Disputation Andrei Sirazitdinov Graph Neural Networks for Individual Treatment Effect Estimation

Diese Dissertation treibt das Gebiet der kausalen Inferenz voran, indem sie auf Graph Neural Network (GNN) basierende Methoden zur Schätzung individueller Behandlungseffekte (ITE) entwickelt und bewertet und dabei kausale Graphstrukturen nutzt, um die Vorhersagegenauigkeit zu verbessern. 
Herkömmliche ITE-Ansätze vernachlässigen oft Abhängigkeiten zwischen Kovariaten, was insbesondere bei begrenzter Datenverfügbarkeit die Leistung mindert. Zur Lösung dieses Problems schlagen wir zwei neue Architekturen vor: GNN-TARnet und GAT-TARnet. Diese kombinieren strukturelle Kausalmodelle mit GNNs, um Kovariatenabhängigkeiten explizit zu modellieren. 
Die Methoden werden auf synthetischen Datensätzen mit bekannten Kausalstrukturen, auf etablierten Benchmarks (IHDP, JOBS) sowie auf realen Daten aus einer randomisierten kontrollierten Studie des PerPAIN Konsortiums evaluiert. PerPAIN ist eine deutsche Forschungsinitiative zur Entwicklung personalisierter Therapien für chronische muskuloskelettale Schmerzen.
Unsere Modelle übertreffen nicht-strukturelle Baselines und erreichen niedrigere Fehler in datensparsamen Szenarien. Bei größeren Datensätzen bleiben sie mit aktuellen Verfahren konkurrenzfähig. Die Anwendung auf PerPAIN, in der psychologische Interventionen anhand individueller Schmerzprofile getestet werden, zeigt den praktischen Nutzen unserer Ansätze und übertrifft Clustering-basierte Zuweisungsmethoden. 
Wesentliche Beiträge dieser Arbeit sind eine begutachtete Publikation, Open-Source-Software sowie eine Webanwendung zur Patientenstratifizierung. Diese verbinden theoretische Innovation mit praxisnahen Werkzeugen für personalisierte Entscheidungen.