SAFER: A Calibrated Risk-Aware Multimodal Recommendation Model for Dynamic Treatment Regimes

📄 arXiv: 2506.06649v1 📥 PDF

作者: Yishan Shen, Yuyang Ye, Hui Xiong, Yong Chen

分类: cs.LG, stat.ML

发布日期: 2025-06-07

备注: Accepted by ICML 2025

💡 一句话要点

提出SAFER以解决动态治疗方案中的风险管理问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 动态治疗方案 风险感知 多模态推荐 精准医疗 临床笔记 符合预测 电子健康记录

📋 核心要点

  1. 现有动态治疗方案方法主要依赖临床医生的金标准，缺乏已知的最佳策略，且未能充分利用临床笔记中的信息。
  2. SAFER通过整合结构化EHR和临床笔记，采用校准的风险感知框架，解决标签不确定性并提供安全的治疗推荐。
  3. 在两个公开的脓毒症数据集上，SAFER在多个推荐指标和反事实死亡率上超越了最先进的基线，显示出其可靠性和有效性。

📝 摘要（中文）

动态治疗方案（DTR）在精准医疗中至关重要，通过个性化的实时决策优化长期结果。然而，现有方法主要依赖临床医生规定的金标准，缺乏已知的最佳策略，并且主要使用结构化电子健康记录（EHR）数据，未能从临床笔记中提取有价值的见解，限制了治疗推荐的可靠性。本文提出SAFER，一个校准的风险感知推荐框架，整合结构化EHR和临床笔记，允许它们相互学习，并通过假设已故患者的模糊最佳治疗方案来解决固有标签不确定性。此外，SAFER采用符合预测提供统计保证，确保安全的治疗推荐，同时过滤不确定的预测。实验结果表明，SAFER在多个推荐指标和反事实死亡率上优于现有最先进的基线，提供了稳健的形式保证。

🔬 方法详解

问题定义：本文旨在解决动态治疗方案中的风险管理问题，现有方法依赖于临床医生的金标准，缺乏对临床笔记的有效利用，导致治疗推荐的可靠性不足。

核心思路：SAFER框架通过整合结构化EHR和临床笔记，允许两者相互学习，并假设已故患者的模糊最佳治疗方案，以应对标签不确定性。

技术框架：SAFER的整体架构包括数据预处理模块、风险感知推荐模块和符合预测模块，确保推荐的安全性和可靠性。

关键创新：SAFER的主要创新在于其校准的风险感知机制和对标签不确定性的处理，与传统方法相比，提供了更为稳健的治疗推荐。

关键设计：在设计上，SAFER采用了特定的损失函数来平衡风险和收益，并通过符合预测技术确保推荐的统计保证，增强了模型的可信度。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在实验中，SAFER在两个公开的脓毒症数据集上表现优异，超越了现有最先进的基线，具体在多个推荐指标上提升幅度达到了显著水平，同时在反事实死亡率上也显示出明显的改善，验证了其理论基础和实际应用价值。

🎯 应用场景

SAFER的研究成果在精准医疗领域具有广泛的应用潜力，尤其是在需要实时决策的高风险医疗环境中。其整合的多模态数据处理能力能够为临床医生提供更为可靠的治疗建议，从而改善患者的长期健康结果。未来，该模型有望推广至其他医疗领域，提升个性化医疗的实施效果。

📄 摘要（原文）

Dynamic treatment regimes (DTRs) are critical to precision medicine, optimizing long-term outcomes through personalized, real-time decision-making in evolving clinical contexts, but require careful supervision for unsafe treatment risks. Existing efforts rely primarily on clinician-prescribed gold standards despite the absence of a known optimal strategy, and predominantly using structured EHR data without extracting valuable insights from clinical notes, limiting their reliability for treatment recommendations. In this work, we introduce SAFER, a calibrated risk-aware tabular-language recommendation framework for DTR that integrates both structured EHR and clinical notes, enabling them to learn from each other, and addresses inherent label uncertainty by assuming ambiguous optimal treatment solution for deceased patients. Moreover, SAFER employs conformal prediction to provide statistical guarantees, ensuring safe treatment recommendations while filtering out uncertain predictions. Experiments on two publicly available sepsis datasets demonstrate that SAFER outperforms state-of-the-art baselines across multiple recommendation metrics and counterfactual mortality rate, while offering robust formal assurances. These findings underscore SAFER potential as a trustworthy and theoretically grounded solution for high-stakes DTR applications.