Dynamic Survival Transformers for Causal Inference with Electronic Health Records
用于电子健康记录因果推断的动态生存 TransformerAI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以治疗干预对限制平均生存时间的因果效应为估计目标。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于电子健康记录因果推断的动态生存 Transformer
- 研究问题
- 如何利用电子健康记录中的时变信息刻画患者生存概率，并估计治疗干预对限制平均生存时间的因果效应？
- 方法与思路
- 作者提出动态生存 Transformer，纳入随时间变化的患者信息，并使用源自 MIMIC-III 的半合成数据评估预测与因果估计。
- 材料陈述的贡献
- 摘要称 DynST 能预测随时间演化的生存概率，并在所用半合成数据上获得比两个替代模型更好的预测及治疗效应估计表现。
- 阅读关注点
- 应核对治疗干预与因果目标的定义、时变信息的使用顺序、删失处理，以及半合成数据生成机制和比较模型的设定。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明因果识别条件，半合成结果不能直接证明真实临床有效性。
原文摘要
In medicine, researchers often seek to infer the effects of a given treatment on patients' outcomes. However, the standard methods for causal survival analysis make simplistic assumptions about the data-generating process and cannot capture complex interactions among patient covariates. We introduce the Dynamic Survival Transformer (DynST), a deep survival model that trains on electronic health records (EHRs). Unlike previous transformers used in survival analysis, DynST can make use of time-varying information to predict evolving survival probabilities. We derive a semi-synthetic EHR dataset from MIMIC-III to show that DynST can accurately estimate the causal effect of a treatment intervention on restricted mean survival time (RMST). We demonstrate that DynST achieves better predictive and causal estimation than two alternative models.