Post-Acute COVID-19 Heart Failure中最优反事实生成的混合枚举框架
机器学习
2025-10-22 v1
摘要
反事实推断提供了推理不同干预情境下假设性结果的数学框架，桥接了因果推理与预测建模。我们提出一种针对个体化风险估计和干预分析的反事实推断框架，通过应用于新冠后期综合征（PASC）患者（尤其是已有心力衰竱患者）的临床应用来进行示范。利用来自大型医疗系统队列的人群数据，我们将正则化预测建模与反事实搜索相结合，以识别PASC相关心力衰竱住院的可操作路径。该框架将精确枚举与优化方法相结合，包括最近实例反事实解释（NICE）和多目标反事实（MOC）算法，以高效地探索高维干预空间。应用于超过2700名确认感染SARS-CoV-2且有既往心力衰竱史的个体后，模型实现了卓越的判别性能（AUROC：0.88，95%置信区间：0.84-0.91），并生成可解释、针对个体的反事实，量化了如何通过修改合并症模式或治疗因素来改变预测结果。本工作表明，反事实推理可被形式化为预测函数上的优化问题，为复杂医疗系统中的个体化推断提供一种严谨、可解释且计算高效的方法。
引用
@article{arxiv.2510.18841,
title = {A Hybrid Enumeration Framework for Optimal Counterfactual Generation in Post-Acute COVID-19 Heart Failure},
author = {Jingya Cheng and Alaleh Azhir and Jiazi Tian and Hossein Estiri},
journal= {arXiv preprint arXiv:2510.18841},
year = {2025}
}