G-Transformer: Counterfactual Outcome Prediction under Dynamic and Time-varying Treatment Regimes

在医疗决策的背景下，反事实预测使临床医生能够在给定观察到的患者历史记录的情况下，预测在替代治疗行动下感兴趣的治疗结果。以往的机器学习方法针对时间变化的治疗进行反事实预测，重点在于静态时间变化的治疗方案，其中治疗不依赖于以前的协变量历史。在这项工作中，我们提出了G-Transformer，这是一个基于Transformer的框架，支持在动态和时间变化的治疗策略下进行g计算以进行反事实预测。G-Transfomer使用Transformer架构捕获时间变化的协变量中的复杂长程依赖关系。G-Transformer使用编码器架构估计在每个时间点给定协变量和治疗历史记录的相关协变量的条件分布，然后通过模拟感兴趣的治疗策略下的患者前瞻性轨迹来产生反事实结果的蒙特卡罗估计。我们使用来自机械模型的两个模拟的纵向数据集和来自MIMIC-IV的真实世界脓毒症ICU数据集对G-Transformer进行了广泛评估。在这些设置中，G-Transformer优于传统的和最先进的反事实预测模型。据我们所知，这是第一个基于Transformer的架构，用于在动态和时间变化的治疗策略下进行反事实结果预测。论文发表后将发布代码。

本论文旨在解决医学决策中的反事实预测问题，即在观察到患者历史记录的情况下，预测在替代治疗方案下的治疗结果。与以往的机器学习方法不同的是，本文针对动态和时变的治疗策略提出了G-Transformer框架。

G-Transformer框架使用Transformer架构捕获时变协变量中的复杂长程依赖关系，通过编码器架构估计每个时间点给定协变量和治疗历史记录的相关协变量的条件分布，并通过模拟前向患者轨迹在感兴趣的治疗策略下产生蒙特卡罗估计的反事实结果。

本文在两个模拟的纵向数据集和一个来自MIMIC-IV的真实世界脓毒症ICU数据集上对G-Transformer进行了广泛评估，并表明G-Transformer在这些设置中优于传统和最先进的反事实预测模型。本文是首个针对动态和时变治疗策略的Transformer架构。

最近的相关研究包括使用深度学习进行反事实预测的其他方法，如基于神经网络的反事实预测模型和基于深度学习的反事实预测模型。