随着时间的推移,对反事实结果的估计有可能帮助决策者回答“如果”问题,从而解锁个性化医疗保健。现有的因果推断方法通常考虑观察和处理决定之间的规则的、离散的时间间隔,因此无法自然地对不规则采样数据建模,而这是实践中常见的设置。为了处理任意的观察模式,我们将数据解释为一个连续时间过程的样本,并提出使用控制微分方程数学对其潜在轨迹进行显式建模。这导致了一种新的方法,即治疗效果神经控制微分方程(TE-CDE),它允许在任何时间点评估潜在的结果。此外,对抗性训练用于调整时间依赖性混淆,这在纵向设置中是至关重要的,是传统时间序列中没有遇到的额外挑战。为了评估这个问题的解决方案,我们提出了一个基于tumor生长模型的可控模拟环境,用于一系列场景,不规则抽样反映各种临床场景。TE-CDE在不规则采样的所有模拟场景中都优于现有方法。 https://www.zhuanzhi.ai/paper/ea43838ec44c8c99431d950f48ed55d4