用于估计个体治疗效果的联邦逆概率处理加权方法

《ACM Transactions on Intelligent Systems and Technology》：Federated Inverse Probability Treatment Weighting for Individual Treatment Effect Estimation

个体治疗效应（ITE）估计在医疗中至关重要，但现有方法多适用于集中式数据，联邦学习场景下存在数据不可共享和本地模型偏差问题。本文提出FED-IPTW算法，通过全局和本地协变量与处理变量去混淆化解决联邦场景中的IPTW偏差问题，并在ICU机械通气生存率预测任务中验证其优于现有方法。

　　

摘要人工智能摘要

摘要

摘要

个体治疗效果（ITE）估计旨在评估治疗策略对某些重要结果的因果效应，这是医疗保健中的一个关键问题。大多数现有的ITE估计方法都是为集中式环境设计的。然而，在现实世界的临床场景中，由于潜在的隐私和安全风险，原始数据通常无法在医院之间共享，这使得这些方法无法应用。在这项工作中，我们研究了在联邦式环境中的ITE估计任务，这使我们能够利用来自多个医院的分散数据。由于收集的数据中不可避免地存在混杂偏差，直接从这些数据中学习的模型将不准确。一个众所周知的解决方案是逆概率处理加权（IPTW），它使用给定协变量的条件概率来重新加权每个训练样本。然而，在联邦式环境中应用IPTW并非易事。我们发现，即使条件概率估计得很好，仅使用每个医院的数据进行本地模型训练仍然会受到混杂偏差的影响。为了解决这个问题，我们提出了FED-IPTW，这是一种将IPTW扩展到联邦式环境中的新算法，该算法强制协变量和治疗之间在全局（所有数据上）和局部（每个医院内部）都保持去相关性。我们在比较机械通气对重症监护病房（ICU）中呼吸困难患者生存概率改善效果的任务上验证了我们的方法。我们在合成和真实世界的eICU数据集上进行了实验，结果表明，FED-IPTW在事实预测和ITE估计任务的所有指标上都优于现有的最先进方法，为机械通气的个性化治疗策略设计铺平了道路。

人工智能摘要

人工智能生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解这项工作。它旨在补充作者提供的摘要，后者仍然是论文的官方摘要。完整文章仍然是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和有用性进行评论。这样做将有助于改进未来的版本。

人工智能生成的摘要不可用。

此内容由人工智能生成。了解更多