🤖 machine learning

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

本文提出了一种新颖的两阶段流程，结合基于有向无环图约束的归一化流以实现精确的反事实推断，以及由大语言模型驱动的进化插补器以处理高比例的缺失非随机数据，从而能够从缺失的纵向电子健康记录中稳健地估计联合治疗效果。

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

发布于 2026-05-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

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

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象你是一名侦探，试图弄清楚两种治疗 2 型糖尿病的新药中，哪一种在降低体重方面效果更好。在一个理想的世界里，你会开展一项“随机对照试验”（RCT），通过抛硬币来决定谁服用哪种药物。这将消除所有的猜测。

但在现实世界中，我们无法总是抛硬币。我们必须查看电子健康记录（EHRs）——医生保存的数字文件。这些记录杂乱无章。它们就像一座图书馆，其中：

书籍缺失：医生不会为每位患者记录每一项测量值（如血压），尤其是当患者看起来状况良好时。这被称为“非随机缺失”（MNAR）——数据的缺失是因为患者的健康状况，而不仅仅是偶然。
故事错综复杂：患者会随时间变化。医生可能会因为患者上个月的体重增加而开具某种药物。这形成了一个难以理清的因果关系网。

本文介绍了一种名为CausalFlow-T的两步侦探工具，旨在解决这一混乱局面，并回答这个问题：“哪种药物实际上导致了体重减轻？”

第一步：“时间旅行”填补器（修复缺失的页面）

首先，团队必须修复医疗图书馆中缺失的页面。填补缺失数据的标准方法，就像仅根据前一个词来猜测句子中的下一个词。当数据因特定原因（例如医生因患者病情过重而跳过某项检查）而缺失时，这些方法往往会失效。

作者使用了大型语言模型（LLM）——即那种能写诗或写代码的同类型人工智能——但他们并没有只是让 AI“猜测”。相反，他们将 AI 视为进化游戏中的“创意编辑”。

类比：想象你有一台损坏的机器。你请 AI 编写一个新零件来修复它。
- AI 编写一段代码（一个“候选填补器”）。
- 你在数据的一小部分隐藏区域测试它，看其效果如何。
- 如果它比上一个版本更好，你就保留它；否则，就将其丢弃。
- 然后，AI 审视它刚才所做的，从错误中学习，并尝试编写一个更好的零件。
结果：这种“进化”过程创造了一个超级智能的工具，即使 80% 的数据缺失，也能以高精度填补缺失的医疗数据（如血压或胆固醇）。关键在于，它不仅仅是填入数字，而是保留了它们之间的关系（例如，确保如果血压升高，心脏问题的风险也随之升高，就像在现实生活中一样）。

第二步：“因果时间机器”（流）

一旦数据完整，他们就需要理清因果关系。许多 AI 模型擅长预测“接下来会发生什么”，但在回答“如果我们做了不同的事情，本来会发生什么？”这个问题时却表现糟糕。

作者构建了CausalFlow-T，它就像一台因果时间机器。

类比：想象一条河流向下游流淌。
- 标准 AI：只是观察水流，预测下一个涟漪会出现在哪里。它并不理解水为什么以这种方式流动。
- CausalFlow-T：它拥有一张由医学专家绘制的河床地图（DAG或有向无环图）。它确切地知道哪些岩石（混杂因素）导致水流旋转。
- 神奇之处：因为它使用了“归一化流”（一种完全可逆的数学技巧），它可以倒流河流，精确地看到水来自何处，然后暂停河流，改变岩石（模拟不同的治疗方案），再让河流向前流动，以观察确切的新路径。
为何重要：其他方法试图通过近似值（如模糊的照片）来猜测答案。CausalFlow-T 则拍摄“完美照片”（精确推断）。论文表明，如果没有专家地图（DAG）和完美相机（精确推断），AI 就会得出错误的答案，有时甚至预测一种有益的药物是有害的。

现实世界测试

团队在来自瑞士初级保健诊所的真实数据上测试了这一两步流程，涉及 6000 多名 2 型糖尿病成人。他们比较了两类流行药物：GLP-1 受体激动剂（如 Ozempic）和SGLT-2 抑制剂。

尽管数据不完整且杂乱，他们的工具计算出，在一年后，服用 GLP-1 药物的患者平均比服用 SGLT-2 抑制剂的患者多减重0.98 公斤（约 2.1 磅）。

“顿悟”时刻：这一结果与著名的、昂贵的、金标准的临床试验（SUSTAIN 8 试验）几乎完美吻合，该试验具有严格控制的条件。这证明了他们的“杂乱数据”工具能够发现与完美实验相同的真相。

