[论文解读] Sequential Counterfactual Inference for Temporal Clinical Data: Addressing the Time Traveler Dilemma

Jingya Cheng, Alaleh Azhir+2 more|arXiv (Cornell University)|Feb 24, 2026

Machine Learning in Healthcare被引用 0

一句话总结

该论文提出一个顺序性反事实框架，尊重时间序列临床数据，利用特征分类、时序依赖图和可行性约束生成具有传播感知的反事实，在新冠疫情患者的长期冠心衰患者群体中得到验证。

ABSTRACT

Counterfactual inference enables clinicians to ask "what if" questions about patient outcomes, but standard methods assume feature independence and simultaneous modifiability -- assumptions violated by longitudinal clinical data. We introduce the Sequential Counterfactual Framework, which respects temporal dependencies in electronic health records by distinguishing immutable features (chronic diagnoses) from controllable features (lab values) and modeling how interventions propagate through time. Applied to 2,723 COVID-19 patients (383 Long COVID heart failure cases, 2,340 matched controls), we demonstrate that 38-67% of patients with chronic conditions would require biologically impossible counterfactuals under naive methods. We identify a cardiorenal cascade (CKD -> AKI -> HF) with relative risks of 2.27 and 1.19 at each step, illustrating temporal propagation that sequential -- but not naive -- counterfactuals can capture. Our framework transforms counterfactual explanation from "what if this feature were different?" to "what if we had intervened earlier, and how would that propagate forward?" -- yielding clinically actionable insights grounded in biological plausibility.

研究动机与目标

• 说明为何在纵向临床数据中，标准反事实方法因时间泄漏和特征依赖而失效的原因。
• 提出一个时序反事实框架，通过特征分类和依赖图强制生物学可行性。
• 证明在COVID-19队列中，许多朴素反事实不可信并揭示时间性疾病级联。
• 通过建模早期干预如何随时间传播，提供临床可操作的洞见。

提出的方法

• 定义一个分区的时间特征表示，分为 History、Past 和 Last 三个时段。
• 引入特征分类：不可变 (Immutable, I)、可控 (Controllable, C) 和干预 (Intervention, R) 特征。
• 构建一个时序依赖图，编码特征如何影响未来状态，并从数据中学习。
• 提出三条可行性约束：不可变性 (P1)、时间连贯性 (P2) 和条件可行性 (P3)。
• 开发一个传播算子 Phi，通过应用干预并将效应在时间上传播，生成反事实轨迹。
• 从训练数据估计条件分布 P(S|H) 与 P(L|H,S)，并在传播后强制不可变性。
• 在四个维度上评估反事实：预测偏移、可行性、可操作性和稀疏性。
• 将该框架应用到2,723名COVID-19患者（383名长期COVID心衰）以及一个达到AUROC 0.88的梯度提升 predictor。

实验结果

研究问题

• RQ1 用朴素方法生成的纵向反事实中，有多少比例在生物学上因时间约束而不可信？
• RQ2 不可变的慢性病和随时间传播的干预如何塑造纵向电子健康记录数据中的可行反事实？
• RQ3 基于传播的反事实框架是否能够揭示影响Long COVID结局的时间一致性通路（如心肾级联）？
• RQ4 当反事实被时间生物学约束而不是作为独立特征变化时，能得到哪些切实的临床洞察？

主要发现

• 在朴素方法下，患有慢性病的患者中有38–67%需要生物学上不可能的反事实。
• P1不可变性违规影响了54.4%的患者（n=1,481）在患者层面。
• P2时间连贯性违规影响了12.0%的患者（n=328）。
• 心肾级联 CKD_history → AKI_last 具有 RR=2.27，AKI_last → HF 具有 RR=1.19，显示时间性传播。
• 慢性病持续存在于 Last，概率明显高于新诊断（例如 E11: 0.673 vs 0.050； I10: 0.520 vs 0.091； N18: 0.379 vs 0.030）。
• 预测Long COVID相关心衰的AUROC为0.88（95%CI：0.84–0.91）。