揭示 COVID-19 患者的异质治疗效果：多任务机器学习的自动可解释性

案例研究：异质治疗效果的自动解释。

2022年

多任务机器学习可用于自动识别和可视化患者原型，以及治疗效果的预测因子。本文提出了一种使用可解释的层次结构框架来估计异质治疗效果的方法。附加模型用于根据患者因素可视化预期的治疗益处，确定个性化治疗益处。该方法对医院 COVID-19 死亡率具有很高的预测能力，并允许解释异质性益处。该方法首先在 MIMIC-IV ICU 数据集上进行测试，以确定是否可以恢复异质效应。然后，我们将这种方法应用于 3,000 多名 COVID-19 患者的独家数据集，发现异质性治疗效果是由炎症和血栓形成风险指标预测的：血栓形成指标较少的患者受益于针对炎症的治疗，而血栓形成指标较少的患者受益于针对炎症的治疗炎症指标受益于针对血栓形成的治疗。这种方法提供了一种自动化的方法来确定异质的、个性化的治疗效果。