基于点过程的时间因果中介：医疗干预的直接与间接效应
机器学习
2023-06-19 v1 统计方法学
摘要
决定适当的干预措施需要建立关于处理、结果及潜在中介变量的因果模型。因果中介分析使我们能区分干预的直接效应与间接效应，但其主要在静态设定中被研究。在医疗领域，数据以复杂的、非等间隔采样的时间序列形式出现，处理、结果与中介变量间存在跨时间的动态相互依赖。现有的动态因果中介分析方法局限于规则测量间隔、简单参数模型，且忽视长距离的中介—结果交互。为应对这些局限，我们提出一种非参数中介—结果模型，其中假设中介为与时间结果过程交互的时间点过程。借助该模型，我们估计外部干预对结果的直接与间接效应，展示二者如何影响整个未来轨迹。我们在半合成数据上证明方法能准确估计直接与间接效应。在真实医疗数据上，我们的模型推断出了术后血糖具有临床意义的直接与间接效应轨迹。
引用
@article{arxiv.2306.09656,
title = {Temporal Causal Mediation through a Point Process: Direct and Indirect Effects of Healthcare Interventions},
author = {Çağlar Hızlı and ST John and Anne Juuti and Tuure Saarinen and Kirsi Pietiläinen and Pekka Marttinen},
journal= {arXiv preprint arXiv:2306.09656},
year = {2023}
}