融合专家增强知识的结构因果模型用于估计 ICU 中氧疗对死亡率的影响
机器学习
2020-10-29 v1 人工智能
摘要
因果推断技术的最新进展，更具体地，在结构因果模型理论方面，为从观测数据中识别因果效应提供了框架，即在因果图可识别的情况下（即数据生成机制可从联合分布中恢复）。然而，尚无此类研究用临床实例展示该概念。我们提出一个完整框架，通过在模型开发阶段融合专家知识并辅以实际临床应用，从观测数据估计因果效应。我们的临床应用涉及一个及时且重要的研究问题，即重症监护病房（ICU）中氧疗干预的效果；该项目的结果在多种疾病状况下有用，包括 ICU 中的严重急性呼吸综合征冠状病毒-2（SARS-CoV-2）患者。我们使用来自 MIMIC III 数据库的数据（机器学习界一个标准数据库，包含来自马萨诸塞州波士顿一家 ICU 的 58,976 次入院）来估计氧疗对死亡率的影响。我们还从模型中识别了针对协变量的氧疗效应，以实现更个性化的干预。
引用
@article{arxiv.2010.14774,
title = {Structural Causal Model with Expert Augmented Knowledge to Estimate the Effect of Oxygen Therapy on Mortality in the ICU},
author = {Md Osman Gani and Shravan Kethireddy and Marvi Bikak and Paul Griffin and Mohammad Adibuzzaman},
journal= {arXiv preprint arXiv:2010.14774},
year = {2020}
}