慢性疾病的因果可解释进展轨迹分析
摘要：慢性疾病是导致死亡的主要原因，强调了准确预测疾病进展趋势和明智的临床决策的必要性。机器学习（ML）模型通过捕捉患者特征中的非线性模式显示了在这一领域的潜力。然而，现有的基于ML的模型缺乏提供因果解释性预测和估计治疗效果的能力，限制了他们的决策辅助视角。在本研究中，我们提出了一种新的模型，称为因果轨迹预测（CTP），来解决这一限制。CTP模型结合了轨迹预测和因果发现，能够准确预测疾病进展轨迹并揭示特征之间的因果关系。通过将因果图纳入预测过程，CTP确保父节点特征不受对子节点特征的治疗影响，从而提高了模型的可解释性。通过估计治疗效果的界限，即使存在未测量的混杂因素，CTP也为临床决策提供了有价值的见解。我们使用模拟和真实医疗数据集评估了CTP的性能。实验结果表明，我们的模型达到了令人满意的性能，突显了它在辅助临床决策方面的潜力。
作者：Zhoujian Sun, Wenzhuo Zhang, Zhengxing Huang, Nai Ding
论文ID：2308.09735
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-22