连续时间下潜在结果的稳定化神经预测

来自电子健康记录的患者轨迹被广泛用于估计随时间变化的治疗的条件平均潜在结果，从而允许个性化护理。然而，现有的用于此目的的神经方法有一个关键限制：虽然有些方法调整了时变混杂因素，但这些方法假设时间序列是以离散时间记录的。换句话说，它们被限制在测量和治疗在固定时间步长进行的设置中，尽管这在医疗实践中是不现实的。在这项工作中，我们旨在估计连续时间下的条件平均潜在结果。后者具有直接的实际相关性，因为它允许对测量和治疗发生在任意、不规则时间戳的患者轨迹进行建模。因此，我们提出了一种称为稳定化连续时间逆倾向网络的新方法。为此，我们进一步推导了用于稳健估计条件平均潜在结果的稳定化逆倾向权重。据我们所知，我们的稳定化连续时间逆倾向网络是第一种在连续时间内对时变混杂因素进行适当调整的神经方法。