論文の概要: Investigating Gender Fairness in Machine Learning-driven Personalized Care for Chronic Pain
- arxiv url: http://arxiv.org/abs/2402.19226v3
- Date: Fri, 14 Jun 2024 17:32:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-17 18:52:34.312033
- Title: Investigating Gender Fairness in Machine Learning-driven Personalized Care for Chronic Pain
- Title（参考訳）: 慢性痛に対する機械学習によるパーソナライズケアにおけるジェンダーフェアネスの検討
- Authors: Pratik Gajane, Sean Newman, Mykola Pechenizkiy, John D. Piette,
- Abstract要約: 我々は、実世界における強化学習の応用を用いて、パーソナライズされた痛みケアレコメンデーションにおけるジェンダーフェアネスについて検討した。
実世界のデータを用いて行われた実験は、その特徴が男女の公平性に影響を与えることを示唆している。
実用性と公正性を最適化する機能を適応的に選択できることを実証するRLソリューションであるNestedを提案する。
- 参考スコア（独自算出の注目度）: 13.046897802061062
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chronic pain significantly diminishes the quality of life for millions worldwide. While psychoeducation and therapy can improve pain outcomes, many individuals experiencing pain lack access to evidence-based treatments or fail to complete the necessary number of sessions to achieve benefit. Reinforcement learning (RL) shows potential in tailoring personalized pain management interventions according to patients' individual needs while ensuring the efficient use of scarce clinical resources. However, clinicians, patients, and healthcare decision-makers are concerned that RL solutions could exacerbate disparities associated with patient characteristics like race or gender. In this article, we study gender fairness in personalized pain care recommendations using a real-world application of reinforcement learning (Piette et al., 2022a). Here, adhering to gender fairness translates to minimal or no disparity in the utility received by subpopulations as defined by gender. We investigate whether the selection of relevant patient information (referred to as features) used to assist decision-making affects gender fairness. Our experiments, conducted using real-world data Piette, 2022), indicate that included features can impact gender fairness. Moreover, we propose an RL solution, NestedRecommendation, that demonstrates the ability: i) to adaptively learn to select the features that optimize for utility and fairness, and ii) to accelerate feature selection and in turn, improve pain care recommendations from early on, by leveraging clinicians' domain expertise.
- Abstract（参考訳）: 慢性的な痛みは世界中の数百万人の生活の質を著しく低下させる。
サイコ教育やセラピーは痛みの結果を改善することができるが、多くの患者はエビデンスベースの治療へのアクセスを欠いている。
強化学習(RL)は、患者のニーズに応じてパーソナライズされた痛み管理介入を調整し、少ない臨床資源を効果的に活用する可能性を示している。
しかし、臨床医、患者、医療の意思決定者は、RLソリューションが、人種や性別といった患者の特徴に関連する格差を悪化させるのではないかと懸念している。
本稿では、実世界の強化学習(Piette et al , 2022a)を用いて、パーソナライズされた鎮痛ケア推奨のジェンダーフェアネスについて検討する。
ここでは、性別の公平性に固執することは、性別によって定義されたサブ人口によって受けられるユーティリティの最小限または全くの格差を意味する。
意思決定支援に使用される関連する患者情報(特徴として参照)の選択が性公正に影響を及ぼすかどうかを検討する。
実世界のデータであるPietteを用いて2022年に実施した本実験は,その特徴が男女の公平性に影響を与えることを示唆している。
さらに,その能力を示すRLソリューションであるNestedRecommendationを提案する。
一 実用性及び公正性を最適化する特徴を選択することを適応的に学ぶこと
二 臨床医の専門知識を活用して、特徴の選択を加速し、かつ、早期から鎮痛勧告を改善すること。
関連論文リスト
- Pain Forecasting using Self-supervised Learning and Patient Phenotyping:
An attempt to prevent Opioid Addiction [0.3749861135832073]
シックル細胞病(Sickle Cell Disease)を治療するためには、将来の患者の痛みの軌跡を予測することが不可欠である。
主に患者の自己申告によって記録されるので,多くの痛み記録を入手して予測モデルを設計することは困難である。
本稿では、時系列データをクラスタリングするための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-09T18:31:50Z) - Unbiased Pain Assessment through Wearables and EHR Data: Multi-attribute
Fairness Loss-based CNN Approach [3.799109312082668]
本稿では,MAFL(Multi-Atribute Fairness Loss)に基づくCNNモデルを提案する。
提案手法と既存の緩和手順を比較し, 実装されたモデルが最先端の手法と対照的に良好に機能することを明らかにする。
論文 参考訳（メタデータ） (2023-07-03T09:21:36Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳（メタデータ） (2023-03-23T04:47:46Z) - Adaptive Identification of Populations with Treatment Benefit in
Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。
サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
論文 参考訳（メタデータ） (2022-08-11T14:27:49Z) - Clinical trial site matching with improved diversity using fair policy
learning [56.01170456417214]
我々は,臨床治験記述を潜在的な試験現場のランクリストにマッピングするモデルを学習する。
既存のフェアネスフレームワークとは異なり、各トライアルサイトのグループメンバーシップは非バイナリである。
このようなマルチグループメンバーシップシナリオに対処するために、人口統計学的妥当性に基づく公平性基準を提案する。
論文 参考訳（メタデータ） (2022-04-13T16:35:28Z) - Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。
これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。
静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
論文 参考訳（メタデータ） (2022-04-07T22:14:37Z) - Using Deep Learning and Explainable Artificial Intelligence in Patients'
Choices of Hospital Levels [10.985001960872264]
本研究は、全国の保険データを用いて、既存の文献で議論されている可能性のある特徴を蓄積し、ディープニューラルネットワークを用いて患者の病院レベルの選択を予測した。
その結果,受信機動作特性曲線 (AUC) (0.90), 精度 (0.90), 感度 (0.94), 特異度 (0.97) を高不均衡ラベルで予測できた。
論文 参考訳（メタデータ） (2020-06-24T02:15:15Z) - Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。
残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
論文 参考訳（メタデータ） (2020-01-08T11:46:48Z)
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。