論文の概要: Net benefit, calibration, threshold selection, and training objectives
for algorithmic fairness in healthcare
- arxiv url: http://arxiv.org/abs/2202.01906v1
- Date: Thu, 3 Feb 2022 23:23:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 15:11:06.882504
- Title: Net benefit, calibration, threshold selection, and training objectives
for algorithmic fairness in healthcare
- Title（参考訳）: 医療におけるアルゴリズム的公平性のための純利益、校正、閾値選択、訓練目標
- Authors: Stephen R. Pfohl, Yizhe Xu, Agata Foryciarz, Nikolaos Ignatiadis,
Julian Genkins, Nigam H. Shah
- Abstract要約: 我々は,モデル性能,公平性,および意思決定の期待される有用性の間の相互作用を評価する。
我々は,動脈硬化性心血管疾患の10年間のリスクを推定するために,モデルの開発を通じて経験的なケーススタディを実施している。
- 参考スコア（独自算出の注目度）: 7.500205995624894
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A growing body of work uses the paradigm of algorithmic fairness to frame the
development of techniques to anticipate and proactively mitigate the
introduction or exacerbation of health inequities that may follow from the use
of model-guided decision-making. We evaluate the interplay between measures of
model performance, fairness, and the expected utility of decision-making to
offer practical recommendations for the operationalization of algorithmic
fairness principles for the development and evaluation of predictive models in
healthcare. We conduct an empirical case-study via development of models to
estimate the ten-year risk of atherosclerotic cardiovascular disease to inform
statin initiation in accordance with clinical practice guidelines. We
demonstrate that approaches that incorporate fairness considerations into the
model training objective typically do not improve model performance or confer
greater net benefit for any of the studied patient populations compared to the
use of standard learning paradigms followed by threshold selection concordant
with patient preferences, evidence of intervention effectiveness, and model
calibration. These results hold when the measured outcomes are not subject to
differential measurement error across patient populations and threshold
selection is unconstrained, regardless of whether differences in model
performance metrics, such as in true and false positive error rates, are
present. In closing, we argue for focusing model development efforts on
developing calibrated models that predict outcomes well for all patient
populations while emphasizing that such efforts are complementary to
transparent reporting, participatory design, and reasoning about the impact of
model-informed interventions in context.
- Abstract（参考訳）: 拡大する仕事の体系は、アルゴリズム的公平性のパラダイムを用いて、モデル誘導意思決定の使用から続く可能性のある健康不平等の導入や悪化を予測し、積極的に緩和するテクニックの開発を枠組にしている。
医療における予測モデルの開発と評価のためのアルゴリズム的公平原則の運用に関する実践的勧告を提供するために,モデル性能,公平性,および意思決定の期待される効用間の相互作用を評価した。
動脈硬化性心血管疾患(atherosclerotic cardiovascular disease)の10年間のリスクを,臨床ガイドラインに従ってスタチンの発症を知らせるモデルの開発を通じて経験的な症例研究を行う。
モデルトレーニング目標に公平性を考慮したアプローチは,通常,モデル性能の向上や,研究対象のどの患者に対しても,標準学習パラダイムの活用,患者の嗜好と一致したしきい値選択,介入効果の証拠,モデルキャリブレーションと比較して,大きな利益をもたらすものではない。
これらの結果は, 真偽正誤率などのモデル性能指標の違いの有無にかかわらず, 患者集団間で測定結果が差分測定誤差の対象にならず, しきい値選択が制約されない場合に有効である。
本研究は, 患者全員に良い結果を予測できる校正モデルの開発に焦点をあてるとともに, 透明な報告, 参加型設計, 文脈におけるモデルインフォームド介入の影響についての推論に相補的であることを強調する。
関連論文リスト
- Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。
本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
論文 参考訳（メタデータ） (2024-07-20T18:34:20Z) - Ethical considerations of use of hold-out sets in clinical prediction model management [0.4194295877935868]
我々は、善意、非正当性、自律性、正義の倫理的原則に焦点をあてる。
また,様々なホールドアウトセットサンプリング手法による統計的問題についても論じる。
論文 参考訳（メタデータ） (2024-06-05T11:42:46Z) - 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) - Causal Inference via Nonlinear Variable Decorrelation for Healthcare
Applications [60.26261850082012]
線形および非線形共振の両方を扱う可変デコリレーション正規化器を用いた新しい手法を提案する。
我々は、モデル解釈可能性を高めるために、元の特徴に基づくアソシエーションルールマイニングを用いた新しい表現として、アソシエーションルールを採用する。
論文 参考訳（メタデータ） (2022-09-29T17:44:14Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - What Do You See in this Patient? Behavioral Testing of Clinical NLP
Models [69.09570726777817]
本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。
私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
論文 参考訳（メタデータ） (2021-11-30T15:52:04Z) - A comparison of approaches to improve worst-case predictive model
performance over patient subpopulations [14.175321968797252]
患者において平均的に正確な臨床結果の予測モデルは、いくつかのサブ集団に対して劇的に過小評価される可能性がある。
サブポピュレーションに対する解離および最悪の性能を一貫して改善するモデル開発と選択のアプローチを同定する。
本研究は, 比較的少数の例外を除いて, 標準学習法よりも, 患者サブポピュレーションに対するアプローチが優れていることが確認された。
論文 参考訳（メタデータ） (2021-08-27T13:10:00Z) - Learning to Predict with Supporting Evidence: Applications to Clinical
Risk Prediction [9.199022926064009]
機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。
予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
論文 参考訳（メタデータ） (2021-03-04T00:26:32Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - On the model-based stochastic value gradient for continuous
reinforcement learning [50.085645237597056]
モデルベースエージェントは,サンプル効率と最終報酬の両方の観点から,最先端のモデルフリーエージェントより優れていることを示す。
以上の結果から,モデルに基づく政策評価がより注目に値することが示唆された。
論文 参考訳（メタデータ） (2020-08-28T17:58:29Z)
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。