在随时间学习预测治疗结果时考虑信息性抽样
机器学习
2023-06-08 v1 机器学习
摘要
机器学习（ML）在准确预测随时间变化的治疗结果方面具有巨大潜力，这最终可能使许多实际应用采用更具个体化的治疗策略。然而，ML 文献在该主题上很大程度上忽视了一个重大挑战，即观测数据中存在信息性抽样。当个体随时间被不规则观测时，抽样时间通常不是随机的，而是信息性的——取决于个体的特征、既往结果以及所施用的治疗。在本工作中，我们将信息性抽样形式化为协变量偏移问题，并表明若未妥善处理，它会妨碍对治疗结果的准确估计。为克服这一挑战，我们提出了一个利用逆强度加权在信息性抽样存在下学习治疗结果的通用框架，并提出了一种新方法 TESAR-CDE，该方法使用神经控制微分方程（Neural CDE）实例化此框架。基于临床用例的仿真环境，我们证明了我们的方法在信息性抽样下学习的有效性。
引用
@article{arxiv.2306.04255,
title = {Accounting For Informative Sampling When Learning to Forecast Treatment Outcomes Over Time},
author = {Toon Vanderschueren and Alicia Curth and Wouter Verbeke and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2306.04255},
year = {2023}
}
备注
To appear in the Proceedings of the 40th International Conference on Machine Learning, Honolulu, Hawaii, USA. PMLR 202, 2023