DeepRite：用于校正现代纵向观测数据中时变混杂因素的深度循环逆治疗加权方法
机器学习
2020-10-29 v1
摘要
反事实预测是指从数据中预测未观测情形的结果。例如，给定患者正在服用药品A，若其改用药品B结果会如何。现有工作大多侧重于基于静态数据建模反事实结果。然而，许多应用存在时变混杂效应，例如随时间的多次治疗。如何对纵向观测数据中的此类时变效应进行建模？如何对数据中复杂的高维依赖关系进行建模？为应对这些挑战，我们提出深度循环逆治疗加权（Deep Recurrent Inverse TreatmEnt weighting，DeepRite），通过将循环神经网络引入两阶段校正，以处理现代纵向数据中存在的时变混杂。在第一阶段队列重加权中，我们拟合一个网络以发射随时间变化的治疗逆概率，并利用其生成伪平衡队列。在第二阶段结果演进中，我们将调整后的数据输入后续的预测网络以进行反事实预测。我们在合成数据以及从重症监护病房脓毒症患者收集的真实数据上评估了DeepRite。结果表明，DeepRite能从合成数据中恢复真实情况，并从真实数据中估计无偏治疗效应，因其可应用于创建平衡队列，故能更好地与脓毒症管理的标准指南相一致。
引用
@article{arxiv.2010.15028,
title = {DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data},
author = {Yanbo Xu and Cao Xiao and Jimeng Sun},
journal= {arXiv preprint arXiv:2010.15028},
year = {2020}
}