因果图辅助的观察性动脉瘤性蛛网膜下腔出血研究中的因果发现
统计方法学
2024-08-14 v1 机器学习
摘要
针对观察数据的因果推断方法日益被视为随机临床试验（RCT）的宝贵补充。在强假设下，这些方法可以模拟 RCT 或帮助细化其重点。我们的因果推断方法基于因果有向无环图（DAG）。我们关注的问题是，医学中的许多观察性研究在开始时缺乏明确的目标定义、对其潜在价值认识不足，也缺乏识别必要中途调整的工具。我们提出并展示了在研究中提供“中途洞察”的方法，识别研究范围内有意义的因果问题，并指出解决这些问题所需的数据基础增强。该方法依赖于识别性和正性概念。我们通过分析动脉瘤性蛛网膜下腔出血（aSAH）患者研究中途生成的数据来说明这些概念，特别关注脑室外引流（EVD）在 aSAH 人群分层中的后果。此外，我们提出了一种多中心研究方法，利用工具变量（IV）推断原理，监测单个中心实践变化的影响。
引用
@article{arxiv.2408.06464,
title = {Causal Graph Aided Causal Discovery in an Observational Aneurysmal Subarachnoid Hemorrhage Study},
author = {Carlo Berzuini and Davide Luciani and Hiren C. Patel},
journal= {arXiv preprint arXiv:2408.06464},
year = {2024}
}
备注
30 pages in 13pt font. 4 TIKZ figures. 9 PDF figures