Causal thinking for decision making on Electronic Health Records: why and how
Cadre causal pour l'aide à la décision à partir de dossiers médicaux électroniques : Pourquoi et comment
Résumé
Accurate predictions, as with machine learning, may not suffice to provide optimal healthcare for every patient. Indeed, prediction can be driven by shortcuts in the data, such as racial biases. Causal thinking is needed for data-driven decisions. Here, we give an introduction to the key elements, focusing on routinely-collected data, electronic health records (EHRs) and claims data. Using such data to assess the value of an intervention requires care: temporal dependencies and existing practices easily confound the causal effect. We present a step-by-step framework to help build valid decision making from real-life patient records by emulating a randomized trial before individualizing decisions, eg with machine learning. Our framework highlights the most important pitfalls and considerations in analysing EHRs or claims data to draw causal conclusions. We illustrate the various choices in studying the effect of albumin on sepsis mortality in the Medical Information Mart for Intensive Care database (MIMIC-IV). We study the impact of various choices at every step, from feature extraction to causal-estimator selection. In a tutorial spirit, the code and the data are openly available.
Des prédictions précises, par exemple à partir d'apprentissage automatique, peuvent ne pas suffire à fournir des soins optimaux à chaque patient. En effet, la prédiction peut être motivée par des raccourcis dans les données, tels que des préjugés raciaux. Le cadre causal est nécessaire pour les construire des système d'aide à la décision fondés sur les données. Ici, nous donnons une introduction aux éléments clés, en mettant l'accent sur les données recueillies routièrement, les dossiers médicaux électroniques (DME) et les données médico-administratives. L'utilisation de telles données pour évaluer la valeur d'une intervention requiert des précautions: les dépendances temporelles et les pratiques locales confondent facilement l'effet causal visé. Nous présentons un cadre étape par étape pour aider à construire un système d'aide à la décision valide à partir des dossiers de patients réels en émulant un essai randomisé avant d'individualiser les décisions, par exemple avec l'apprentissage automatique. Notre cadre met en évidence les pièges et les considérations les plus importants dans l'analyse des données DME ou des données de facturation afin de tirer des conclusions causales.
Nous illustrons les différents choix à partir de l'étude de l'effet de l'albumine sur la mortalité due à la septicémie dans la base de données Medical Information Mart for Intensive Care (MIMIC-IV). Nous étudions l'impact de divers choix à chaque étape, de l'extraction des caractéristiques de la population à la sélection de l'estimateur causal. Dans un esprit tutoriel, le code et les données sont librement disponibles.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|
