时序临床数据的顺序反事实推断：解决时光旅行困境
机器学习
2026-02-25 v1
摘要
反事实推断使医生能够询问关于患者结果的"如果...会怎样"问题, 但标准方法假设特征独立且可同时修改 ——这些假设受到纵向临床数据的制约。我们引入顺序反事实框架, 通过区分不可变特征(慢性诊断)和可控制特征(实验室值)来尊重电子健康记录中的时间依赖性, 并建模干预如何随时间传播。应用于2,723例新冠肺炎患者(383例长期新冠心力衰竱病例, 2,340例匹配对照), 我们展示在温和方法下, 38%-67%的慢性疾病患者需要生物学上不可能的反事实。我们识别出一种心肾综合征(CKD -> AKI -> HF), 在每一步都具有2.27和1.19的相对风险, 说明顺序反事实能捕捉这种时间传播, 而温和方法则不能。我们的框架将反事实解释从"如果这个特征不同会怎样？"转化为"如果我们更早干预, 以及这会如何向前传播？"——提供基于生物学可行性的临床可操作见解。
引用
@article{arxiv.2602.21168,
title = {Sequential Counterfactual Inference for Temporal Clinical Data: Addressing the Time Traveler Dilemma},
author = {Jingya Cheng and Alaleh Azhir and Jiazi Tian and Hossein Estiri},
journal= {arXiv preprint arXiv:2602.21168},
year = {2026}
}