我校智能醫(yī)學(xué)學(xué)院楊書(shū)教授提出用于臨床真實(shí)世界研究的多任務(wù)神經(jīng)網(wǎng)絡(luò)方法。相關(guān)成果以“Propensity score analysis with missing data using a multi-task neural network”為題，于2023年2月15日在線發(fā)表于BMC Medical Research Methodology期刊。該研究首次將多任務(wù)神經(jīng)網(wǎng)絡(luò)方法用于缺失值填補(bǔ)和傾向性評(píng)分匹配，在與傳統(tǒng)方法的比較中得到了最佳的估計(jì)效果。我校楊書(shū)教授為第一作者。

    傾向性評(píng)分匹配（PSM）是平衡觀察性研究混雜因素的因果推斷方法，在中西醫(yī)臨床真實(shí)世界研究中有廣泛應(yīng)用，而臨床數(shù)據(jù)中普遍存在的數(shù)據(jù)缺失現(xiàn)象對(duì)PSM的應(yīng)用效果有較大影響。在不完整數(shù)據(jù)中估算傾向性評(píng)分是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，傳統(tǒng)缺失值填補(bǔ)方法容易引入額外偏差，造成估計(jì)不準(zhǔn)。

    多任務(wù)神經(jīng)網(wǎng)絡(luò)模型是一種具有多個(gè)輸入的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，它的特點(diǎn)在于通過(guò)共享隱藏層神經(jīng)元和參數(shù)，同時(shí)對(duì)多個(gè)任務(wù)進(jìn)行聯(lián)合學(xué)習(xí)，其優(yōu)勢(shì)在于相關(guān)任務(wù)之間可以進(jìn)行相互輔助和約束，從而達(dá)到信息共享和增加單個(gè)任務(wù)性能的作用。

    該研究設(shè)計(jì)了6種臨床常見(jiàn)的效應(yīng)場(chǎng)景和數(shù)據(jù)缺失模式，然后利用不同方法在所有場(chǎng)景下進(jìn)行傾向性評(píng)分并對(duì)真實(shí)效應(yīng)進(jìn)行估計(jì)，結(jié)果顯示新方法在所有場(chǎng)景模式下的表現(xiàn)均優(yōu)于其他方法。之后又使用來(lái)自國(guó)家支持性工作示范（NSWD）治療組數(shù)據(jù)的子集，以及來(lái)自收入動(dòng)態(tài)的人口調(diào)查（NSWD）樣本進(jìn)行測(cè)試，該方法的表現(xiàn)依然是最優(yōu)的。

    為方便臨床研究人員使用，該研究團(tuán)隊(duì)已經(jīng)將代碼開(kāi)源。訪問(wèn)地址為：https://github.com/ljwa2323/MTNN

    原文鏈接：https://bmcmedresmethodol.biomedcentral.com/articles/10.1186/s12874-023-01847-2/metrics 

                                               （供稿：智能醫(yī)學(xué)學(xué)院）