手术干预的因果机器学习
机器学习
2025-09-25 v1 人工智能
应用统计
统计方法学
摘要
手术决策是复杂的，需要理解患者特征、干预措施与结局之间的因果关系。在脊柱融合或脊柱侧弯矫正等高风险场景中，由于依赖难以处理复杂异质数据的传统统计方法，对个体化治疗效果（ITE）的准确估计仍然有限。在本研究中，我们开发了一个用于ITE估计的多任务元学习框架X-MultiTask，将每个手术决策（如前路vs.后路入路、手术vs.非手术）建模为独立任务，同时学习跨任务的共享表征。为增强因果有效性，我们将逆概率加权（IPW）纳入训练目标。我们在两个数据集上评估了所提方法：（1）一个公开脊柱融合数据集（1,017名患者），用于评估前路vs.后路入路对并发症严重程度的影响；（2）一个私有AIS数据集（368名患者），用于分析后路脊柱融合（PSF）vs.非手术管理对患者报告结局（PROs）的影响。我们的模型在前路组中取得了最高的平均AUC（0.84），并在后路组中保持了具有竞争力的性能（0.77）。它在治疗效应估计方面优于基线，具有最低的总体（0.2778）和（0.0763）。同样，在预测AIS的PROs时，X-MultiTask在所有领域始终表现出优越性能， = 0.2551， = 0.0902。通过提供稳健的、患者特异性的因果估计，X-MultiTask为推进个性化手术护理和改善患者结局提供了有力工具。代码可在 https://github.com/Wizaaard/X-MultiTask 获取。
引用
@article{arxiv.2509.19705,
title = {Causal Machine Learning for Surgical Interventions},
author = {J. Ben Tamo and Nishant S. Chouhan and Micky C. Nnamdi and Yining Yuan and Shreya S. Chivilkar and Wenqi Shi and Steven W. Hwang and B. Randall Brenn and May D. Wang},
journal= {arXiv preprint arXiv:2509.19705},
year = {2025}
}