医学与健康政策中的因果推断综述

数据科学任务可被视为理解数据或检验关于数据的假设。从数据推断出的结论可极大地指导我们做出明智决策。大数据使我们能够结合机器学习开展无数预测任务，例如识别患有某种疾病的高风险患者并采取可预防的措施。然而，医疗从业者不满足于单纯的预测——他们还关注输入特征与临床结果之间的因果关联。理解此类关系将有助于医生有效治疗患者并降低风险。因果性通常通过随机对照试验来识别。当此类试验不可行时，科学家和研究者常转向观察性研究并尝试进行推断。然而，观察性研究也可能受选择偏差和/或混杂偏差影响，从而导致错误的因果结论。在本章中，我们将试图强调传统机器学习和统计方法在分析观察性数据（尤其是医疗数据分析领域）时可能出现的一些缺陷。我们将讨论因果推断以及从医疗领域观察性研究中发现因果关系的方法。此外，我们将展示因果推断在解决一些常见机器学习问题（如缺失数据和模型可迁移性）中的应用。最后，我们将讨论将强化学习与因果性相结合的以抵消混杂偏差的可能性。