23、机器学习与因果关系在糖尿病学中的应用探索

机器学习与因果关系在糖尿病学中的应用探索

1. 关联与因果的区别

传统的统计分析主要通过分析从同一分布中抽取的样本来评估分布的特征和性质。研究人员利用这些参数建立特征之间的联系和关系，进而估计过去和未来事件的概率，并根据新的见解和信息调整这些概率。

然而，因果分析的目标超越了在静态情况下推导概念和概率。它旨在理解统计推断在不断变化的条件下的动态，例如外部干预或治疗所引起的变化。在分布函数的范畴内，其包含的信息本身并不能揭示分布将如何响应外部条件的改变。当从观察性研究过渡到实验性研究时，分布性质的变化就会产生不确定性，因为概率论的定律并未规定分布的一个属性的变化如何对应其他属性的改变。

为应对这一挑战，因果假设起着关键作用。这些假设阐明了尽管外部环境发生变化但仍保持不变的关系，从而为理解修改分布的不同方面的影响提供了见解。1965 年，奥斯汀·布拉德福德·希尔爵士引入了布拉德福德·希尔标准，作为评估观察到的关联中因果关系可能性的框架。这些标准涵盖了九个维度：强度、时间性、连贯性、一致性、生物学梯度、实验证据、特异性、合理性和类比。通过系统地评估这些标准，研究人员可以更深入地理解观察到的关联的因果性质，并就因果关系得出明智的结论。

理解因果关系并运用基于关联的各种统计方法的专业知识，对于评估因果推断至关重要。这些方法包括两阶段最小二乘回归、双重差分法（DiD）、断点回归设计（RDD）、固定效应模型、采用倾向得分匹配的回归模型、工具变量回归、面板数据模型和合成控制方法等。

2. 现实世界证据的有效性、可靠性与因果推断

全球为支持和促进观察性研究采取了一系列行动：
- 采用电子健康记录并扩大数据量。
-