一种基于扩散的医学治疗多结局分布学习方法

在医学中，治疗通常会影响多个相互依赖的结局，如主要终点、并发症、不良事件或其他次要终点。因此，为了做出最佳治疗决策，临床医生希望了解多维治疗结局的分布。然而，尽管医学数据通常包含多个相互依赖的结局，但绝大多数用于预测治疗效果的机器学习方法都侧重于单结局场景。为了解决这一局限性，我们提出了一种名为 DIME 的基于扩散的新方法，用于学习医学治疗的多个结局的联合分布。我们解决了医学实践中相关的三个挑战：(i) 它专为学习多个医学结局的联合干预分布而设计，能够通过不确定性量化实现可靠的决策，而非仅仅依赖点估计；(ii) 它显式地捕获结局之间的依赖结构；(iii) 它能够处理混合类型的结局，包括二元变量、分类变量和连续变量。在 DIME 中，我们通过因果掩蔽考虑了因果推断的基本问题。在训练阶段，我们的方法通过定制的条件掩蔽将联合分布分解为一系列条件分布，以考虑结局之间的依赖结构。在推理阶段，我们的方法自回归地生成预测。这使得我们的方法能够超越对因果量的点估计，从而学习联合干预分布。据我们所知，DIME 是首个专为学习医学治疗联合多结局分布而设计的神经方法。在各种实验中，我们证明了我们的方法能够有效学习联合分布并捕获多个结局之间的共享信息。