利用无标签离线数据增强因果估计

考虑一名新患者进入重症监护室(ICU)并受到多个传感器监测的情形。我们希望评估相关的未测量生理变量(例如,心脏收缩力与输出以及血管阻力),这些变量对患者的诊断和治疗有强烈影响。我们对该特定患者没有任何信息,但关于既往患者的广泛离线信息是可用的,这些信息可能仅与当前患者部分相关(一种数据集偏移的情形)。该信息构成了我们的先验知识,并且是部分且近似的。基本问题是如何最佳地利用该先验知识,结合在线患者数据,以最有效地辅助诊断当前患者。我们提出的方法包括三个阶段:(i)利用丰富的离线数据,为相关未测量生理变量创建一个非因果估计量和一个因果估计量。(ii)基于所构建的非因果估计量,以及来自一组新患者的测量值,我们构建一个因果滤波器,对该新患者组隐藏生理变量的预测提供更高精度。(iii)对于进入ICU的任何新患者,我们使用所构建的滤波器来预测相关的内部变量。总体而言,该策略使我们能够利用丰富可用的离线数据,以增强对新到达患者的因果估计。我们在一种(非医学的)真实世界任务上展示了该方法的有效性,其中离线数据仅与新观测部分相关。我们在卡尔曼滤波与平滑的线性设定下提供了该方法优点的数学分析,证明了其实用性。