电子健康记录中用于决策的因果思维：为何及如何
统计方法学
2024-12-12 v4 机器学习
摘要
如同机器学习那样准确的预测，可能不足以每位患者提供最优医疗。事实上，预测可能被数据中的捷径（如种族偏见）所驱动。数据驱动决策需要因果思维。在此，我们介绍关键要素，聚焦于常规收集数据、电子健康记录（EHRs）与理赔数据。使用此类数据评估干预价值需要谨慎：时间依赖性与既有实践容易混淆因果效应。我们提出一个逐步框架，通过先在个体化决策（例如借助机器学习）之前模拟随机试验，来帮助从真实患者记录构建有效决策。我们的框架强调了在分析 EHRs 或理赔数据以得出因果结论时最重要的陷阱与考量。我们在医学信息集市重症监护数据库（MIMIC-IV）中研究白蛋白对脓毒症死亡率的影响，以阐明各种选择。我们研究了从特征提取到因果估计量选择的每一步中不同选择的影响。以教程精神，代码与数据均公开可用。
引用
@article{arxiv.2308.01605,
title = {Causal thinking for decision making on Electronic Health Records: why and how},
author = {Matthieu Doutreligne and Tristan Struja and Judith Abecassis and Claire Morgand and Leo Anthony Celi and Gaël Varoquaux},
journal= {arXiv preprint arXiv:2308.01605},
year = {2024}
}