🤖 machine learning

Joint Treatment Effect Estimation from Incomplete Healthcare Data: Temporal Causal Normalizing Flows with LLM-driven Evolutionary MNAR Imputation

Dieser Artikel schlägt eine neuartige zweistufige Pipeline vor, die DAG-beschränkte normalisierende Flows für die exakte kontrafaktische Inferenz mit einem durch ein LLM gesteuerten evolutionären Imputator zur Bewältigung hoher Raten von nicht-zufällig fehlenden Daten kombiniert, wodurch eine robuste gemeinsame Schätzung von Behandlungseffekten aus unvollständigen longitudinalen elektronischen Gesundheitsakten ermöglicht wird.

Ursprüngliche Autoren: Olivia Jullian Parra, Sara Zoccheddu, David Catalan Cerezo, Tom Forzy, Franziska Ulrich, William Sutcliffe, Jakob Martin Burgstaller, Oliver Senn, Patrick Owen, Nicola Serra

Veröffentlicht 2026-05-07

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Olivia Jullian Parra, Sara Zoccheddu, David Catalan Cerezo, Tom Forzy, Franziska Ulrich, William Sutcliffe, Jakob Martin Burgstaller, Oliver Senn, Patrick Owen, Nicola Serra

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Detektiv, der herausfinden muss, welches von zwei neuen Medikamenten bei Menschen mit Typ-2-Diabetes besser zur Gewichtsreduktion wirkt. In einer perfekten Welt würden Sie eine „randomisierte kontrollierte Studie" (RCT) durchführen, bei der Sie eine Münze werfen, um zu entscheiden, wer welches Medikament erhält. Dies eliminiert jegliches Raten.

In der realen Welt können wir jedoch nicht immer Münzen werfen. Wir müssen auf elektronische Gesundheitsakten (EHRs) zurückgreifen – die digitalen Dateien, die Ärzte führen. Diese Akten sind unordentlich. Sie sind wie eine Bibliothek, in der:

Bücher fehlen: Ärzte notieren nicht jede Messung (wie den Blutdruck) für jeden Patienten, insbesondere wenn der Patient gesund erscheint. Dies wird als „Missing Not At Random" (MNAR) bezeichnet – die Daten fehlen wegen des Gesundheitszustands des Patienten und nicht nur zufällig.
Die Geschichte ist kompliziert: Patienten verändern sich im Laufe der Zeit. Ein Arzt könnte ein Medikament deshalb verschreiben, weil das Gewicht des Patienten im letzten Monat zugenommen hat. Dies erzeugt ein verworrenes Netz aus Ursache und Wirkung, das schwer zu entwirren ist.

Diese Arbeit stellt ein zweistufiges Detektivwerkzeug vor, CausalFlow-T, um dieses Durcheinander zu lösen und die Frage zu beantworten: „Welches Medikament verursacht tatsächlich Gewichtsverlust?"

Schritt 1: Der „zeitreisende" Imputer (Die fehlenden Seiten reparieren)

Zuerst musste das Team die fehlenden Seiten in der medizinischen Bibliothek reparieren. Standardmethoden zum Auffüllen fehlender Daten sind wie das Raten des nächsten Wortes in einem Satz basierend nur auf dem vorherigen Wort. Sie versagen oft, wenn die Daten aus einem bestimmten Grund fehlen (z. B. weil ein Arzt einen Test überspringt, da der Patient zu krank ist).

Die Autoren verwendeten ein Large Language Model (LLM) – dieselbe Art von KI, die Gedichte oder Code schreibt –, aber sie baten es nicht einfach, zu „raten". Stattdessen behandelten sie die KI wie einen kreativen Redakteur in einem Spiel der „Evolution".

Die Analogie: Stellen Sie sich eine kaputte Maschine vor. Sie bitten eine KI, ein neues Teil zu schreiben, um sie zu reparieren.
- Die KI schreibt ein Stück Code (einen „kandidaten Imputer").
- Sie testen es an einem kleinen, versteckten Abschnitt der Daten, um zu sehen, wie gut es funktioniert.
- Wenn es besser ist als die vorherige Version, behalten Sie es. Wenn nicht, verwerfen Sie es.
- Die KI betrachtet dann, was sie gerade getan hat, lernt aus ihren Fehlern und versucht, ein noch besseres Teil zu schreiben.
Das Ergebnis: Dieser „evolutionäre" Prozess schuf ein superintelligentes Werkzeug, das fehlende medizinische Daten (wie Blutdruck oder Cholesterin) mit hoher Genauigkeit auffüllen konnte, selbst wenn 80 % der Daten fehlten. Entscheidend ist, dass es nicht nur die Zahlen auffüllte; es bewahrte die Beziehungen zwischen ihnen (z. B. sicherstellend, dass wenn der Blutdruck steigt, das Risiko für Herzprobleme steigt, genau wie im echten Leben).

