健康观察数据中因果机器学习：一条路线图
机器学习
2026-05-21 v1
摘要
目标：大规模观察性临床数据集的 availability 以及开展随机对照试验的挑战，推动了对在观察性数据中使用因果机器学习 (ML) 进行因果推断的热情。我们为应用因果 ML 到观察性数据提供了一条路线图。材料与方法：我们阐述了在可用数据中评估有效性假设的重要性，并为临床专家提供负责任地应用因果 ML 的指导，同时为拥有有限临床专业知识的 ML 实践者提供支持。观察结果：尽管因果 ML 取得了进展，其局限性仍在多个学科中被大大低估。这一知识共享的差距可能影响发现的有效性。讨论：必须满足因果假设并合理解释建模选择。否则，这些方法风险产生偏差或误导性结果，对临床研究和患者护理都有潜在影响。结论：因果 ML 可是生成因果假设的强大工具。我们提供一个模板，以强化因果分析的严谨性和可解释性。
引用
@article{arxiv.2605.20782,
title = {Causal Machine Learning Is Not a Panacea: A Roadmap for Observational Causal Inference in Health},
author = {Donna Tjandra and Trenton Chang and Sonali Parbhoo and Rajesh Ranganath and Andre Kurepa Waschka and William Mitchell and Maggie Makar and Shalmali Joshi and Finale Doshi-Velez and Leo Anthony Celi and Jenna Wiens},
journal= {arXiv preprint arXiv:2605.20782},
year = {2026}
}