我校智能医学学院杨书教授提出用于临床真实世界研究的多任务神经网络方法。相关成果以“Propensity score analysis with missing data using a multi-task neural network”为题，于2023年2月15日在线发表于BMC Medical Research Methodology期刊。该研究首次将多任务神经网络方法用于缺失值填补和倾向性评分匹配，在与传统方法的比较中得到了最佳的估计效果。我校杨书教授为第一作者。

    倾向性评分匹配（PSM）是平衡观察性研究混杂因素的因果推断方法，在中西医临床真实世界研究中有广泛应用，而临床数据中普遍存在的数据缺失现象对PSM的应用效果有较大影响。在不完整数据中估算倾向性评分是一项具有挑战性的任务，传统缺失值填补方法容易引入额外偏差，造成估计不准。

    多任务神经网络模型是一种具有多个输入的神经网络结构，它的特点在于通过共享隐藏层神经元和参数，同时对多个任务进行联合学习，其优势在于相关任务之间可以进行相互辅助和约束，从而达到信息共享和增加单个任务性能的作用。

    该研究设计了6种临床常见的效应场景和数据缺失模式，然后利用不同方法在所有场景下进行倾向性评分并对真实效应进行估计，结果显示新方法在所有场景模式下的表现均优于其他方法。之后又使用来自国家支持性工作示范（NSWD）治疗组数据的子集，以及来自收入动态的人口调查（NSWD）样本进行测试，该方法的表现依然是最优的。

    为方便临床研究人员使用，该研究团队已经将代码开源。访问地址为：https://github.com/ljwa2323/MTNN

    原文链接：https://bmcmedresmethodol.biomedcentral.com/articles/10.1186/s12874-023-01847-2/metrics 

                                               （供稿：智能医学学院）