Targeted-BEHRT：用于纵向电子健康记录观察性因果推断的深度学习模型
机器学习
2024-10-28 v1
摘要
当随机临床试验（RCT）不可行或不可推广时，观察性因果推断对医学决策很有用。然而，传统方法在实践中无法给出无混杂的因果结论。"双稳健"非参数工具的兴起，加上用于捕获多模态数据丰富表示的深度学习的增长，为开发和测试此类基于综合电子健康记录（EHR）的因果推断模型提供了独特机遇。本文中，我们研究一项由 RCT 确立的零因果关联：降压药使用对癌症发病风险的影响。我们为观察性研究构建了数据集，并提出了一种基于 Transformer 的模型 Targeted BEHRT，结合双稳健估计来估计平均风险比（RR）。我们在具有不同类型和强度的混杂的半合成衍生数据集上的多个实验中，将我们的模型与用于因果推断的基准统计和深度学习模型进行比较。为了进一步检验方法的可靠性，我们在数据有限的情况下测试模型。我们发现，在跨实验的高维 EHR 风险比估计中，与基准相比，我们的模型提供了更准确的 RR 估计（与真实值绝对误差和最小）。最后，我们应用模型研究原始案例：降压药对癌症的影响，并证明我们的模型总体上捕捉到了经验证的零关联。
引用
@article{arxiv.2202.03487,
title = {Targeted-BEHRT: Deep learning for observational causal inference on longitudinal electronic health records},
author = {Shishir Rao and Mohammad Mamouei and Gholamreza Salimi-Khorshidi and Yikuan Li and Rema Ramakrishnan and Abdelaali Hassaine and Dexter Canoy and Kazem Rahimi},
journal= {arXiv preprint arXiv:2202.03487},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication