[人工智能]论文解读 | 使用电子健康记录进行因果推断的动态生存 Transformer

在医学上，研究人员经常试图推断给定治疗（treatment）对患者结果（outcomes）的影响。然而，因果生存分析（causal survival analysis）的标准方法对数据生成过程做出了简单的假设，并且无法捕捉患者协变量之间的复杂相互作用。提出了 DynST（Dynamic Survival Transformer），基于电子健康记录 （EHRs）训练的深度生存模型，与以前用于生存分析的 Transformers 不同，DynST 可以有效利用时变信息来预测不断发展的生存概率（hazard function）。从 MIMIC-III 导出了一个半合成的 EHR 数据集，实验表明 DynST 可以准确估计治疗干预对受限平均生存时间（RMST，可以将 RMST 视为在所有患者人群中平均到时间 $\tau$ 的预期生存时间）的因果效应。证明了 DynST 比两个替代模型实现了更好的预测和因果估计。

DynST 从单个患者的 EHR 数据对 hazard functi

了解本专栏 订阅专栏 解锁全文 超级会员免费看