用于 COVID-19 临床数据分析与解释的因果学习框架
机器学习
2022-10-12 v1
摘要
我们提出了一种依赖贝叶斯结构学习（BSL）的临床数据分析工作流；BSL 是一种无监督学习方法，对噪声与偏差具有稳健性，可将先验医学知识纳入学习过程，并以展示所分析特征间因果连接的图形式提供可解释结果。该工作流为一种多步骤方法：通过 BSL 识别患者结局的主要成因，进而基于二叉决策树（BDT）构建适用于临床实践的工具有，以在入院时即可获知的信息识别高危患者。我们在一个特征丰富的 COVID-19 数据集上评估了该方法，表明所提框架提供了共同促成结局的多因子过程的概览图示。我们讨论了这些计算发现如何被当前对 COVID-19 发病机理的认识所证实。此外，我们的方法产生了一个高度可解释的工具有，仅基于 3 个特征——年龄、既往慢性阻塞性肺疾病史以及到达医院时的 PaO2/FiO2 比值——即可正确预测 85% 受试者的结局。纳入 4 项常规血液检测（肌酐、葡萄糖、pO2 与钠）的附加信息将预测准确率提升至 94.5%。
引用
@article{arxiv.2105.06998,
title = {A causal learning framework for the analysis and interpretation of COVID-19 clinical data},
author = {Elisa Ferrari and Luna Gargani and Greta Barbieri and Lorenzo Ghiadoni and Francesco Faita and Davide Bacciu},
journal= {arXiv preprint arXiv:2105.06998},
year = {2022}
}