支持假设干预下预测因果方法的范围综述
统计方法学
2021-01-25 v2 应用统计
机器学习
摘要
背景与目的：通常开发预测模型的方法意味着参数和预测都不应被因果地解释。然而，当预测模型用于支持决策时，往往需要在假设干预下预测结局。我们旨在识别已发表的用于开发和验证预测模型的方法，这些方法利用因果推断实现假设干预下结局风险估计：其主要方法学路径、基本假设、目标估计量、使用该方法的潜在陷阱与挑战，以及未解决的方法学挑战。方法：我们系统综述了截至 2019 年 12 月发表的文献，考虑健康领域中运用因果考量使预测模型可用于假设干预下预测的论文。结果：我们通过数据库检索识别出 4919 篇论文，通过手工检索另获 115 篇，其中 13 篇被选入，来自统计学与机器学习文献。大多数从观测数据做因果推断的已识别方法基于边际结构模型与 g 估计。结论：存在两类宽泛的方法学路径使临床预测模型支持假设干预下预测：1）用来自临床试验和荟萃分析的估计因果效应丰富从观测研究导出的预测模型；2）直接从观测数据估计预测模型与因果效应。这些方法需扩展至动态治疗体制，并考虑多重干预以落地临床决策支持系统。验证“因果预测模型”的技术仍处在起步阶段。
引用
@article{arxiv.2011.09815,
title = {A scoping review of causal methods enabling predictions under hypothetical interventions},
author = {Lijing Lin and Matthew Sperrin and David A. Jenkins and Glen P. Martin and Niels Peek},
journal= {arXiv preprint arXiv:2011.09815},
year = {2021}
}