医疗保健中的联邦因果推断：方法、挑战与应用
机器学习
2025-05-06 v1
摘要
联邦因果推断能够在无需共享个体级别数据的情况下进行多站点治疗效果估计，为真实世界证据生成提供了一种隐私保护的解决方案。然而，站点间的数据异质性，表现为协变量、治疗和结果的差异，对无偏和高效的估计构成了重大挑战。在本文中，我们对二分类/连续型结局和事件发生时间结局的联邦因果效应估计进行了全面的回顾和理论分析。我们将现有方法分类为基于权重的策略和基于优化的框架，并进一步讨论了包括个性化模型、点对点通信和模型分解在内的扩展。对于事件发生时间结局，我们研究了联邦Cox和Aalen-Johansen模型，推导了异质性下的渐近偏差和方差。我们的分析表明，与朴素平均和荟萃分析相比，FedProx风格的正则化实现了接近最优的偏差-方差权衡。我们回顾了相关的软件工具，并最后概述了在分布式医疗保健系统中实现可扩展、公平和可信的联邦因果推断的机遇、挑战和未来方向。
引用
@article{arxiv.2505.02238,
title = {Federated Causal Inference in Healthcare: Methods, Challenges, and Applications},
author = {Haoyang Li and Jie Xu and Kyra Gan and Fei Wang and Chengxi Zang},
journal= {arXiv preprint arXiv:2505.02238},
year = {2025}
}