隐私保护、通信高效且目标灵活的医院质量评估

整合来自多个数据源的信息能够促成更精确、及时和可推广的决策。然而，利用来自多个数据源的观测数据进行有效的因果推断颇具挑战。例如，在医疗领域，从不同医院的电子健康记录中学习是可取的，但由于患者病例组合的异质性、治疗指南的差异以及禁止汇集个体患者数据的数据隐私法规，这一过程十分困难。为克服这些问题，我们开发了一个联邦因果推断框架。我们为目标人群中的平均潜在结果设计了一个双重稳健估计量，并证明即使某些模型被错误指定，该估计量仍具有一致性。为便于实际应用，我们提出的算法具有隐私保护性（仅需在医院间共享汇总统计量）和通信高效性（仅需医院间进行一轮通信）。我们实施了该因果估计与推断程序，以调查由 51 家候选心脏卓越中心组成的多样化集合所提供的医院护理质量，衡量指标为急性心肌梗死 (AMI) 患者的 30 天死亡率和住院时长。我们发现，与仅使用目标医院数据相比，我们提出的联邦全局估计量将治疗效果估计的精度提高了 59% 至 91%。这种精度提升导致在 63%（51 家中的 32 家）的医院中，关于经皮冠状动脉介入治疗 (PCI) 相较于药物治疗 (MM) 的估计效果得出了性质上不同的结论。我们发现很少有医院能同时在 PCI 和 MM 上表现卓越，这凸显了评估特定治疗方案表现的重要性。