الكشف الآلي عن فرص الاستدلال السببي: اكتشاف المجموعات الفرعية لانقطاع الانحدار
Author
Venue
ICML IMLH (غير أرشيفي)، TMLR
Abstract
يُعد التجارب العشوائية المضبوطة (RCT) المعيار الذهبي لتحديد الآثار السببية، ولكن قد لا يكون من الممكن دائمًا إجراء هذه التجارب. ومع ذلك، عندما تعتمد العلاجات على عتبة معينة، مثل عتبة السكر في الدم لتشخيص مرض السكري، لا يزال بإمكاننا في بعض الأحيان تقدير الآثار السببية باستخدام انقطاعات الانحدار (RD). تكون RD صالحة عندما يكون للوحدات التي تقع فوق العتبة وتحتها مباشرةً نفس توزيع المتغيرات المشتركة، وبالتالي لا يوجد تشويش في وجود ضوضاء، مما يؤدي إلى إنشاء توزيع عشوائي افتراضي. ومع ذلك، قد يكون تنفيذ دراسات RD صعبًا في الممارسة العملية، حيث يتطلب تحديد عتبات العلاج خبرة كبيرة في المجال — علاوة على ذلك، قد تختلف العتبات عبر المجموعات الفرعية (على سبيل المثال، قد تختلف عتبة السكر في الدم لمرض السكري عبر الفئات السكانية)، وقد يؤدي تجاهل هذه الاختلافات إلى انخفاض القوة الإحصائية. يعد تحديد العتبات ومن تنطبق عليهم مشكلة مهمة يتم حلها حاليًا يدويًا بواسطة خبراء المجال، وهناك حاجة إلى مناهج قائمة على البيانات عندما لا تكون الخبرة في المجال كافية. هنا، نقدم "اكتشاف المجموعات الفرعية لانقطاع الانحدار" (RDSGD)، وهي طريقة تعلم آلي تحدد مجموعات فرعية قوية إحصائيًا وقابلة للتفسير لعتبات انقطاع الانحدار. باستخدام مجموعة بيانات المطالبات الطبية التي تضم أكثر من 60 مليون مريض، نطبق RDSGD على سياقات سريرية متعددة ونحدد المجموعات الفرعية التي تتمتع بامتثال متزايد لعتبات تخصيص العلاج. ونظرًا لأهمية عتبات العلاج في العديد من الأمراض وقرارات السياسات، يمكن أن تكون RDSGD أداة قوية لاكتشاف سبل جديدة للتقدير السببي.