Schritt 2: Die „kausale Zeitmaschine" (Der Fluss)

Sobald die Daten vollständig waren, mussten sie die Ursache-Wirkungs-Beziehung herausfinden. Viele KI-Modelle sind gut darin, vorherzusagen, „was als Nächstes passiert", aber sie sind schlecht darin, zu beantworten, „was wäre passiert, wenn wir etwas anderes getan hätten?"

Die Autoren bauten CausalFlow-T, das wie eine kausale Zeitmaschine funktioniert.

Die Analogie: Stellen Sie sich einen Fluss vor, der flussabwärts fließt.
- Standard-KI: Beobachtet nur das Fließen des Wassers und sagt voraus, wo die nächste Welle sein wird. Sie versteht nicht, warum das Wasser auf diese Weise fließt.
- CausalFlow-T: Es besitzt eine Karte des Flussbettes (ein DAG oder gerichteter azyklischer Graph), die von medizinischen Experten gezeichnet wurde. Es weiß genau, welche Steine (Confounder) bewirken, dass das Wasser sich dreht.
- Die Magie: Da es einen „Normalizing Flow" verwendet (einen mathematischen Trick, der perfekt reversibel ist), kann es den Fluss rückwärts laufen lassen, um genau zu sehen, woher das Wasser kam, dann den Fluss pausieren, die Steine verändern (eine andere Behandlung simulieren) und ihn wieder vorwärts laufen lassen, um den exakten neuen Pfad zu sehen.
Warum dies wichtig ist: Andere Methoden versuchen, die Antwort unter Verwendung von Näherungen zu erraten (wie ein unscharfes Foto). CausalFlow-T macht ein „perfektes Foto" (exakte Inferenz). Die Arbeit zeigt, dass ohne die Experten-Karte (den DAG) und die perfekte Kamera (exakte Inferenz) die KI die Antwort falsch bekommt, manchmal sogar vorhersagt, dass ein hilfreiches Medikament schädlich ist.

Der Realwelt-Test

Das Team testete diese zweistufige Pipeline mit echten Daten aus Schweizer Hausarztpraxen, die über 6.000 Erwachsene mit Typ-2-Diabetes umfassten. Sie verglichen zwei beliebte Medikamentenklassen: GLP-1-Rezeptor-Agonisten (wie Ozempic) und SGLT-2-Hemmer.

Obwohl die Daten unvollständig und unordentlich waren, berechnete ihr Werkzeug, dass Patienten, die GLP-1-Medikamente einnahmen, nach einem Jahr durchschnittlich 0,98 kg (ca. 2,1 Pfund) mehr verloren als diejenigen, die SGLT-2-Hemmer einnahmen.

Der „Aha!"-Moment: Dieses Ergebnis stimmte fast perfekt mit einer berühmten, teuren Goldstandard-Klinischen Studie (der SUSTAIN-8-Studie) überein, die sorgfältig kontrollierte Bedingungen hatte. Dies bewies, dass ihr Werkzeug für „unordentliche Daten" dieselbe Wahrheit finden konnte wie ein perfektes Experiment.

Zusammenfassung der Behauptungen der Arbeit

Das Problem: Medizinische Realweltdaten enthalten zu viele fehlende Informationen, und die fehlenden Teile sind nicht zufällig. Standard-KI-Werkzeuge versagen darin, die komplexen Ursache-Wirkungs-Beziehungen in diesen unordentlichen Daten zu entwirren.
Die Lösung: Eine zweistufige Pipeline.
- Stufe 1: Eine KI, die sich „entwickelt", um fehlende Daten aufzufüllen, während die biologischen Beziehungen intakt bleiben.
- Stufe 2: Eine „kausale Zeitmaschine" (CausalFlow-T), die eine Experten-Karte verwendet, um zu simulieren, was passieren würde, wenn ein Patient ein anderes Medikament einnehmen würde, ohne mathematische Fehler zu machen.
Die Entdeckung: Sie fanden heraus, dass man sowohl die Experten-Karte (DAG) als auch die perfekte Mathematik (exakte Inferenz) benötigt. Wenn man das eine, aber nicht das andere hat, versagt das Werkzeug stillschweigend.
Der Beweis: Wenn auf echte Diabetes-Patienten angewendet, fand das Werkzeug einen Gewichtsverlust-Unterschied, der mit den Ergebnissen einer perfekten klinischen Studie übereinstimmte, was bewies, dass es zuverlässige Antworten aus unvollkommenen, realen Aufzeichnungen extrahieren kann.

