手術介入のための因果機械学習
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19705v1発表、クロス型。
抄録：外科手術における意思決定は複雑であり、患者の特性、介入、そして転帰間の因果関係を理解する必要があります。脊椎固定術や脊柱側弯症矯正などのハイリスクな状況においては、複雑で異質なデータに苦労する従来の統計的手法に依存しているため、個別化治療効果（ITE）の正確な推定は依然として限られています。本研究では、各外科手術の意思決定（例えば、前方アプローチ対後方アプローチ、手術対非手術）を個別のタスクとしてモデル化しつつ、タスク間で共有表現を学習するITE推定のためのマルチタスクメタ学習フレームワーク、X-MultiTaskを開発しました。因果的妥当性を強化するために、逆確率重み付け（IPW）を訓練目的関数に組み込んでいます。我々は、2つのデータセットでアプローチを評価しました。(1) 前方アプローチ対後方アプローチが合併症の重症度に及ぼす影響を評価するための公開脊椎固定術データセット（1,017例）、(2) 後方脊椎固定術（PSF）対非手術的管理が患者報告アウトカム（PRO）に及ぼす影響を分析するための非公開AISデータセット（368例）。我々のモデルは、前方アプローチ群において平均AUC（0.84）で最高の値を達成し、後方アプローチ群（0.77）でも競争力のある性能を維持しました。これは、全体で最低のεNN-PEHE（0.2778）とεATE（0.0763）で、治療効果推定においてベースラインを上回っています。同様に、AISにおけるPRO予測においても、X-MultiTaskは全ての領域で一貫して優れた性能を示し、εNN-PEHE = 0.2551、εATE = 0.0902でした。X-MultiTaskは、堅牢で患者特異的な因果推定を提供することにより、パーソナライズされた外科手術の進歩と患者の転帰の改善のための強力なツールを提供します。コードはhttps://github.com/Wizaaard/X-MultiTaskで公開しています。
原文（英語）を表示
Title (EN): Causal Machine Learning for Surgical Interventions
arXiv:2509.19705v1 Announce Type: cross
Abstract: Surgical decision-making is complex and requires understanding causal relationships between patient characteristics, interventions, and outcomes. In high-stakes settings like spinal fusion or scoliosis correction, accurate estimation of individualized treatment effects (ITEs) remains limited due to the reliance on traditional statistical methods that struggle with complex, heterogeneous data. In this study, we develop a multi-task meta-learning framework, X-MultiTask, for ITE estimation that models each surgical decision (e.g., anterior vs. posterior approach, surgery vs. no surgery) as a distinct task while learning shared representations across tasks. To strengthen causal validity, we incorporate the inverse probability weighting (IPW) into the training objective. We evaluate our approach on two datasets: (1) a public spinal fusion dataset (1,017 patients) to assess the effect of anterior vs. posterior approaches on complication severity; and (2) a private AIS dataset (368 patients) to analyze the impact of posterior spinal fusion (PSF) vs. non-surgical management on patient-reported outcomes (PROs). Our model achieves the highest average AUC (0.84) in the anterior group and maintains competitive performance in the posterior group (0.77). It outperforms baselines in treatment effect estimation with the lowest overall $\epsilon_{\text{NN-PEHE}}$ (0.2778) and $\epsilon_{\text{ATE}}$ (0.0763). Similarly, when predicting PROs in AIS, X-MultiTask consistently shows superior performance across all domains, with $\epsilon_{\text{NN-PEHE}}$ = 0.2551 and $\epsilon_{\text{ATE}}$ = 0.0902. By providing robust, patient-specific causal estimates, X-MultiTask offers a powerful tool to advance personalized surgical care and improve patient outcomes. The code is available at https://github.com/Wizaaard/X-MultiTask.
Published: 2025-09-24 19:00 UTC