Towards a Transportable Causal Network Model Based on Observational Healthcare Data

要約

過去数十年にわたり、人工知能技術に基づく多くの予後モデルが、医療分野での詳細な予測を提供するために使用されてきました。
残念ながら、これらのモデルのトレーニングと検証に使用される現実世界の観察データは、ほとんどの場合、結果の妥当性に大きな影響を与える可能性のあるバイアスの影響を受けます。2 つの例としては、ランダムではない欠損値と選択バイアスが挙げられます。
これらに対処することは、確率的関連性に基づく単純な統計的アプローチを超えて、輸送可能性を達成し、臨床上の意思決定において重要な因果関係を研究する上で重要な要素です。
これに関連して、乳がんから生き残った青年および若い女性の心血管リスクを推定するために、選択図、欠損グラフ、因果関係の発見、および事前の知識を単一のグラフィックモデルに組み合わせた新しいアプローチを提案します。
このモデルは、2 つの異なる患者コホートからなるデータから学習します。
結果として得られる因果ネットワーク モデルは、リスク評価、精度、説明可能性の観点から専門の臨床医によって検証され、競合する機械学習手法を上回る予後モデルを提供します。

要約(オリジナル)

Over the last decades, many prognostic models based on artificial intelligence techniques have been used to provide detailed predictions in healthcare. Unfortunately, the real-world observational data used to train and validate these models are almost always affected by biases that can strongly impact the outcomes validity: two examples are values missing not-at-random and selection bias. Addressing them is a key element in achieving transportability and in studying the causal relationships that are critical in clinical decision making, going beyond simpler statistical approaches based on probabilistic association. In this context, we propose a novel approach that combines selection diagrams, missingness graphs, causal discovery and prior knowledge into a single graphical model to estimate the cardiovascular risk of adolescent and young females who survived breast cancer. We learn this model from data comprising two different cohorts of patients. The resulting causal network model is validated by expert clinicians in terms of risk assessment, accuracy and explainability, and provides a prognostic model that outperforms competing machine learning methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google