Identifying Patient-Specific Root Causes of Disease
识别患者个体层面的疾病根源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：摘要用结构方程外生冲击定义患者特定疾病根源，并提出因果推断算法，支持因果分类，但预测与干预含义需区分。
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…
关注这篇论文的作者
识别患者个体层面的疾病根源
- 研究问题
- 当疾病成因在患者之间不同、群体平均效应可能较小时，如何识别推动特定患者患病的外生冲击及其对应变量？
- 方法与思路
- 作者将个体根源定义为线性结构方程模型中的外生误差，通过提取误差项并计算样本特定 Shapley 值，衡量其对诊断标签的预测作用。
- 材料陈述的贡献
- 摘要称据此提出快速的 Root Causal Inference 算法；实验报告准确性改善，能够发现个体效应较大但群体效应较小的根源因素。
- 阅读关注点
- 应核对外生误差如何从数据识别、线性结构模型的条件，以及 Shapley 预测贡献如何联系疾病致因，并查看实验根源标签的来源。
- 阅读边界
- 所给版本为 arXiv 预印本，未核实同行评审或接收；摘要未说明结构识别条件，诊断预测贡献本身不能确立个体干预的因果效应。
原文摘要
Complex diseases are caused by a multitude of factors that may differ between patients. As a result, hypothesis tests comparing all patients to all healthy controls can detect many significant variables with inconsequential effect sizes. A few highly predictive root causes may nevertheless generate disease within each patient. In this paper, we define patient-specific root causes as variables subject to exogenous "shocks" which go on to perturb an otherwise healthy system and induce disease. In other words, the variables are associated with the exogenous errors of a structural equation model (SEM), and these errors predict a downstream diagnostic label. We quantify predictivity using sample-specific Shapley values. This derivation allows us to develop a fast algorithm called Root Causal Inference for identifying patient-specific root causes by extracting the error terms of a linear SEM and then computing the Shapley value associated with each error. Experiments highlight considerable improvements in accuracy because the method uncovers root causes that may have large effect sizes at the individual level but clinically insignificant effect sizes at the group level. An R implementation is available at github.com/ericstrobl/RCI.