面向临床时间序列的不确定性感知最优处理选择
机器学习
2024-10-14 v1
摘要
在个性化医疗中，预测和优化不同时间范围内治疗结果的能力至关重要。此外，在特定预算约束下选择成本效益高的治疗方案也至关重要。尽管近期在估计反事实轨迹方面取得了进展，但从这些估计直接链接到基于这些估计的最优处理选择仍然缺失。本文引入了一种新方法，将反事实估计技术与不确定性量化集成，用于在既定成本约束下推荐个性化治疗方案。我们的方法在处理连续治疗变量方面具有独特优势，并整合了不确定性量化以提高预测可靠性。我们使用两个模拟数据集进行了验证，分别聚焦于心血管系统和新冠病毒。我们的发现表明，该方法在不同的反事实估计基线上表现稳健，表明在这些设置中引入不确定性量化有助于当前基线方法更可靠、更准确地进行治疗选择。该方法在各种情形下的稳健性凸显了其在广泛适用于个性化医疗解决方案的潜力。
引用
@article{arxiv.2410.08816,
title = {Uncertainty-Aware Optimal Treatment Selection for Clinical Time Series},
author = {Thomas Schwarz and Cecilia Casolo and Niki Kilbertus},
journal= {arXiv preprint arXiv:2410.08816},
year = {2024}
}
备注
appeared at the workshop on Causal Representation Learning at NeurIPS 2024 (oral)