脓毒症是导致死亡的主要原因之一，但最佳治疗方案仍存在争议。现有的强化学习（RL）方法学习固定的脓毒症治疗策略，限制了在推理过程中的适应性。我们提出了EHR-MPC框架，该框架将患者动态学习与治疗优化解耦，通过训练生成电子健康记录（EHR）模型形成患者数字双胞胎。
数字双胞胎能够在干预下预测临床轨迹，并通过推理时间规划优化治疗。
我们在Mass General Brigham健康系统的8家医院的多中心ICU脓毒症队列上评估了EHR-MPC，采用了离线重要性采样和基于模拟的在线评估。与RL基线相比，EHR-MPC在离线性能上表现相当，而在模拟性能上有所提升。
与RL不同，这项工作将脓毒症治疗优化框架设定为对学习患者动态的推理时间控制，为使用生成临床模型的决策制定建立了通用框架。
博主点评： EHR-MPC的提出为脓毒症治疗带来了新的思路，通过生成模型实现了治疗方案的动态优化，克服了传统RL方法的局限性。这种基于推理时间的控制策略不仅提高了临床适应性，也为未来的医疗决策提供了更为灵活的解决方案。该框架的成功应用将为临床实践提供重要参考。