Deep Causal Behavioral Policy Learning: Applications to Healthcare
作者: Jonas Knecht, Anna Zink, Jonathan Kolstad, Maya Petersen
发布时间: 2025-03-07
来源: arxiv
研究方向: 医疗保健领域的深度因果行为政策学习
主要内容
该研究提出了一种基于深度学习的医疗保健领域行为政策学习方法，旨在通过分析临床行为路径，识别因果关系，并优化患者治疗方案。
主要贡献
1. 提出了一种名为深度因果行为政策学习（DC-BPL）的方法，用于分析医疗保健中的动态临床行为制度。
2. 使用深度学习算法学习高维临床行动路径的分布，并识别这些路径与患者结果之间的因果关系。
3. 开发了一种大型临床行为模型（LCBM），用于在电子健康记录数据上训练，并使用变压器架构来估计临床行为策略。
4. 提出了一种新的对行为策略的解释，即它是对治疗患者所使用的复杂、通常隐含的知识的高效编码。
5. 该方法支持多种临床应用，包括因果严格的质量测量、提供者指导、基于因果的临床决策支持以及调整临床推理模型等工具。
研究方法
1. 深度学习算法
2. 变压器架构
3. 半参数有效估计因果效应的方法
4. 机器学习方法，用于最佳制度和策略学习
5. 结构因果模型（SCM）
6. 因果推断
7. 统计经济学和计算机科学文献中的方法
实验结果
通过对来自UCSF急诊部门的真实世界EHR数据的初步分析，证明了LCBM的能力，能够估计临床行为策略。实验结果表明，随着上下文长度的增加，模型的准确性显著提高。此外，通过条件化模型的不确定性，可以提高预测准确性。
未来工作
未来工作将包括在更大的临床数据库上训练LCBM，包括复杂的患者状态空间，以及使用更复杂的架构。此外，还将开发新的评估方法，特别是针对安全部署的方法。此外，还将探索将多模态数据（如图像和文本）纳入临床行为策略的估计中。