从真实世界数据生成反事实患者时间线
机器学习
2026-04-06 v1
摘要
反事实仿真——在替代临床情景下探索假设后果——在个人化医疗和体外试验等变革性应用中具有巨大的潜力。然而，由于方法论限制，这仍然具有挑战性。本文表明，一个在超过 30 万名患者和 4 亿条患者时间线条目上训练的自回归生成模型，可以生成临床上符合情境的反事实轨迹。作为验证任务，我们将该模型应用于 2023 年因新冠病毒感染住院的患者，修改年龄、血清 C 反应蛋白(CRP)和血清肌酐酶，模拟 7 天后的结果。结果显示，年龄增大、CRP 升高或血清肌酐酶升高的反事实模拟中，住院死亡率增加。CRP 值较高的模拟中，恩替卡韦处方增加；功能受损的模拟中，恩替卡韦处方减少。这些反事实轨迹再现了已知的临床模式。这些发现表明，在自监督方式下训练的自回归生成模型可在真实世界数据上建立反事实临床仿真的基础。
引用
@article{arxiv.2604.02337,
title = {Generating Counterfactual Patient Timelines from Real-World Data},
author = {Yu Akagi and Tomohisa Seki and Toru Takiguchi and Hiromasa Ito and Yoshimasa Kawazoe and Kazuhiko Ohe},
journal= {arXiv preprint arXiv:2604.02337},
year = {2026}
}