본 논문은 지식 그래프와 구조적 인과 모델의 장점을 결합한 새로운 Causal Knowledge Graphs (CKGs)를 제시합니다. CKGs는 지식 그래프의 연역적 추론 능력을 유지하면서 형식적인 인과 의미론을 추가하여 원칙에 기반한 인과 추론을 가능하게 합니다. 명시적으로 표시된 인과적 관계를 통해 교란 변수를 제어하고, 인코딩된 및 추론된 배경 지식과 일치하는 가설 형성을 용이하게 합니다. 특히 약물-질병 CKG (DD-CKG)를 구축하여 대규모 매개 분석을 자동화하고, UK Biobank 및 MIMIC-IV 코호트에 적용하여 약물이 질병 진행에 미치는 영향을 매개하는지 여부를 조사했습니다. 기존의 부작용을 높은 정확도로 재현하는 동시에 이전에는 알려지지 않은 중요한 후보 부작용을 식별했습니다. 부작용 유사성 분석을 통한 추가 검증 결과, 예측된 약물 효과와 기존 데이터베이스를 결합하면 공유 약물 적응증 예측이 향상되는 것으로 나타났습니다. 이는 제시된 방법론이 확장 가능한 인과 추론을 위한 일반화 가능한 지식 기반 프레임워크임을 보여줍니다.
