PulseAugur
中
实时 01:00:18
English(EN) Joint Treatment Effect Estimation from Incomplete Healthcare Data: Temporal Causal Normalizing Flows with LLM-driven Evolutionary MNAR Imputation

LLM 和归一化流用于处理不完整的医疗保健数据以估计治疗效果

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种新颖的两阶段流程 CausalFlow-T，旨在从不完整的纵向电子健康记录中改进治疗效果估计。第一阶段利用具有 LSTM 编码的 DAG 约束归一化流进行精确的反事实推断，第二阶段则采用 LLM 驱动的插补器来处理缺失数据。与统计基线相比，这种组合方法在各种缺失水平下均能更优地保留平均治疗效果的恢复。 AI

影响 该方法可以提高从电子健康记录中获得的真实世界证据的可靠性，可能影响临床试验设计和治疗建议。

排序理由 该集群包含一篇学术论文，详细介绍了一种用于医疗保健数据因果推理的新方法。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

LLM 和归一化流用于处理不完整的医疗保健数据以估计治疗效果

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Olivia Jullian Parra, Sara Zoccheddu, David Catalan Cerezo, Tom Forzy, Franziska Ulrich, William Sutcliffe, Jakob Martin Burgstaller, Oliver Senn, Patrick Owen, Nicola Serra ·

    来自不完整医疗保健数据的联合治疗效果估计：具有LLM驱动的进化MNAR插补的时间因果归一化流

    arXiv:2605.05125v1 Announce Type: new Abstract: Target trial emulation (TTE) enables causal questions to be studied with observational data when randomized controlled trials (RCTs) are infeasible. Yet treatment-effect methods often address causal estimation, missingness, and temp…

  2. arXiv cs.AI TIER_1 English(EN) · Nicola Serra ·

    来自不完整医疗保健数据的联合治疗效果估计：基于LLM驱动的进化MNAR插补的时间因果归一化流

    Target trial emulation (TTE) enables causal questions to be studied with observational data when randomized controlled trials (RCTs) are infeasible. Yet treatment-effect methods often address causal estimation, missingness, and temporal structure separately, limiting their robust…

相关实体

相关话题