Die Arbeit behauptet nicht, dass dieses Werkzeug Ärzte ersetzen sollte oder dass es für jede Krankheit funktioniert. Sie demonstriert spezifisch, dass diese Methode zur Schätzung von Behandlungseffekten bei Typ-2-Diabetes unter Verwendung von Schweizer Hausarztdaten funktioniert und zeigt, dass wir verlässliche Antworten aus unordentlichen Realweltdaten erhalten können, wenn wir die richtigen mathematischen Werkzeuge verwenden.

Technische Zusammenfassung: Gemeinsame Schätzung von Behandlungseffekten aus unvollständigen Gesundheitsdaten

Problemstellung

Der Artikel adressiert die kritische Herausforderung, kausale Behandlungseffekte aus beobachtenden Elektronischen Gesundheitsakten (EHRs) zu schätzen, wenn zwei sich verstärkende Schwierigkeiten vorliegen: zeitlich variierende Konfundierung und Missing-Not-At-Random (MNAR) fehlende Werte.

Standardmethoden zur Emulation von Zielstudien (Target Trial Emulation, TTE) scheitern in realen EHR-Umgebungen häufig aus folgenden Gründen:

Zeitlich variierende Konfundierung: Behandlungsentscheidungen werden durch sich entwickelnde Patientenprofile getrieben, was komplexe Abhängigkeiten schafft, die bestehende Methoden oft nur unter restriktiven parametrischen Annahmen oder ohne explizite kausale Struktur handhaben.
MNAR-Fehlende Werte: Kritische Biomarker in EHRs weisen häufig Fehlerraten von 50 % bis 80 % auf. Diese Lücken werden durch klinische Entscheidungen getrieben (z. B. werden Tests nur angefordert, wenn ein Zustand vermutet wird), was bedeutet, dass die Wahrscheinlichkeit fehlender Daten von dem unbeobachteten Wert selbst abhängt.
Verstärkte Verzerrung: Standard-Imputationsstrategien (z. B. MICE, MissForest) gehen typischerweise von Missing-At-Random (MAR) aus und werden bei niedrigen Fehlerraten validiert. Wenn sie auf hochratige MNAR-Daten angewendet werden, verzerren sie die Korrelationsstrukturen zwischen Biomarkern und Ergebnissen, was zu verzerrten kausalen Schätzungen führt.

Bestehende Ansätze behandeln Imputation und kausale Inferenz oft als separate Stufen oder verlassen sich auf variationale/adversarielle Approximationen, die stille Fehler bei der kontrafaktischen Schätzung einführen.

Methodik

Die Autoren schlagen eine zweistufige Pipeline vor, die entwickelt wurde, um MNAR-Fehlende Werte und kausale Strukturen über die Zeit gemeinsam zu handhaben.

Stufe 1: LLM-gesteuerte evolutionäre Imputation

Um den Eingabedaten mit Lücken zu begegnen, führen die Autoren ein evolutionäres Suchframework ein, bei dem ein Large Language Model (LLM) als Mutationsoperator fungiert, um Imputationsstrategien zu generieren.

Mechanismus: Anstatt dass das LLM fehlende Werte direkt ausfüllt, schlägt es Kandidaten-Python-Module (Imputer) $g^{(k)}$ vor.
Selbstüberwachter Proxy-Score: Die Qualität jedes Kandidaten wird auf einem Proxy-Holdout-Set (maskierte beobachtete Daten) unter Verwendung eines zusammengesetzten Scores $s(g)$ bewertet:
$s(g) = \text{RMSE}(g) + \lambda_Y \Delta_Y(g) + \lambda_T \Delta_T(g)$
Dieser Score bestraft den punktweisen Rekonstruktionsfehler (RMSE) und entscheidend die Verzerrung von Kovariaten-Ergebnis-Korrelationen ( $\Delta_Y$ ) und Kovariaten-Behandlungs-Korrelationen ( $\Delta_T$ ). Dies stellt sicher, dass die imputierten Daten die für die nachgelagerte Schätzung erforderliche kausale Struktur bewahren.
Evolutionäre Schleife: Ausgehend von einem Seed-Imputer schlägt das LLM iterativ Variationen basierend auf dem aktuellen besten Kandidaten und einer Zusammenfassung der Suchhistorie vor und akzeptiert nur diejenigen, die den Proxy-Score strikt verbessern.
Backends: Die Methode wurde unter Verwendung von drei LLM-Backends evaluiert: GPT-5.4, GPT-OSS-120b und Qwen3.5-Plus.

