집중 치료실 퇴원 전략 평가를 위한 인과 관계 기반 프레임워크

A Causal Framework for Evaluating ICU Discharge Strategies

본 연구는 집중 치료실 환자의 퇴원 시기를 결정하는 어려운 문제에 대한 실용적인 접근 방식을 제시합니다. 이는 최적의 중단 전략을 평가하는 것으로, 다음 세 가지 과제를 포함합니다. 1) 관찰 데이터로부터 중단 전략을 평가하는 것은 복잡한 인과 추론 문제입니다. 2) 목표는 치료 기간을 최소화하고 결과를 최대화하는 복합적인 목표이지만, 이는 단일 차원으로 축소될 수 없습니다. 3) 변수 기록은 치료가 중단되면 종료됩니다. 본 연구의 기여는 두 가지입니다. 첫째, 'g-formula' 파이썬 패키지의 기능을 확장하여, 위에서 언급한 구조를 가진 문제에 대한 중단 전략 평가 프레임워크를 제공하며, 이를 통해 적절성 및 적용 가능성을 검증합니다. 둘째, 완전한 오픈 소스 파이프라인을 통해 MIMIC-IV라는 공개된 집중 치료실 데이터셋에 이 접근 방식을 적용하여, 현재의 치료 방식보다 개선될 수 있는 전략의 가능성을 보여줍니다.

In this applied paper, we address the difficult open problem of when to discharge patients from the Intensive Care Unit. This can be conceived as an optimal stopping scenario with three added challenges: 1) the evaluation of a stopping strategy from observational data is itself a complex causal inference problem, 2) the composite objective is to minimize the length of intervention and maximize the outcome, but the two cannot be collapsed to a single dimension, and 3) the recording of variables stops when the intervention is discontinued. Our contributions are two-fold. First, we generalize the implementation of the g-formula Python package, providing a framework to evaluate stopping strategies for problems with the aforementioned structure, including positivity and coverage checks. Second, with a fully open-source pipeline, we apply this approach to MIMIC-IV, a public ICU dataset, demonstrating the potential for strategies that improve upon current care.