通过对抗平衡表示估计随时间变化的反事实治疗结果
机器学习
2020-02-12 v1 机器学习
摘要
确定何时给患者治疗以及随时间如何在多种治疗中选择，是重要的医学问题，现有解法甚少。本文提出反事实循环网络（CRN），一种新颖的序列到序列模型，利用日益可用的患者观测数据来估计随时间的治疗效应并回答此类医学问题。为处理来自时变混杂因子（即影响观测数据中治疗分配策略的协变量）的偏倚，CRN 使用域对抗训练来构建患者历史的平衡表示。在每个时间步，CRN 构建一个治疗不变表示，消除患者历史与治疗分配之间的关联，从而可可靠地用于反事实预测。在一个具有不同程度时依混杂的肿瘤生长模拟模型上，我们展示了我们的模型在估计反事实、选择正确治疗及治疗时机方面比当前最先进方法的误差更低。
引用
@article{arxiv.2002.04083,
title = {Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations},
author = {Ioana Bica and Ahmed M. Alaa and James Jordon and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2002.04083},
year = {2020}
}