CTP：一种用于非传染性疾病进展预测的因果可解释模型
机器学习
2023-09-25 v2
摘要
非传染性疾病是致死的首要原因，凸显了准确预测疾病进展与知情临床决策的必要性。机器学习（ML）模型通过捕捉患者特征中的非线性模式在该领域展现出前景。然而，现有基于ML的模型无法提供因果可解释预测并估计治疗效应，限制了其决策视角。在本研究中，我们提出一种称为因果轨迹预测（CTP）的新颖模型以应对该局限。CTP模型结合轨迹预测与因果发现，能够准确预测疾病进展轨迹并揭示特征间的因果关系。通过将因果图纳入预测过程，CTP确保祖先特征不受后代特征处理的影響，从而增强模型的可解释性。通过估计治疗效应的边界（即便存在未观测混杂因素），CTP为临床决策提供了有价值的见解。我们使用模拟与真实医疗数据集评估CTP的性能。实验结果证明我们的模型取得了令人满意的性能，凸显其辅助临床决策的潜力。源代码见 \href{https://github.com/DanielSun94/CFPA}{here}。
引用
@article{arxiv.2308.09735,
title = {CTP:A Causal Interpretable Model for Non-Communicable Disease Progression Prediction},
author = {Zhoujian Sun and Wenzhuo Zhang and Zhengxing Huang and Nai Ding and Cheng Luo},
journal= {arXiv preprint arXiv:2308.09735},
year = {2023}
}
备注
25 pages, 5 figures, 12 tables