Dynamische Expertenführung verbessert Kausalitätsmodelle in der Medizin

In der Medizin ist das Verständnis kausaler Zusammenhänge entscheidend, denn präzise kausale Modelle ermöglichen nicht nur eine bessere Interpretation von Vorhersagen, sondern bilden auch die Grundlage für kontrafaktische und interventionelle Analysen sowie die Abschätzung von Behandlungseffekten.

Für Fachleute, die kausale Entdeckungen durchführen wollen, gibt es jedoch eine überwältigende Vielfalt an Algorithmen, ohne dass klar ist, welcher der beste ist. Diese Konkurrenz führt dazu, dass Ensemble-Methoden – also die Kombination mehrerer Modelle – eine sinnvolle Lösung darstellen. Gleichzeitig stoßen reale Anwendungsfälle häufig auf Situationen, die die Annahmen gängiger Algorithmen verletzen, was einen starken Einsatz von Expertenwissen erfordert.

In Anlehnung an neuere Arbeiten, die dynamisch nach Expertenwissen fragen, und an die Nutzung von großen Sprachmodellen (LLMs) als Experten, präsentiert die Studie eine flexible Methode zur Modellaveraging. Diese nutzt dynamisch angefragtes Expertenwissen, um eine Vielzahl von kausalen Entdeckungsalgorithmen zu kombinieren. Die Experimente zeigen, dass die Methode auch mit unvollkommenen Experten wie LLMs sowohl bei sauberen als auch bei verrauschten Daten erfolgreich ist.

Darüber hinaus analysiert die Arbeit, wie unterschiedliche Grade an Expertenkorrektheit die Ergebnisse beeinflussen, und bewertet die Fähigkeiten von LLMs für klinische kausale Entdeckungen. Die gewonnenen Erkenntnisse liefern wertvolle Hinweise für Praktiker, die robuste kausale Modelle in der Medizin entwickeln wollen.