PerCaM-Health：用于医疗推理的个性化动态因果图
机器学习
2026-05-11 v1
摘要
个性化医疗决策需要推理生理和行为变量如何随时间影响单个患者。现有的时序因果发现方法在这一场景下应用不当：队列级模型提供稳定但非个性化的结构，而按患者发现不够可靠，因为个体轨迹短、噪声大、不规则且非平稳。这构成了人口水平因果建模与患者专属、时变机制之间的根本性鸿沟。我们提出 PerCaM-Health，一个从纵向健康数据中学习个性化动态因果图的框架。该框架学习一个受知识引导的队列时序图，然后通过患者专属时序证据和滚动窗口更新对其进行保守性适应和演化，生成可解释且可审计的图序列。通过将这些图与时序结构方程耦合，该框架支持患者层面的反事实查询，例如估计在假设行为干预下的短期结果变化。在半合成动态健康基准测试中，PerCaM-Health 在图恢复、动态边追踪和干预方向准确性方面优于队列级、按患者以及非个性化时序基线方法。这些结果表明，同时建模个性化与时序演化可产生更可靠的因果结构和干预推理。
引用
@article{arxiv.2605.07267,
title = {PerCaM-Health: Personalized Dynamic Causal Graphs for Healthcare Reasoning},
author = {Elahe Khatibi and Ziyu Wang and Saba A. Farahani and Di Huang and Hung Cao and Ramesh Jain and Amir M. Rahmani},
journal= {arXiv preprint arXiv:2605.07267},
year = {2026}
}