从患者轨迹估计平均因果效应
机器学习
2023-01-24 v2 机器学习
统计计算
摘要
在医疗实践中，治疗方案是根据其对患者结局的预期因果效应来选择的。在此，估计因果效应的金标准是随机对照试验；然而，此类试验成本高昂，有时甚至不符合伦理。相反，医疗实践日益关注从电子健康记录（即观测数据）中估计患者（亚）群体的因果效应。在本文中，我们旨在从随时间收集的观测数据（患者轨迹）中估计平均因果效应（ACE）。为此，我们提出 DeepACE：一个端到端深度学习模型。DeepACE 利用迭代 G-计算公式来调整由时变混杂因素引起的偏倚。此外，我们开发了一种新颖的顺序靶向过程，确保 DeepACE 具有良好的理论性质，即双重稳健且渐近有效。据我们所知，这是首个提出专为估计时变 ACE 设计的端到端深度学习模型的工作。我们在大量实验中比较了 DeepACE，证实其达到了最先进的性能。我们进一步提供了一个针对腰痛患者的案例研究，以证明 DeepACE 为临床实践生成了重要且有意义的发现。我们的工作使从业者能够基于群体效应制定有效的治疗建议。
引用
@article{arxiv.2203.01228,
title = {Estimating average causal effects from patient trajectories},
author = {Dennis Frauen and Tobias Hatt and Valentyn Melnychuk and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2203.01228},
year = {2023}
}
备注
Accepted at AAAI 2023