G-Transformer：用于动态和时变治疗方案下的反事实结果预测
机器学习
2024-09-27 v4
摘要
在医疗决策背景下，反事实预测使临床医生能够在给定观察到的患者历史的前提下，预测在替代疗法方案下治疗结果。本文提出了 G-Transformer，用于动态和时变治疗策略下的反事实结果预测。我们的做法利用 Transformer 架构捕获时变协变量中复杂的、长程的依赖关系，同时支持 g-computation，这是一种用于估计动态治疗方案效果的因果推断方法。具体而言，我们使用基于 Transformer 的编码器架构估计给定协变量和治疗历史在每个时间点的相关协变量的条件分布，然后通过模拟在感兴趣治疗策略下进行的患者轨迹，产生蒙特卡洛式的反事实结果估计。我们在两个来自机制模型的模拟纵向数据集以及来自 MIMIC-IV 的真实世界脓毛症 ICU 数据集上对 G-Transformer 进行了广泛评估。在这些设置下，G-Transformer 在准确度和鲁棒性方面均优于经典和最新的反事实预测模型。据我们所知，这是首个支持动态和时变治疗方案下反事实结果预测的 Transformer 架构。
引用
@article{arxiv.2406.05504,
title = {G-Transformer: Counterfactual Outcome Prediction under Dynamic and Time-varying Treatment Regimes},
author = {Hong Xiong and Feng Wu and Leon Deng and Megan Su and Li-wei H Lehman},
journal= {arXiv preprint arXiv:2406.05504},
year = {2024}
}