🧬 biology

Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time

Dit artikel introduceert Observable Neural ODE's (ObsNODEs), een raamwerk dat gebruikmaakt van controletheoretische waarneembaarheid om causale behandelingseffecten te identificeren in continue-tijd latentere ruimtemodellen met verborgen verstorende factoren, waardoor robuuste prognoses van potentiële uitkomsten onder alternatieve behandeltrajecten mogelijk worden.

Oorspronkelijke auteurs: Jennifer Wendland, Nicolas Freitag, Maik Kschischo

Gepubliceerd 2026-04-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Jennifer Wendland, Nicolas Freitag, Maik Kschischo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het Grote Probleem: De "Black Box"-arts

Stel je voor dat je een arts bent die probeert te voorspellen hoe een patiënt in de loop van de tijd beter of slechter wordt. Je hebt een stroom aan data: hun temperatuur, bloeddruk en de medicijnen die ze nemen.

Het lastige deel is dat je niet alles kunt zien wat er binnenin het lichaam van de patiënt gebeurt. Er zijn verborgen factoren (zoals een specifieke genetische eigenschap of een verborgen infectie) die zowel welke medicatie de arts kiest als hoe de patiënt reageert beïnvloeden. In het artikel worden deze "verborgen verstorende factoren" genoemd.

Omdat je deze verborgen factoren niet kunt zien, is het moeilijk te weten: Werkte het medicijn, of zou de patiënt sowieso al beter worden? Dit is het probleem van "causale inferentie". Als je de ware oorzaak-en-gevolgrelatie niet kunt achterhalen, kun je niet betrouwbaar voorspellen wat er zal gebeuren als je het behandelplan verandert.

De Oplossing: Het Onzichtbare Zichtbaar Maken

De auteurs, Jennifer Wendland en haar team, stellen een nieuw hulpmiddel voor genaamd ObsNODE (Observable Neural Ordinary Differential Equations).

Stel je een standaard AI-model dat probeert de toekomst van een patiënt te voorspellen voor als een bestuurder die probeert een mistige weg te navigeren. Ze kunnen de snelheid van de auto zien (de data), maar ze kunnen de weg vooruit niet duidelijk zien vanwege de mist (de verborgen factoren). Als de bestuurder verkeerd gokt over de weg, kan er een ongeluk gebeuren.

ObsNODE is als het geven van een speciale bril aan de bestuurder.
In plaats van alleen maar te gokken wat er in de mist zit, is ObsNODE gebouwd met een specifieke wiskundige regel die de AI dwingt om de verborgen toestand van de patiënt te kunnen "zien" door alleen naar de geschiedenis van hun symptomen en behandelingen te kijken. Het artikel bewijst dat als je de verborgen toestand niet kunt "zien" (observeren) uit de data, je je voorspellingen over wat er zou gebeuren als je de behandeling zou veranderen, niet kunt vertrouwen.

Hoe Het Werkt: De "Observable" Blauwdruk

Het artikel introduceert een specifieke manier om deze AI-modellen te bouwen, genaamd Observable Normal Form.

De Analogie: Stel je een complexe machine voor met veel tandwielen in een doos. Je kunt alleen de snelheid van één tandwiel zien (de output). Een normale AI zou proberen te raden hoe de andere tandwielen draaien, maar het kan in de war raken.
De ObsNODE-truc: De auteurs dwingen de AI om gebouwd te zijn als een specifiek type machine waarbij, als je lang genoeg naar het ene zichtbare tandwiel kijkt, je wiskundig precies kunt berekenen hoe elk ander verborgen tandwiel draait.
Waarom het belangrijk is: Door de AI op deze manier te bouwen, garanderen ze dat de "verborgen" ziektestatus daadwerkelijk uit de data kan worden hersteld. Dit zorgt ervoor dat de "oorzaak-en-gevolg"-wiskunde werkt.

De "Wat Als"-Machine

Zodra de AI dit duidelijke beeld heeft van de verborgen toestand van de patiënt, kan het "Wat Als"-scenario's uitvoeren.

