Heterogeneous Causal Discovery of Repeated Undesirable Health Outcomes

要約

患者の亜集団全体で望ましくない健康転帰を引き起こすまたは予防することを理解することは、標的介入を設計するために不可欠です。
ランダム化比較試験と専門家主導の患者インタビューは、これらの要因を特定するための標準的な方法ですが、それらは時間がかかり、実行不可能です。
因果発見は、観察データから因果関係仮説を生成することにより、従来のアプローチに代わるものを提供します。
ただし、多くの場合、実用的なアプリケーションを制限することができる強力なまたは非テスト不可能な仮定に依存しています。
この作業の目的は、複数の仮定を検討し、不均一な効果を特定することにより、因果発見をより実用的にすることです。
結果の原因と効果の修飾子を発見する問題を定式化します。ここでは、効果修飾子が異種の因果効果を持つコンテキスト（年齢層など）です。
次に、因果発見アルゴリズムのアンサンブルを組み込んだ新しいエンドツーエンドのフレームワークを提示し、結果をトリガーまたは阻害する原因と効果修飾子を発見するために不均一な効果の推定を提示します。
アンサンブルアプローチは、精度を維持しながら因果要因のリコールを強化することにより、堅牢性を改善することを実証します。
私たちの研究では、糖尿病患者の緊急治療室の繰り返しの訪問とICU患者の病院再入院の原因を調べます。
私たちのフレームワークは、既存の文献と一致する因果仮説を生成し、実務家が潜在的な介入と患者の亜集団を特定するのに役立ちます。

要約(オリジナル)

Understanding factors triggering or preventing undesirable health outcomes across patient subpopulations is essential for designing targeted interventions. While randomized controlled trials and expert-led patient interviews are standard methods for identifying these factors, they can be time-consuming and infeasible. Causal discovery offers an alternative to conventional approaches by generating cause-and-effect hypotheses from observational data. However, it often relies on strong or untestable assumptions, which can limit its practical application. This work aims to make causal discovery more practical by considering multiple assumptions and identifying heterogeneous effects. We formulate the problem of discovering causes and effect modifiers of an outcome, where effect modifiers are contexts (e.g., age groups) with heterogeneous causal effects. Then, we present a novel, end-to-end framework that incorporates an ensemble of causal discovery algorithms and estimation of heterogeneous effects to discover causes and effect modifiers that trigger or inhibit the outcome. We demonstrate that the ensemble approach improves robustness by enhancing recall of causal factors while maintaining precision. Our study examines the causes of repeat emergency room visits for diabetic patients and hospital readmissions for ICU patients. Our framework generates causal hypotheses consistent with existing literature and can help practitioners identify potential interventions and patient subpopulations to focus on.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google