Stufe 2: CausalFlow-T (Exakte kontrafaktische Inferenz)

Die vervollständigten Daten $\hat{D}$ werden in CausalFlow-T eingespeist, ein neuartiges Modell für exakte kontrafaktische Inferenz.

Architektur: Es kombiniert einen Causal Masked Autoregressive Flow (CausalMAF) mit einem Long Short-Term Memory (LSTM)-Encoder.
DAG-Constraints: Der Flow ist durch einen von Experten spezifizierten Directed Acyclic Graph (DAG) eingeschränkt. Die autoregressive Ordnung der Variablen folgt strikt der topologischen Sortierung des DAG. Dies stellt sicher, dass Interventionen (do-Operationen) nur durch kausale Nachkommen propagiert werden und anti-kausale Leckagen verhindert werden.
Exakte Inferenz: Im Gegensatz zu Variational Autoencodern (CVAE) oder GAN-basierten Methoden, die eine untere Schranke (ELBO) oder adversarielle Ziele optimieren, maximiert CausalFlow-T die exakte Log-Likelihood.
Kontrafaktisches Verfahren: Es wendet Pearls Abduction-Action-Prediction (AAP)-Verfahren an:
1. Abduktion: Invertieren des Flows exakt, um das exogene Rauschen $z_t$ für einen spezifischen Patienten wiederherzustellen.
2. Aktion: Intervention auf der Behandlungsvariable ( $A \leftarrow a'$ ), während $z_t$ fixiert bleibt.
3. Vorhersage: Propagieren der Intervention durch den DAG-eingeschränkten Flow, um das kontrafaktische Ergebnis zu generieren.
  Dies garantiert, dass dasselbe patientenspezifische Rauschen sowohl für die faktischen als auch für die kontrafaktischen Arme verwendet wird, eine Eigenschaft, die variationale Methoden nicht bieten können.

Hauptbeiträge

CausalFlow-T: Ein durch DAG eingeschränkter normalisierender Flow, der exakte, invertierbare kontrafaktische Inferenz für longitudinale Daten ermöglicht. Die Autoren zeigen, dass es das einzige Modell ist, das fünf Zuverlässigkeitskriterien gleichzeitig erfüllt (Subgruppenkalibrierung, Erhaltung der Tail-Varianz, Arm-Rekonstruktion, Wiederherstellung des Hazard-Ratio, und Stabilität).
Identifikation nicht überlappender Fehlermodi: Durch Ablationsstudien offenbart der Artikel zwei unterschiedliche Fehlermodi in der kausalen Inferenz:
- Trennung der Konfundierung: Erfordert eine explizite kausale Struktur (DAG-Constraints). Modelle ohne DAG-Constraints behalten systematische Verzerrungen bei, selbst bei geringem faktischem Fehler.
- Strukturelle Propagation: Erfordert exakte Inferenz. Variationale Methoden (selbst mit korrekten DAGs) scheitern daran, wahre Behandlungseffekte unter komplexen Mediationspfaden aufgrund von Approximationslücken (Posterior Collapse) wiederherzustellen.
LLM-gesteuerte evolutionäre Imputation: Eine neuartige Imputationsstrategie, die Standardstatistische Methoden (LOCF, MissForest) und Flow-Matching-Baselines bei der Erhaltung kausaler Korrelationsstrukturen unter 30 %–80 % MNAR-Fehlenden Werten übertrifft.
Gemeinsames Evaluierungsframework: Der Artikel stellt fest, dass punktweise Rekonstruktionsgenauigkeit und kausale Fidelity keine ausgerichteten Ziele sind. Er führt eine zweischichtige Evaluation (Biomarker-Qualität + nachgelagerte kausale Qualität) ein, um Trade-offs zu erkennen, die für Standardmetriken unsichtbar sind.