Scenario A: De patiënt krijgt Medicijn X.
Scenario B: De patiënt krijgt Medicijn Y.

Omdat het model de verborgen mechanismen van de ziekte begrijpt (dankzij het "observable" ontwerp), kan het de toekomst voor beide scenario's simuleren en je vertellen welke waarschijnlijk tot een beter resultaat leidt. Dit heet Causale Voorspelling.

De Experimenten: Werkte Het?

Het team testte dit nieuwe hulpmiddel in drie verschillende "werelden":

De Simulatiewereld (Synthetische Kankergegevens): Ze creëerden een nepwereld waar ze de "grondwaarheid" kenden (ze wisten precies hoe de neptumoren groeiden). ObsNODE was beter in het voorspellen van tumorgroei en lichaamsgewicht dan andere recente AI-modellen, vooral wanneer de "verborgen factoren" sterk waren.
De Semi-reële Wereld (MIMIC-IV Sepsis-gegevens): Ze gebruikten echte ziekenhuisdata van patiënten met sepsis (een levensbedreigende reactie op een infectie), maar voegden een laag synthetische complexiteit toe om het model te testen. ObsNODE voorspelde consistent patiëntuitkomsten met lagere foutpercentages dan concurrenten zoals IGC-Net of SCIP-Net.
De Reële Wereld (Echte Sepsis-patiënten): Ze testten het op echte ziekenhuisregistraties om te voorspellen hoe patiënten zouden reageren op verschillende antibiotica. Ook hier toonde ObsNODE aan dat het de toekomstige loop van de gezondheid van de patiënt (specifiek de SOFA-score, die orgaanfalen meet) nauwkeuriger en stabieler kon voorspellen dan andere modellen.

De Conclusie

Het artikel beweert dat om de toekomst van een patiënt onder verschillende behandelingen te voorspellen, je hun verborgen gezondheidstoestand wiskundig moet kunnen "reconstrueren" uit hun zichtbare geschiedenis.

Ze bouwden ObsNODE om deze regel af te dwingen. Het is als het bouwen van een auto die moet hebben een heldere voorruit; als de voorruit mistig is, start de auto niet. Dit zorgt ervoor dat wanneer de AI een voorspelling doet over een nieuwe behandeling, deze gebaseerd is op een duidelijk begrip van de toestand van de patiënt, en niet op een gok in het donker.

Kortom: Ze bouwden een slimmere AI die zichzelf dwingt om de verborgen delen van een ziekte te begrijpen, waardoor artsen met veel meer vertrouwen "Wat als?" kunnen vragen.

1. Probleemstelling

Het paper adresseert de uitdaging van causale inferentie in sequentiële besluitvorming in continue tijd, met name in dynamische behandelingsregimes (DTR's) die veel voorkomen in de geneeskunde (bijvoorbeeld het aanpassen van behandelingen op basis van de evoluerende gezondheidsgeschiedenis van een patiënt).

Kernuitdaging: Het identificeren van dynamische behandelingseffecten in observationele data wordt bemoeilijkt door tijd-afhankelijke verstorende factoren en feedback tussen behandeling en verstorende factoren. In deze scenario's beïnvloeden covariaten zowel de toewijzing van de behandeling als de uitkomsten, terwijl ze zelf worden beïnvloed door eerdere behandelingen.
Verborgen Verstorende Factoren: Een kritieke complicatie is de aanwezigheid van verborgen verstorende factoren (niet-geobserveerde ziektestatussen) die zowel de behandeling als de uitkomsten beïnvloeden. Standaard methoden voor causale identificatie falen hier vaak omdat de relevante latente toestand slechts gedeeltelijk wordt geobserveerd.
Beperking van Bestaande Modellen: Bestaande Neural ODE-benaderingen voor causale inferentie missen vaak structurele garanties dat de latente toestand uniek kan worden gereconstrueerd uit observaties. Zonder dit blijft de filterverdeling over latente toestanden ambigu, wat de identificatie van causale effecten verhindert.

