强化学习在麻醉学医疗决策中的应用前景

目前医疗和公共卫生系统已经进入大数据时代，越来越多的大型数据集被用于生成算法，以指导患者医疗、护理的质量改进和公共卫生监测 [ 1, 2] 。我国每年实施5 000万例手术，优化围术期麻醉管理对减少术后并发症及提高生存率有重要意义。尽管利用深度学习等监督学习算法可以对围术期严重不良事件进行预警 [ 3, 4, 5, 6] ，但手术患者个体差异大，病情变化快且复杂，若诊断不明确以及治疗效果不确切，难以指导外科/麻醉医生持续准确做出优化的个体化麻醉医疗决策，亟需新的算法研究。目前外科学专家们开始高度关注强化学习(RL)在围术期医疗决策中的应用 [ 1, 7] 。RL的特性使其在围术期大量动态、高维、复杂、罕见分布的时序数据分析上具备显著优势，可形成更高级别的循证医学证据指导围术期医疗决策，具备显著的应用前景 [ 1, 2, 7, 8, 9] 。