面向临床与流行病学数据的概率树与因果网络集成
机器学习
2025-01-28 v1 定量方法
摘要
医疗决策不仅需要准确的预测，还需要洞悉各因素如何影响患者结局。虽然传统机器学习（ML）模型在预测结局（如识别高风险患者）方面表现出色，但在回答关于干预的假设性问题方面受限。本研究引入 Probabilistic Causal Fusion（PCF）框架，将因果贝叶斯网络（CBN）和概率树（PTrees）集成，以超越预测能力。PCF 利用 CBN 中的因果关系来结构化 PTrees，从而实现对因素影响的量化并模拟假设性干预。PCF 在三个真实世界医疗数据集上进行验证，即 MIMIC-IV、Framingham Heart Study 和 Diabetes 数据集，这些数据集选取于临床上具有多样性变量。它在保持传统ML模型可预测性能的同时，提供了额外的因果推理能力。为增强可解释性，PCF 融合了敏感性分析和 SHapley 加法贡献解释（SHAP）。敏感性分析量化了因果参数对结局（如住院天数 LOS、冠心病 CHD 和糖尿病）的影响，而 SHAP 突出了预测建模中 individual features 的重要性。通过将因果推理与预测建模相结合，PCF 弥合了临床直觉与数据驱动洞察之间的差距。其发现可调节因素与模拟情景的关系，为临床医生提供了更清晰的因果路径理解。该方法支持更具信息性的决策，为处理多样化医疗环境中的复杂问题提供了稳健框架。
引用
@article{arxiv.2501.15973,
title = {Integrating Probabilistic Trees and Causal Networks for Clinical and Epidemiological Data},
author = {Sheresh Zahoor and Pietro Liò and Gaël Dias and Mohammed Hasanuzzaman},
journal= {arXiv preprint arXiv:2501.15973},
year = {2025}
}