論文の概要: Equitable Allocation of Healthcare Resources with Fair Cox Models

• arxiv url: http://arxiv.org/abs/2010.06820v1
• Date: Wed, 14 Oct 2020 06:08:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 12:51:41.276448
• Title: Equitable Allocation of Healthcare Resources with Fair Cox Models
• Title（参考訳）: 公平なcoxモデルによる医療資源の公平配分
• Authors: Kamrun Naher Keya, Rashidul Islam, Shimei Pan, Ian Stockwell, James R. Foulds
• Abstract要約: 我々は生存モデルとそれに対応するコックス比例ハザードモデルに対する公平性定義を開発する。 本稿では,2つのサバイバルデータセットの公平性と予測精度の観点から,本手法の有用性を実証する。
• 参考スコア（独自算出の注目度）: 10.648355672051142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Healthcare programs such as Medicaid provide crucial services to vulnerable populations, but due to limited resources, many of the individuals who need these services the most languish on waiting lists. Survival models, e.g. the Cox proportional hazards model, can potentially improve this situation by predicting individuals' levels of need, which can then be used to prioritize the waiting lists. Providing care to those in need can prevent institutionalization for those individuals, which both improves quality of life and reduces overall costs. While the benefits of such an approach are clear, care must be taken to ensure that the prioritization process is fair or independent of demographic information-based harmful stereotypes. In this work, we develop multiple fairness definitions for survival models and corresponding fair Cox proportional hazards models to ensure equitable allocation of healthcare resources. We demonstrate the utility of our methods in terms of fairness and predictive accuracy on two publicly available survival datasets.
• Abstract（参考訳）: medicaidのような医療プログラムは、脆弱な人々に重要なサービスを提供するが、限られた資源のために、これらのサービスを必要とする多くの個人は、待ち行列に最もこだわる。 生存モデル(例えば、コックス比例ハザードモデル)は、個人のニーズレベルを予測することによってこの状況を改善し、待機リストの優先順位付けに使用できる。 必要な人にケアを提供することは、それらの個人の制度化を防ぎ、生活の質を改善し、全体的なコストを削減できる。 このようなアプローチの利点は明確であるが、優先順位付けのプロセスが人口統計学的情報に基づく有害なステレオタイプから公平か独立かを保証するために注意が必要である。 本研究では,医療資源の公平な配分を確保するために,サバイバルモデルと対応するcox比例ハザードモデルに対する複数のフェアネス定義を開発する。 本稿では,2つのサバイバルデータセットの公平性と予測精度の観点から,本手法の有用性を実証する。

関連論文リスト

• Towards Harmless Rawlsian Fairness Regardless of Demographic Prior [57.30787578956235]
  トレーニングセットに事前の人口統計が提供されない場合に,有効性を損なうことなく公平性を達成する可能性を探る。 本稿では,経験的損失の最適セット内でのトレーニング損失の分散を最小限に抑えるため,VFairという簡単な手法を提案する。
  論文  参考訳（メタデータ） (2024-11-04T12:40:34Z)
• Bayesian Counterfactual Prediction Models for HIV Care Retention with Incomplete Outcome and Covariate Information [0.0]
  保持を予測し、保持を最適化するスケジュール決定を推奨するデータ駆動手法が必要である。 予測モデルは、様々なスケジューリングオプションで保持率を推定するのに有用である。 本稿では、これらの複雑さを考慮に入れながら、HIVの維持を予測し、スケジューリングを最適化するオールインワンアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:19:38Z)
• Explainable AI for Fair Sepsis Mortality Predictive Model [3.556697333718976]
  本稿では、性能最適化予測モデルを学習し、転送学習プロセスを用いて、より公正なモデルを生成する方法を提案する。 我々の手法は、予測モデル内のバイアスを特定し緩和するだけでなく、医療関係者間の信頼を高める。
  論文  参考訳（メタデータ） (2024-04-19T18:56:46Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
  医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。 医療資源割り当てプロトコルの普遍的な標準は存在しない。 本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-15T17:28:06Z)
• Machine Learning for Deferral of Care Prediction [4.436632973105494]
  人口の継続的なケア先延ばしは、人口の健康と複雑な健康問題が減少し、長期的には社会的・財政的なコストが上昇する可能性がある。 マイノリティと脆弱な人口は、社会経済的要因によるケア遅延のリスクが高い。 現在、多くの医療システムは、以前治療を延期した患者を遡及的に識別するためにルールベースの技術を使用している。 本モデルの目的は,ケアを延期するリスクのある患者を識別し,直接的なアウトリーチやソーシャル・メディエーションを通じて,医療機関がケアの延期を防止することである。
  論文  参考訳（メタデータ） (2022-06-09T01:21:13Z)
• SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
  本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。 提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
  論文  参考訳（メタデータ） (2022-04-11T14:42:54Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Forecasting COVID-19 daily cases using phone call data [0.0]
  本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。 提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
  論文  参考訳（メタデータ） (2020-10-05T18:07:07Z)
• Accurate and Interpretable Machine Learning for Transparent Pricing of Health Insurance Plans [3.772148470078554]
  医療保険会社は米国人口の半分をカバーし、年間1.2兆米ドルを支払って会員の医療費をカバーしている。 医療保険会社におけるアクチュアリーとアンダーライターの役割は、どのリスクを取るか、そのリスクをどのように価格で評価し、組織の利益性を確保するのに役立つ。 患者レベルと雇用者レベルという2つのモデルを作成し,雇用者グループに対する年会費の予測を行った。 我々のモデルは、保険会社の既存の価格モデルよりも20%良いパフォーマンスを示し、譲歩機会の84%を特定できた。
  論文  参考訳（メタデータ） (2020-09-23T08:07:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。