解耦反事实循环网络用于随时间推移的治疗效果推断
机器学习
2021-12-08 v1
摘要
为每位患者选择最佳治疗方案，需要随时间准确地预测其作为治疗函数的结局轨迹。尽管大型观察性数据集构成了丰富的学习信息源，但由于实践中治疗很少随机分配，它们也包含偏倚。为提供准确且无偏的预测，我们引入解耦反事实循环网络（DCRN），一种新颖的序列到序列架构，通过学习将患者病史表示为解耦为三个独立潜在因子来估计随时间的治效结局：仅影响治疗选择的治疗因子、仅影响结局的结局因子，以及同时影响两者的混杂因子。凭借完全受治疗随时间影响因果结构启发的架构，我们提升了预测精度与疾病理解，因为我们的架构使从业者能够推断哪些患者特征影响其轨迹的哪一部分，这与该领域其他方法形成对比。我们在真实与模拟数据上证明，DCRN在预测治疗反应方面优于当前最先进方法。
引用
@article{arxiv.2112.03811,
title = {Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time},
author = {Jeroen Berrevoets and Alicia Curth and Ioana Bica and Eoin McKinney and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2112.03811},
year = {2021}
}