面向健康时间序列的带阶段变量因果发现
人工智能
2023-05-08 v1 统计方法学
摘要
在无法进行随机实验（如医疗健康领域）时，利用观测数据学习因果关系至关重要。当疾病进程中关系发生变化时（例如早期最有效或针对重症个体的药物），在时间序列健康数据中发现因果关系更具挑战性。妊娠周数、疾病分期或 HbA1c 等生物标志物等阶段变量，会影响哪些因果关系对患者成立。然而，由于数据量有限，往往无法在每个阶段内分别进行因果推断，而合并所有数据则面临推断错误或遗漏的风险。为此，我们提出带阶段变量的因果发现（Causal Discovery with Stage Variables, CDSV），其利用阶段变量对多个时间序列的数据进行重加权，同时考虑各阶段中不同的因果关系。在模拟数据中，与基线方法相比，CDSV 以更少的错误发现发现了更多成因；在 eICU 中其错误发现率（FDR）低于基线；在 MIMIC-III 中其发现了更多与临床相关的高血压成因。
引用
@article{arxiv.2305.03662,
title = {Causal Discovery with Stage Variables for Health Time Series},
author = {Bharat Srikishan and Samantha Kleinberg},
journal= {arXiv preprint arXiv:2305.03662},
year = {2023}
}