DeepDiff-SHAP: Generación interpretable de hipótesis causales específicas de subgrupos mediante SHAP condicional para...

Área de la Ciencia:

• Ciencia de Datos Biomédicos
• Inferencia Causal
• Medicina de Precisión

Sus antecedentes:

• La medicina de precisión requiere adaptar la atención médica a la variabilidad individual en factores genéticos, clínicos y ambientales.
• Los métodos estándar de inferencia causal a menudo pasan por alto la heterogeneidad de la población, lo que dificulta la identificación de relaciones causales específicas de subgrupos.
• Los datos biomédicos complejos presentan desafíos en la detección de efectos causales diferenciales entre subgrupos de pacientes.

Objetivo del estudio:

• Presentar DeepDiff-SHAP, un marco novedoso para detectar cambios en las relaciones causales entre subgrupos de pacientes.
• Integrar métodos basados en aprendizaje profundo y regresión con explicaciones aditivas de Shapley (SHAP) condicionales para la inferencia causal diferencial no lineal.
• Proporcionar una solución escalable e interpretable para descubrir vías causales individualizadas en medicina de precisión.

Principales métodos:

• Se desarrolló DeepDiff-SHAP, un marco que combina la inferencia causal diferencial basada en regresión y aprendizaje profundo.
• Se integraron explicaciones aditivas de Shapley (SHAP) condicionales para estimar dependencias condicionales y realizar inferencia causal diferencial no lineal.
• Se aplicó el marco al conjunto de datos de indicadores de salud de la diabetes de los CDC y a una cohorte de sepsis del Biobanco del Reino Unido estratificada por estado de hipertensión.

Principales resultados:

• Se identificaron cambios causales específicos de subgrupos clínicamente significativos en las relaciones de características dentro de conjuntos de datos a escala poblacional.
• Se detectaron efectos causales diferenciales relacionados con la edad, la salud general, la fosfatasa alcalina y el colesterol en las cohortes analizadas.
• Se demostró que el aprendizaje profundo mejora la sensibilidad a patrones de interacción complejos que los modelos lineales pasan por alto.

Conclusiones:

• DeepDiff-SHAP ofrece un enfoque escalable e interpretable para descubrir vías causales individualizadas, avanzando en la medicina de precisión.
• El marco proporciona nuevos conocimientos biológicos sobre la progresión de la enfermedad y los mecanismos de riesgo específicos de comorbilidad.
• La inferencia causal diferencial utilizando aprendizaje profundo es crucial para comprender la heterogeneidad en los datos biomédicos.