论文主张总结

问题：现实世界的医疗数据缺失了太多信息，且缺失部分并非随机。标准 AI 工具无法理清这种杂乱数据中复杂的因果关系。
解决方案：一个两阶段流程。
- 阶段 1：一个“进化”的 AI，用于填补缺失数据，同时保持生物关系的完整性。
- 阶段 2：一个“因果时间机器”（CausalFlow-T），利用专家地图来模拟如果患者服用不同药物会发生什么，而不会产生数学错误。
发现：他们发现，你需要同时拥有专家地图（DAG）和完美的数学（精确推断）。如果你只拥有其中之一而缺乏另一个，工具就会静默失效。
证明：当应用于真实的糖尿病患者时，该工具发现的体重减轻差异与完美临床试验的结果相匹配，证明了它可以从不完美的现实世界记录中提取可靠的答案。

本文并未声称该工具应取代医生，或适用于每种疾病。它具体展示了该方法如何利用瑞士初级保健数据来估算 2 型糖尿病的治疗效果，表明如果我们使用正确的数学工具，就可以从杂乱的现实世界记录中获得可靠的答案。

技术摘要：基于不完整医疗数据的联合治疗效果估计

问题陈述

本文解决了从观察性电子健康记录（EHRs）中估计因果治疗效果的关键挑战，该挑战面临两个叠加的困难：时变混杂和非随机缺失（MNAR）。

标准的目标试验模拟（TTE）方法在现实世界的 EHR 环境中往往失效，原因如下：

时变混杂：治疗决策由不断演变的患者特征驱动，形成了复杂的依赖关系，而现有方法通常仅在限制性参数假设下处理，或未能明确处理因果结构。
MNAR 缺失：EHR 中的关键生物标志物缺失率通常高达 50%–80%。这种缺失是由临床决策驱动的（例如，仅在怀疑某种病症时才开具检查），意味着数据缺失的概率取决于未观测值本身。
叠加偏差：标准插补策略（如 MICE、MissForest）通常假设数据为随机缺失（MAR），并在低缺失率下经过验证。当应用于高缺失率的 MNAR 数据时，它们会扭曲生物标志物与结果之间的相关结构，导致有偏的因果估计。

现有方法通常将插补和因果推断作为独立阶段处理，或依赖变分/对抗近似，这些方法在反事实估计中会引入静默失效。

方法论

作者提出了一种两阶段流程，旨在联合处理 MNAR 缺失和随时间变化的因果结构。

第一阶段：LLM 驱动的进化插补

为了解决输入数据不完整的问题，作者引入了一个进化搜索框架，其中大语言模型（LLM）充当变异算子以生成插补策略。

机制：LLM 不直接填充缺失值，而是提出候选 Python 模块（插补器） $g^{(k)}$ 。
自监督代理分数：每个候选者的质量在代理保留集（掩码后的观测数据）上使用复合分数 $s(g)$ 进行评估：
$s(g) = \text{RMSE}(g) + \lambda_Y \Delta_Y(g) + \lambda_T \Delta_T(g)$
该分数惩罚逐点重构误差（RMSE），并关键性地惩罚协变量 - 结果相关性（ $\Delta_Y$ ）和协变量 - 治疗相关性（ $\Delta_T$ ）的扭曲。这确保了插补后的数据保留了下游估计所需的因果结构。
进化循环：从种子插补器开始，LLM 基于当前最佳候选者和搜索历史摘要迭代提出变体，仅接受那些严格提高代理分数的变体。
后端：该方法使用三种 LLM 后端进行评估：GPT-5.4、GPT-OSS-120b 和 Qwen3.5-Plus。

第二阶段：CausalFlow-T（精确反事实推断）

完成的数据 $\hat{D}$ 被输入到 CausalFlow-T 中，这是一种用于精确反事实推断的新颖模型。

架构：它结合了**因果掩码自回归流（CausalMAF）与长短期记忆（LSTM）**编码器。
DAG 约束：该流受专家指定的有向无环图（DAG）约束。变量的自回归顺序严格遵循 DAG 的拓扑排序。这确保了干预（do-操作）仅通过因果后代传播，防止了反因果泄露。
精确推断：与优化下界（ELBO）或对抗目标的变分自编码器（CVAE）或基于 GAN 的方法不同，CausalFlow-T 最大化精确对数似然。
反事实过程：它采用 Pearl 的**反推 - 行动 - 预测（AAP）**过程：
1. 反推：精确逆转流以恢复特定患者的外生噪声 $z_t$ 。
2. 行动：在保持 $z_t$ 固定的同时对治疗变量进行干预（ $A \leftarrow a'$ ）。
3. 预测：通过 DAG 约束的流传播干预以生成反事实结果。
  这保证了相同的个体特定噪声被用于事实臂和反事实臂，这是变分方法无法提供的特性。

