臨床および疫学データのための確率的ツリーと因果ネットワークの統合

科学分野:

• * 計算生物学およびバイオインフォマティクス; * ヘルスケアにおける機械学習と人工知能; * 因果推論および確率的モデリング

背景:

• * 従来の機械学習（ML）モデルは予測に優れていますが、「もし〜だったら」という介入シナリオには苦労しています。; * 正確なヘルスケアの意思決定には、単に予測するだけでなく、要因が患者の転帰にどのように影響するかを理解する必要があります。; * 既存の予測モデルには、特定の介入の影響を定量化したり、仮説上のシナリオをシミュレートしたりする能力が欠けています。

研究 の 目的:

• * 因果ベイズネットワーク（CBN）と確率木（PTree）を統合する確率的因果融合（PCF）フレームワークを導入すること。; * 予測、要因の影響の定量化、および仮説上の介入のシミュレーションを可能にすること。; * 解釈可能性と因果推論を強化する、臨床意思決定支援のための統一されたツールキットを提供すること。

主な方法:

• * 因果関係のための因果ベイズネットワーク（CBN）と構造化予測のための確率木（PTree）の統合。; * MIMIC-IV、Framingham Heart Study、BRFSS（糖尿病）の多様な実世界のデータセットでの評価。; * 二層の解釈可能性のための感度分析とSHapley Additive exPlanations（SHAP）の組み込み。

主要な成果:

• * PCFは、3つのデータセットすべてで従来のMLモデルに匹敵する一貫した予測パフォーマンスを示しました。; * このフレームワークは、要因の影響を定量化し、仮説上の介入をシミュレートすることに成功しました。; * 感度分析（マクロレベルの因果経路）とSHAP（ミクロレベルの特徴量重要度）を通じて、解釈可能性が向上しました。

結論:

• * PCFは、臨床意思決定支援における予測、介入モデリング、および反事実分析のための統一されたアプローチを提供します。; * このフレームワークは、因果推論と予測モデリングを組み合わせることで、臨床的直感とデータ駆動型洞察の間のギャップを埋めます。; * PCFは、修正可能な要因と介入結果のシミュレーションとの関係を明確にすることによって、より情報に基づいたエビデンスに基づいた意思決定をサポートします。