論文の概要: Equitable Survival Prediction: A Fairness-Aware Survival Modeling (FASM) Approach

• arxiv url: http://arxiv.org/abs/2510.20629v1
• Date: Thu, 23 Oct 2025 15:03:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.223535
• Title: Equitable Survival Prediction: A Fairness-Aware Survival Modeling (FASM) Approach
• Title（参考訳）: Equitable Survival Prediction: A Fairness-Aware Survival Modeling (FASM) Approach
• Authors: Mingxuan Liu, Yilin Ning, Haoyuan Wang, Chuan Hong, Matthew Engelhard, Danielle S. Bitterman, William G. La Cava, Nan Liu,
• Abstract要約: 本研究では,グループ内およびグループ間リスクランキングに関するアルゴリズムバイアスを軽減するためのFairness-Aware Survival Modeling (FASM)を提案する。 時間的階層化評価の結果,FASMは10年間の地平線上で安定な公正性を維持しており,追跡中盤に最も改善が見られた。
• 参考スコア（独自算出の注目度）: 13.80791791871853
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As machine learning models become increasingly integrated into healthcare, structural inequities and social biases embedded in clinical data can be perpetuated or even amplified by data-driven models. In survival analysis, censoring and time dynamics can further add complexity to fair model development. Additionally, algorithmic fairness approaches often overlook disparities in cross-group rankings, e.g., high-risk Black patients may be ranked below lower-risk White patients who do not experience the event of mortality. Such misranking can reinforce biological essentialism and undermine equitable care. We propose a Fairness-Aware Survival Modeling (FASM), designed to mitigate algorithmic bias regarding both intra-group and cross-group risk rankings over time. Using breast cancer prognosis as a representative case and applying FASM to SEER breast cancer data, we show that FASM substantially improves fairness while preserving discrimination performance comparable to fairness-unaware survival models. Time-stratified evaluations show that FASM maintains stable fairness over a 10-year horizon, with the greatest improvements observed during the mid-term of follow-up. Our approach enables the development of survival models that prioritize both accuracy and equity in clinical decision-making, advancing fairness as a core principle in clinical care.
• Abstract（参考訳）: 機械学習モデルが医療にますます統合されるにつれて、臨床データに埋め込まれた構造的不平等や社会的偏見は、データ駆動モデルによって永続的あるいは増幅される。 生存分析では、検閲と時間力学が公正なモデル開発にさらに複雑さを増す可能性がある。 さらに、アルゴリズム的公正性アプローチは、クロスグループランキングにおける格差を見落としていることが多く、例えば、高リスクの黒人患者は、死亡を経験していない低リスクの白人患者より下位にランクされることがある。 このような誤解は生物学的本質主義を補強し、公平なケアを損なう可能性がある。 本研究では,Fairness-Aware Survival Modeling (FASM)を提案する。 乳癌の予後を代表例とし, FASMをSEER乳癌データに適用することにより, FASMはフェアネスを意識しない生存モデルに匹敵する識別性能を維持しつつ, フェアネスを大幅に改善することを示す。 時間的階層化評価の結果,FASMは10年間の地平線上で安定な公正性を維持しており,追跡中盤に最も改善が見られた。 本手法は, 臨床意思決定における精度と公平性の両方を優先する生存モデルの開発を可能にする。

関連論文リスト

• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Prediction of Delirium Risk in Mild Cognitive Impairment Using Time-Series data, Machine Learning and Comorbidity Patterns -- A Retrospective Study [0.0]
  軽度認知障害(MCI)患者の死亡率と死亡率を特徴とする臨床的懸念 本研究は,MCIに関連する共生パターンを解析し,縦断的予測モデルを構築し,デリリウムの関連リスク要因について検討した。 このモデルではAUROCは0.93、AUPRCは0.92と頑健な予測能力を示した。
  論文  参考訳（メタデータ） (2025-05-05T01:21:31Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• FERI: A Multitask-based Fairness Achieving Algorithm with Applications to Fair Organ Transplantation [15.481475313958219]
  本研究は, 肝移植患者の移植失敗リスクの公平な予測のために, Equitable Rate of Improvement in Multitask Learning (FERI) アルゴリズムを用いてフェアネスを紹介する。 FERIは、学習率のバランスとトレーニングプロセスにおけるサブグループ支配の防止により、サブグループ損失を抑える。
  論文  参考訳（メタデータ） (2023-10-20T21:14:07Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Early prediction of the risk of ICU mortality with Deep Federated Learning [0.0]
  我々は,集中治療室の死亡リスクを早期に予測するために,深層連携学習の能力を評価する。 患者の病歴ウィンドウが退院や死亡に近づくと,予測性能が高くなることを示す。
  論文  参考訳（メタデータ） (2022-12-01T15:01:27Z)
• COVID-Net Biochem: An Explainability-driven Framework to Building Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19 Patients from Clinical and Biochemistry Data [66.43957431843324]
  我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。 この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
  論文  参考訳（メタデータ） (2022-04-24T07:38:37Z)
• WRSE -- a non-parametric weighted-resolution ensemble for predicting individual survival distributions in the ICU [0.251657752676152]
  集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。 現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2020-11-02T10:13:59Z)
• 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)

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。