Ergebnisse

Synthetische und semi-synthetische Benchmarks

Leistung von CausalFlow-T: Auf vier synthetischen Datensätzen (einschließlich eines komplexen 17-Knoten-CVD-Risiko-Benchmarks) und einem semi-synthetischen, auf FIRE basierenden Datensatz war CausalFlow-T das einzige Modell, das alle Zuverlässigkeitskriterien bestand.
- Konkurrenten wie GNN-CVAE und CVAE litten unter Posterior Collapse (Vorhersage nuller Effekte, wo echte Effekte existierten) oder Varianzcollapse.
- TARNet und unbeschränkte Flows scheiterten daran, korrekte Hazard-Ratios oder invertierte Behandlungsrichtungen wiederherzustellen.
Imputationsleistung: Der LLM-gesteuerte Imputer (insbesondere GPT-5.4) erreichte den besten gepoolten Rang über Biomarker- und kausale Metriken hinweg.
- Er behielt den niedrigsten punktweisen MAE und RMSE über 30 %, 50 % und 80 % Fehlende Werte bei.
- Entscheidend war, dass er die einzige Strategie war, die die Wiederherstellung des Average Treatment Effect (ATE) bewahrte, während statistische Methoden (MissForest, CausalCFM) mit zunehmender Fehlerrate progressiv verschlechterten.
- Die Studie hob einen Trade-off hervor: Während CausalCFM bei niedrigeren Fehlerraten manchmal Korrelationen besser bewahrte, dominierten LLMs in Regimen mit hohen Fehlerraten und bei temporaler Extrapolation.

Anwendung in der realen Welt

Die Pipeline wurde auf eine Kohorte von 6.114 Erwachsenen mit Typ-2-Diabetes in der Schweizer Primärversorgung (FIRE-Datenbank) angewendet, um den Effekt der Initiierung von GLP-1-Rezeptoragonisten im Vergleich zu SGLT-2-Inhibitoren auf das Körpergewicht nach einem Jahr zu schätzen.

Ergebnis: Die Pipeline schätzte eine per-Protokoll-Gewichtsverlustdifferenz von −0,98 kg [95 % KI −1,01, −0,96], die GLP-1RAs begünstigt.
Validierung: Diese Schätzung ist konsistent mit der SUSTAIN-8-Randomized-Controlled-Trial (RCT), die eine Differenz von −1,06 kg berichtete, trotz der Tatsache, dass die realen Daten >50 % MNAR-Fehlende Werte und gemischte Wirkstoffagenten aufwiesen.

Bedeutung und Behauptungen

Der Artikel behauptet, dass die gemeinsame Behandlung kausaler Strukturen und MNAR-Fehlender Werte sowohl notwendig als auch machbar ist für die praktische Schätzung von Behandlungseffekten aus beobachtenden Daten.

Über RCTs hinaus: Die Arbeit zeigt, dass ML-basierte Pipelines kausale Evidenz über die eingeschränkten Populationen und Bedingungen von RCTs hinaus auf reale klinische Settings ausdehnen können, in denen Studien nicht durchführbar sind.
Zuverlässigkeit vor Genauigkeit: Die Autoren argumentieren, dass ein niedriger faktischer Vorhersagefehler (MAE) für die kausale Inferenz unzureichend ist. Modelle müssen strukturelle Kriterien (Erhaltung der Varianz, korrekte Propagation der Mediation) erfüllen, um zuverlässig zu sein.
Verbindung Imputation-Kausalität: Die Studie stellt fest, dass Imputationsentscheidungen direkte, messbare Auswirkungen auf die kausale Validität haben, was gemeinsame Evaluierungsmetriken erfordert, anstatt Imputation als reinen Rekonstruktionsaufgabe zu behandeln.
Bescheidene Einschränkungen: Die Autoren erkennen Einschränkungen an, darunter die Abhängigkeit von von Experten spezifizierten DAGs (Sensitivitätsanalysen zeigen, dass die Verzerrung mit der Entfernung einzigartiger Pfade zunimmt), die Verwendung kontinuierlicher Relaxierung für binäre Überlebensergebnisse (was die Kalibrierung beeinflusst) und die Annahme bedingter Austauschbarkeit. Sie stellen fest, dass zukünftige Arbeiten diskrete Flow-Architekturen und automatisierte DAG-Verfeinerung untersuchen sollten.

Zusammenfassend bietet der Artikel ein robustes, zweistufiges Framework, das die Lücke zwischen unvollständigen, unordentlichen realen EHR-Daten und rigoroser kausaler Inferenz schließt, validiert durch sowohl synthetische Ground Truths als auch Konsistenz mit etablierten RCT-Evidenzen.