2. Methodologie: Observable Neural ODEs (ObsNODEs)

De auteurs stellen ObsNODEs voor, een klasse van Neural ODE-modellen die zijn ontworpen om observeerbaarheid te handhaven door constructie, en die controletheoretische observeerbaarheid koppelen aan causale identificeerbaarheid.

A. Theoretische Grondslag

State-Space Model: Het systeem wordt gemodelleerd als een continu-tijds latent state-space model:
- $\dot{z}_t = f_\theta(z_t, a_t)$ (Latente dynamiek gedreven door behandeling $a_t$ )
- $y_t = h(z_t)$ (Observatiemodel)
Observeerbaarheidsvoorwaarde: Het paper stelt vast dat voor het identificeerbaar zijn van dynamische behandelingseffecten in aanwezigheid van verborgen verstorende factoren, de latente toestand $z_t$ observeerbaar moet zijn. Dit betekent dat de initiële toestand (en dus de hele traject) uniek moet worden bepaald door de geschiedenis van de geobserveerde output over een eindig tijdsbestek.
Causale Aanpassingsformule: De auteurs leiden een continu-tijds aanpassingsformule af voor de potentiële uitkomstverdeling $P(Y_{t+s}(a_{[t, t+s)}) | Y_t, O_{[0,t)})$ .
$P(Y_{t+s} | \dots) = \int p(y_{t+s}|z_{t+s}) p(z_{t+s}|a_{[t, t+s)}, z_t) p(z_t | y_t, o_{[0,t)}) dz_t dz_{t+s}$
Deze formule is afhankelijk van de filterverdeling $p(z_t | y_t, o_{[0,t)})$ . Als het systeem niet observeerbaar is, kan deze verdeling niet uniek worden geïdentificeerd, en faalt de causale voorspelling.
Conditioneel Front-Door Criterium (CFD): De afleiding verbindt het state-space model met het CFD, waarbij de latente toestand wordt behandeld als een mediator die alle gerichte paden van behandeling naar uitkomst onderbreekt, waardoor causale identificatie mogelijk is zelfs bij niet-geobserveerde verstorende factoren.

B. Modelarchitectuur: Observable Normal Form

Om observeerbaarheid te garanderen, parametriseren ObsNODEs de latente dynamiek in continu driehoekige observeerbare normale vorm:

De latente toestand $Z_t$ wordt opgedeeld in blokken.
De dynamiek is zo gestructureerd dat het eerste blok direct overeenkomt met de observatie (plus ruis), en de daaropvolgende blokken afhankelijk zijn van eerdere blokken en de behandeling.
Structuur:
$\dot{Z}^{(1)}_t = Z^{(2)}_t + \phi^{(1)}(Z^{(1)}_t, a_t)$
$\dot{Z}^{(i)}_t = Z^{(i+1)}_t + \phi^{(i)}(Z^{(1)}_t, \dots, Z^{(i)}_t, a_t)$
$Y_t = Z^{(1)}_t + \epsilon_t$
Deze structuur zorgt ervoor dat de latente toestand reconstrueerbaar is uit de observatiegeschiedenis, waardoor aan de noodzakelijke voorwaarde voor de causale aanpassingsformule wordt voldaan.

C. Training en Inferentie

Filtering: Een RNN (LSTM) encoder wordt gebruikt om de filterverdeling $p(z_t | y_t, o_{[0,t)})$ te benaderen, gegeven de geobserveerde geschiedenis tot een beslismoment $t_c$ .
Voorspelling: Toekomstige uitkomsten onder hypothetische behandelingspaden worden voorspeld door de Neural ODE voorwaarts in de tijd te integreren vanaf de afgeleide latente toestand.
Verliesfunctie: Training is zelftoezichtend met behulp van een gemaskerde kwadratische foutverlies over onregelmatig bemonsterde tijdstippen, genormaliseerd door uitkomstvariatie om variërende observatiefrequenties te hanteren.

