Nat. Mach. Intel.| 自动因果推理在随机对照临床试验中的应用

最近，瑞士University of Zurich的Viktor H. Koelzer博士等人在《Nature machine intelligence》上发表了一篇“Automated causal inference in application to randomized controlled clinical trials”的论文，文章提出一种基于不变因果预测 (ICP) 框架的新自动因果推理方法 (AutoCI)，用于对临床试验数据进行因果重新解释。

临床医学中，随机对照试验 (RCT) 被认为是研究因果关系的金标准。在原型RCT中，参与者被随机分配到实验组或对照组，进行观察。在因果推理的背景下，可以使用 do-intervention对这种随机化进行建模。

文章开发了一种新的自动因果推理方法(AutoCI)，并将其应用于1990-1997年和2002-2006年间在荷兰进行的两项大规模和实践性改变的子宫内膜癌患者随机对照试验，具有完整的临床病理学数据集和成熟的结果数据。子宫内膜癌是发达国家女性最常见的妇科癌症。大多数被诊断患有早期子宫内膜癌(EC)的女性预后良好并接受手术治疗。大约15-20%的患者预后不良，远处转移的风险很高。对于这些患者，根据其风险组推荐不同的辅助治疗，如阴道近距离放射治疗、外照射放疗和放化疗。研究中使用的两项试验（PORTEC 1和2）通过调查这些疗法如何影响复发率和生存风险，为临床实践做出贡献。根据最新的ESGO/ESTRO/ESP子宫内膜癌患者管理指南，风险分类是基于肿瘤分级（Grade）、淋巴血管间隙浸润（LVSI）、子宫肌层浸润和分子变量，包括但不限于聚合酶ε突变体EC(POLEmut)、错配修复缺陷 (MMRd) EC、p53异常EC (p53abn)和没有特定分子谱(NSMP)的EC。在最近的一项研究中使用相关统计方法来调查这些变量与EC复发的危险相关性。有证据表明这些变量会影响EC复发，但尚未进行系统调查以支持从现代因果推理的角度理解。

因果推理可解决从数据确定因果关系的问题。当给出观察性数据或包含额外的干预性数据时，临床研究旨在（1）量化治疗给定结果的因果效应或（2）推断患者与治疗特征和相关结果之间关系的潜在因果结构。前者可以很好地表述为以不同治疗为条件的结果预期之间的差异（平均因果效应）。广泛的研究建立在这种方法论的基础上，包括但不限于目标试验规范、目标试验模拟以及将随机试验的推论扩展到新的目标人群。

参照链接： https://zhuanlan.zhihu.com/p/516243135 https://www.nature.com/articles/s42256-022-00470-y