論文の概要: Target specification bias, counterfactual prediction, and algorithmic fairness in healthcare

• arxiv url: http://arxiv.org/abs/2308.02081v1
• Date: Thu, 3 Aug 2023 23:43:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-07 14:24:25.732852
• Title: Target specification bias, counterfactual prediction, and algorithmic fairness in healthcare
• Title（参考訳）: 医療における目標仕様バイアス, 反事実予測, アルゴリズム的公平性
• Authors: Eran Tal
• Abstract要約: 本稿では、機械学習(ML)対応予測ツールの臨床的有用性に影響を与える、より広範なバイアス源を特定する。 ターゲット仕様バイアスは、ターゲット変数の操作が意思決定者の定義と一致しないときに発生する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bias in applications of machine learning (ML) to healthcare is usually attributed to unrepresentative or incomplete data, or to underlying health disparities. This article identifies a more pervasive source of bias that affects the clinical utility of ML-enabled prediction tools: target specification bias. Target specification bias arises when the operationalization of the target variable does not match its definition by decision makers. The mismatch is often subtle, and stems from the fact that decision makers are typically interested in predicting the outcomes of counterfactual, rather than actual, healthcare scenarios. Target specification bias persists independently of data limitations and health disparities. When left uncorrected, it gives rise to an overestimation of predictive accuracy, to inefficient utilization of medical resources, and to suboptimal decisions that can harm patients. Recent work in metrology - the science of measurement - suggests ways of counteracting target specification bias and avoiding its harmful consequences.
• Abstract（参考訳）: 機械学習(ML)の医療への応用におけるバイアスは、通常、表現できないデータや不完全なデータ、または根底にある健康格差に起因する。 本稿では、ML対応予測ツールの臨床的有用性に影響を与える、より広範囲なバイアス源を特定する。 ターゲット仕様バイアスは、ターゲット変数の操作が意思決定者の定義と一致しないときに発生する。 このミスマッチは、しばしば微妙であり、意思決定者が実際の医療シナリオではなく、反現実的な結果を予測することに関心があるという事実に由来する。 ターゲット仕様のバイアスは、データ制限と健康格差とは独立に持続する。 非修正の場合、予測精度の過大評価、医療資源の非効率的な利用、患者を害する可能性のある最適下決定につながる。 気象学における最近の研究 - 目標仕様バイアスに対処し、有害な結果を避けるための計測方法の科学。

関連論文リスト

• Debias-CLR: A Contrastive Learning Based Debiasing Method for Algorithmic Fairness in Healthcare Applications [0.17624347338410748]
  異なる治療と戦うために,暗黙の処理内脱バイアス法を提案した。 心不全患者の臨床記録と診断基準,治療報告,生理的活力について検討した。 Debias-CLRは、性別や民族を嫌う場合に、SC-WEAT(Single-Category Word Embedding Association Test)の効果を減少させることができた。
  論文  参考訳（メタデータ） (2024-11-15T19:32:01Z)
• Comparing Targeting Strategies for Maximizing Social Welfare with Limited Resources [20.99198458867724]
  さまざまな領域の5つの実世界のRCTのデータを用いて、そのような選択を経験的に評価する。 リスクベースのターゲティングは、治療効果の偏りのある推定値に基づいて、ほぼ常にターゲティングよりも劣っている。
  論文  参考訳（メタデータ） (2024-11-11T22:36:50Z)
• Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• When accurate prediction models yield harmful self-fulfilling prophecies [16.304160143287366]
  意思決定に予測モデルを使うことは有害な決定につながる可能性があることを示す。 我々の主な成果は、そのような予測モデルの集合を形式的に特徴づけることである。 これらの結果は、予測モデルの検証、デプロイ、評価のための標準プラクティスを改訂する必要があることを示している。
  論文  参考訳（メタデータ） (2023-12-02T19:39:50Z)
• Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
  各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。 提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。 我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
  論文  参考訳（メタデータ） (2023-10-14T13:56:24Z)
• Counterfactual Prediction Under Outcome Measurement Error [29.071173441651734]
  本研究では、過去の意思決定方針から結果測定誤差、治療効果、選択バイアスによって導入されたモデル信頼性に対する交差脅威について検討する。 我々は,これらの課題の複合効果を補正するリスク最小化手法を開発した。
  論文  参考訳（メタデータ） (2023-02-22T03:34:19Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• A Machine Learning Model for Predicting, Diagnosing, and Mitigating Health Disparities in Hospital Readmission [0.0]
  本稿では,データ中のバイアスの検出と緩和とモデル予測が可能な機械学習パイプラインを提案する。 提案手法の有効性を,精度と公正度の測定値を用いて評価した。
  論文  参考訳（メタデータ） (2022-06-13T16:07:25Z)
• To Impute or not to Impute? -- Missing Data in Treatment Effect Estimation [84.76186111434818]
  我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。 本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。 私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
  論文  参考訳（メタデータ） (2022-02-04T12:08:31Z)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。