主要贡献

CausalFlow-T：一种 DAG 约束的正则化流，能够对纵向数据进行精确、可逆的反事实推断。作者证明，它是唯一同时满足五个可靠性标准（亚组校准、尾部方差保留、臂重构、风险比恢复和稳定性）的模型。
识别非重叠失效模式：通过消融研究，本文揭示了因果推断中的两种不同失效模式：
- 混杂分离：需要明确的因果结构（DAG 约束）。没有 DAG 约束的模型即使事实误差很低，也会保持系统性偏差。
- 结构传播：需要精确推断。变分方法（即使具有正确的 DAG）由于近似差距（后验坍塌），在复杂的中介路径下无法恢复真实的治疗效果。
LLM 驱动的进化插补：一种新颖的插补策略，在 30%–80% 的 MNAR 缺失率下，在保留因果相关结构方面优于标准统计方法（LOCF、MissForest）和流匹配基线。
联合评估框架：本文确立了逐点重构准确性和因果保真度并非一致的目标。它引入了双层评估（生物标志物质量 + 下游因果质量）以检测标准指标无法察觉的权衡。

结果

合成与半合成基准

CausalFlow-T 性能：在四个合成数据集（包括一个复杂的 17 节点心血管疾病风险基准）和一个基于 FIRE 的半合成数据集上，CausalFlow-T 是唯一通过所有可靠性标准的模型。
- GNN-CVAE 和 CVAE 等竞争对手遭受了后验坍塌（在存在真实效应时预测无效应）或方差坍塌。
- TARNet 和无约束流未能恢复正确的风险比或反转治疗方向。
插补性能：LLM 驱动的插补器（特别是 GPT-5.4）在生物标志物和因果指标上取得了最佳综合排名。
- 它在 30%、50% 和 80% 的缺失率下保持了最低的逐点 MAE 和 RMSE。
- 关键的是，它是唯一一种在统计方法（MissForest、CausalCFM）随着缺失率增加而逐渐退化的情况下，仍能保持**平均处理效应（ATE）**恢复的策略。
- 研究强调了一种权衡：虽然 CausalCFM 在较低缺失率下有时能更好地保留相关性，但 LLM 在高缺失率环境和时间外推方面占据主导地位。

现实世界应用

该流程被应用于瑞士初级保健 FIRE 数据库中 6,114 名 2 型糖尿病成人队列，以估计启动 GLP-1 受体激动剂与 SGLT-2 抑制剂对 1 年体重的影响。

结果：该流程估计的依方案体重减轻差异为 −0.98 kg [95% CI −1.01, −0.96]，有利于 GLP-1RAs。
验证：尽管现实世界数据具有 >50% 的 MNAR 缺失率和混合药物成分，但该估计与报告差异为 −1.06 kg 的 SUSTAIN 8 随机对照试验（RCT）结果一致。

意义与主张

本文主张，联合解决因果结构和 MNAR 缺失对于从观察性数据中进行实际治疗效果估计既是必要的也是可行的。

超越 RCT：这项工作表明，基于 ML 的流程可以将因果证据扩展到 RCT 受限的人群和条件之外，延伸至试验不可行的现实临床环境。
可靠性优于准确性：作者认为，低事实预测误差（MAE）不足以进行因果推断。模型必须满足结构标准（方差保留、正确的中介传播）才能可靠。
插补 - 因果联系：本研究确立了插补选择对因果有效性具有直接、可测量的影响，因此需要联合评估指标，而不是将插补视为纯粹的重构任务。
适度局限性：作者承认了局限性，包括依赖专家指定的 DAG（敏感性分析显示，随着唯一路径的移除，偏差增加）、对二元生存结果使用连续松弛（影响校准）以及条件可交换性假设。他们指出，未来的工作应探索离散流架构和自动化 DAG 细化。

总之，本文提供了一个稳健的两阶段框架，弥合了不完整、杂乱的现实世界 EHR 数据与严格因果推断之间的差距，并通过了合成真实值验证以及与既定 RCT 证据的一致性验证。