SAFER：一种用于动态治疗方案的校准风险感知多模态推荐模型
机器学习
2025-06-10 v1 机器学习
摘要
动态治疗方案（DTR）是精密医学的关键，旨在通过针对不断演变的临床背景进行个体化、实时决策来优化长期结果，但需要谨慎监督以确保治疗风险安全。现有方法主要依赖于临床医生制定的黄金标准，尽管缺乏已知的最优策略；且主要使用结构化EHR数据，而不提取临床笔记中宝贵信息，限制了其在治疗推荐方面的可靠性。本文引入SAFER，一个用于DTR的校准风险感知表格-语言推荐框架，整合结构化EHR和临床笔记，使其能够相互学习，并通过假设去除患者的死亡者的最优治疗方案不明确性来解决标签不确定性问题。此外，SAFER采用保守预测方法提供统计保证，确保安全的治疗推荐，同时过滤不确定的预测。在两个公开可用的脓毒症数据集上进行实验，表明SAFER在多个推荐指标和反事实死亡率方面均超越了最先进的基线方法，同时提供了稳健的正式保证。这一发现凸显了SAFER作为高风险DTR应用中可信赖且理论基础扎实的解决方案的潜力。
引用
@article{arxiv.2506.06649,
title = {SAFER: A Calibrated Risk-Aware Multimodal Recommendation Model for Dynamic Treatment Regimes},
author = {Yishan Shen and Yuyang Ye and Hui Xiong and Yong Chen},
journal= {arXiv preprint arXiv:2506.06649},
year = {2025}
}
备注
Accepted by ICML 2025