用于电子健康记录因果推断的动态生存Transformer
机器学习
2022-10-28 v1 统计方法学
摘要
在医学中，研究者常试图推断给定治疗对患者结局的效应。然而，因果生存分析的标准方法对数据生成过程做出过于简化的假设，无法捕捉患者协变量之间的复杂交互。我们提出了动态生存Transformer（DynST），一种在电子健康记录（EHRs）上训练的深层生存模型。与以往用于生存分析的Transformer不同，DynST能够利用时变信息预测不断演化的生存概率。我们从MIMIC-III中推导出一个半合成EHR数据集，以表明DynST能够准确估计治疗干预对受限平均生存时间（RMST）的因果效应。我们证明DynST在预测与因果估计上均优于两种替代模型。
引用
@article{arxiv.2210.15417,
title = {Dynamic Survival Transformers for Causal Inference with Electronic Health Records},
author = {Prayag Chatha and Yixin Wang and Zhenke Wu and Jeffrey Regier},
journal= {arXiv preprint arXiv:2210.15417},
year = {2022}
}
备注
Accepted to the NeurIPS 2022 Workshop on Learning from Time Series for Health