3. Belangrijkste Bijdragen

Theoretische Link: Bewezen dat observeerbaarheid van de latente toestand een noodzakelijke voorwaarde is voor het identificeren van dynamische behandelingseffecten in continu-tijds systemen met verborgen verstorende factoren. Dit overbrugt controletheorie en causale inferentie.
Afleiding van Aanpassingsformule: Afgeleid van een continu-tijds causale aanpassingsformule die potentiële uitkomsten uitdrukt via het meetmodel, de latente dynamiek en de filterverdeling.
Nieuwe Architectuur (ObsNODE): Geïntroduceerde Neural ODE's in observeerbare normale vorm die observeerbaarheid door constructie afdwingen, waardoor robuuste causale voorspelling onder dynamische behandelingsregimes mogelijk wordt.
Empirische Validatie: Aangetoond superieure prestaties ten opzichte van state-of-the-art sequentiemodellen (IGC-Net, SCIP-Net, OptAB, DoseAI) over synthetische, semi-synthetische en real-world klinische datasets.

4. Experimentele Resultaten

Het model werd geëvalueerd op drie datasets:

Synthetische Kankerdata: Gesimuleerde tumorvolume en lichaamsgewicht onder chemo/radiotherapie met variërende sterkte van verstorende factoren ( $\gamma$ $γ$ ).
- Resultaat: ObsNODE behaalde de laagste Root Mean Squared Error (RMSE) voor korte voorspellinghorizonten en consequent lage variantie over runs. Het presteerde beter dan baselines in scenario's met hoge verstorende factoren.
Semi-Synthetische MIMIC-IV (Sepsis): Genereerd uit real-patiënttrajecten met synthetische behandelingseffecten en verborgen verstorende factoren.
- Resultaat: ObsNODE behield lage RMSE over een 24-uurs horizon, aanzienlijk beter dan SCIP-Net en OptAB, vooral voor langere horizonten. Het toonde superieure stabiliteit (lage variantie) in vergelijking met baselines.
Real-World Sepsis Data (MIMIC-IV): Voorspelde het effect van antibiotica (Vancomycin, Ceftriaxone, Piperacillin-tazobactam) op SOFA-scores en markers voor orgaantoxiciteit (Creatinine, Bilirubine, ALT).
- Resultaat: ObsNODE leverde robuuste voorspellingen voor SOFA-scores en langetermijnlaboratoriumvariabelen, en presteerde beter dan IGC-Net en SCIP-Net bij langere voorspellinghorizonten.

5. Betekenis en Impact

Oplossen van Verborgen Verstorende Factoren: Het paper biedt een rigoureuze oplossing voor causale voorspelling in aanwezigheid van verborgen verstorende factoren, een grote bottleneck in medische AI. Door observeerbaarheid af te dwingen, zorgt het ervoor dat het model een unieke latente representatie van de ziektestatus leert.
Continu-Tijds Modellering: In tegenstelling tot discrete-tijdsmodellen (bijvoorbeeld Transformers, RNN's) die worstelen met onregelmatige bemonstering, hanteren ObsNODEs op natuurlijke wijze continu-tijds dynamiek en onregelmatige observatie-intervallen, wat cruciaal is voor klinische data.
Klinische Toepasbaarheid: Het vermogen om uitkomsten te voorspellen onder hypothetische behandelingspaden (contrfacten) stelt clinici in staat om "what-if" scenario's te simuleren, wat persoonlijke dynamische behandelingsregimes en doseringsoptimalisatie ondersteunt.
Theoretische Strenge: Het werk gaat voorbij aan heuristische deep learning-benaderingen door de architectuur te gronden in controletheoretische observeerbaarheid en theorie van causale identificatie, en biedt een principiële raamwerk voor causale voorspelling.

Kortom, vertegenwoordigen ObsNODEs een significante vooruitgang in causaal machine learning door wiskundig te garanderen dat de latente dynamiek die nodig is voor causale identificatie, kan worden hersteld uit geobserveerde data, wat leidt tot betrouwbaardere en interpreteerbaardere voorspellingen voor dynamische medische behandelingen.