通过解耦潜在表示辅助稀缺可用治疗方式的临床决策
机器学习
2023-07-10 v1 人工智能
摘要
体外膜肺氧合（ECMO）是对常规治疗无效的 COVID-19 患者的一种重要生命支持方式。然而，恰当的治疗决策一直存在重大争议，关于谁受益于这一稀缺且技术复杂的治疗选择仍无定论。为辅助临床决策，迫切需要对治疗需求以及潜在的治疗与未治疗反应进行预测。针对这一临床挑战，我们提出治疗变分自编码器（TVAE），一种用于个体化治疗分析的新方法。TVAE 专门设计用于应对诸如 ECMO 这类具有强治疗选择偏倚和治疗病例稀缺的建模难题。TVAE 将治疗决策概念化为一个多尺度问题。我们将患者的潜在治疗分配以及事实与反事实结果建模为其内在特征的一部分，这些特征可由深度潜变量模型表示。事实与反事实预测误差通过重构正则化方案结合半监督得以缓解，而治疗选择偏倚与病例稀缺则通过解耦且分布匹配的潜在空间以及标签平衡生成策略得到减轻。我们在两个真实世界 COVID-19 数据集上评估 TVAE：一个来自 63 个国家 1651 家医院的国际数据集，以及一个来自 15 家医院的机构数据集。结果表明，在异质 COVID-19 数据集上预测倾向得分与事实结果方面，TVAE 优于最先进的治疗效应模型。额外实验也显示，在合成 IHDP 基准数据集的个体治疗效应估计上，TVAE 优于现有最佳模型。
引用
@article{arxiv.2307.03315,
title = {Assisting Clinical Decisions for Scarcely Available Treatment via Disentangled Latent Representation},
author = {Bing Xue and Ahmed Sameh Said and Ziqi Xu and Hanyang Liu and Neel Shah and Hanqing Yang and Philip Payne and Chenyang Lu},
journal= {arXiv preprint arXiv:2307.03315},
year = {2023}
}