Towards a Transportable Causal Network Model Based on Observational Healthcare Data
基于观测医疗数据构建可迁移因果网络模型AI 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：摘要明确利用因果图处理选择偏差、非随机缺失与跨人群迁移问题。
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…
基于观测医疗数据构建可迁移因果网络模型
- 研究问题
- 如何结合不同患者队列的观测数据，在处理非随机缺失与选择偏差的同时，构建可迁移的乳腺癌幸存者心血管风险模型？
- 方法与思路
- 作者将选择图、缺失图、因果发现和先验知识整合为单一图模型，从两个患者队列学习网络，并由临床专家评估结果。
- 材料陈述的贡献
- 摘要称，模型在风险评估、准确性和可解释性方面获得临床专家验证，其预后预测表现优于所比较的机器学习方法。
- 阅读关注点
- 核对缺失与选择机制的图表示、跨队列迁移的识别依据、专家知识如何约束因果发现，以及外部验证与比较方法的设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出迁移识别条件和验证指标，专家认可不能单独证明因果关系成立。
原文摘要
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.