纵向观察数据库中用于因果推断的属性
计算工程、金融与科学
2014-09-22 v1 机器学习
摘要
制药行业深受处方药服用后随时可能产生副作用问题的困扰。近期，人们 interest 于利用纵向观察数据库中可用的大量医疗数据来识别药物与医疗事件之间的因果关系。不幸的是，现有的大多数上市后监测算法衡量的是事件对药物存在的依赖性或关联性，而非因果性。在本文中，我们调查了可用于因果推断以基于 Bradford-Hill 因果准则识别副作用的潜在属性。通过考虑五个因果准则开发了潜在属性，并应用特征选择来识别最适合检测副作用的这些属性。我们发现，基于特异性准则的属性可能会改进副作用信号算法，但本文调查的实验和剂量准则属性并未提供足够的额外信息。
引用
@article{arxiv.1409.5774,
title = {Attributes for Causal Inference in Longitudinal Observational Databases},
author = {Jenna Reps and Jonathan M. Garibaldi and Uwe Aickelin and Daniele Soria and Jack E. Gibson and Richard B. Hubbard},
journal= {arXiv preprint arXiv:1409.5774},
year = {2014}
}
备注
The 26th IEEE International Symposium on Computer-Based Medical Systems, Porto, pp. 548 - 549, 2013