Machine learning techniques to enable closed-loop control in anesthesia-笔记

1介绍

英国ULB Erasme医院的麻醉组已经研发并使用TOOLBOX软件工具很多年了，这个软件在小型手术中被使用，监视患者的状态并充当多个静脉药物输注的伺服控制器。在操作前和操作过程中，TOOLBOX存储了大量的统计数据和监控数据
信号包括：（i）关于医生、患者及其一般状态的一般信息，（ii）关于手术类型的信息，（iii）患者血压参数和生理参数（如BIS）bispectral index (BIS)的变化，（iv）麻醉师选择的药物后血液中药物浓度的变化
在麻醉手术中，我们通过观察脑电双频指数来确定异丙酚（催眠药）的用量

BIS指数代表从100到0的标准化范围内的脑电图信号，其中100代表“清醒”状态，0代表完全催眠状态。

在我们的控制器中，控制动作以当前异丙酚水平的变化表示，并根据当前BIS、所需BIS目标、瑞芬太尼（镇痛）水平和一些患者个人数据（如年龄和体重）计算。瑞芬太尼之所以被考虑，是因为它对异丙酚和BIS指数之间的相互作用具有已知的影响

我们的逆/正控制器依赖于机器学习模型，该模型返回BIS指数下一个值的预测值，作为异丙酚水平修改的函数。
本文的结构如下：第2节介绍了反向/正向策略。第3节介绍了学习两个控制器的预测模型所采用的学习方法。第4节介绍并讨论了在数据驱动的环境中对拟议方法的评估模拟框架。最后一部分是结论和有待进一步研究的问题。

2 正向反向传播

我们控制架构的目标是调整异丙酚药物的浓度，以使患者（受控系统）的BIS达到所需水平。