictive resuscitation, this XRL framework serves as a vital corrective system. It offers a reliable clinical decision support tool capable of identifying and preventing potentially lethal over-resuscitation in high-stakes environments.
Benzer Tezler
- Acil serviste sepsis/septik şok hastalarında periferik perfüzyon ölçümüne dayalı hasta yönetimi ile standart hasta yönetiminin karşılaştırılması
Comparison of patient management based on peripheral perfusion measurement and standard patient management in sepsis/septic shock patients in the emergency department: A prospective randomized study
FERHAT YILMAZ
- Şok indeksleri sepsis/septik şokta prognostik gösterge olabilir mi?
Can shock indices be prognostic indicators in sepsis/septic shock?
ÖMER SUAT GÖZEL
Tıpta Uzmanlık
Türkçe
2024
Sağlık Bilimleri ÜniversitesiAnesteziyoloji ve Reanimasyon Ana Bilim Dalı
Yükleniyor...
- Sepsis etyolojileri ve mortalite, kritik hastalarda farklı patojenlerin klinik özellikleri ve prognostik etkisi
The impact of different pathogens on prognosis and mortality in critically ill patients with sepsis
GÖKDENİZ CEREN ÖZENEN
Tıpta Uzmanlık
Türkçe
2025
Marmara ÜniversitesiGöğüs Hastalıkları ve Yoğun Bakım Ana Bilim Dalı
Yükleniyor...
- Acil servise başvuran sepsis düşünülen hastalarda, qSOFA, NEWS, MEWS, NEWS-l skorların mortalite, hastalığı erken tanıma ve kötü sonlanımı öngörmedeki etkilerinin karşılaştırması
Comparison of the performance of qSOFA, NEWS, MEWS, and NEWS-l scores in predicting mortality, early identification of sepsis, and adverse clinical outcomes in patients presenting to the emergency department with suspected sepsis
TUĞBA UZUN
- Sepsisli ve septik şoklu hastalarda serum supar (soluble urokınase-type plasmınogen actıvator receptor) , presepsin, ima (iskemi modifiye albumin), mr-proadm (mıd-regıonal proadrenomedullın) düzeylerinin incelenmesi
Investigation of serum supar (soluble urokinase-type plasminogen activator receptor), presepsin, ima (ischemia modified albumin), mr-proadm (mid-regional proadrenomedullin) levels in patients with sepsis and septic shock
BAYRAM ŞEN