論文の概要: Developing Fairness-Aware Task Decomposition to Improve Equity in Post-Spinal Fusion Complication Prediction

• arxiv url: http://arxiv.org/abs/2512.00598v1
• Date: Sat, 29 Nov 2025 19:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.317316
• Title: Developing Fairness-Aware Task Decomposition to Improve Equity in Post-Spinal Fusion Complication Prediction
• Title（参考訳）: 核融合後合併症予測における等価性向上のための公平性を考慮したタスク分解法の開発
• Authors: Yining Yuan, J. Ben Tamo, Wenqi Shi, Yishan Zhong, Micky C. Nnamdi, B. Randall Brenn, Steven W. Hwang, May D. Wang,
• Abstract要約: 術後合併症予測のための公平性を考慮したマルチタスク学習フレームワークを提案する。 FAIR-MTLはデータ駆動型サブグループ推論機構を採用している。 AUCは0.86であり、75%の精度でシングルタスクベースラインを上回り、バイアスを大幅に低減する。
• 参考スコア（独自算出の注目度）: 3.860970992977915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness in clinical prediction models remains a persistent challenge, particularly in high-stakes applications such as spinal fusion surgery for scoliosis, where patient outcomes exhibit substantial heterogeneity. Many existing fairness approaches rely on coarse demographic adjustments or post-hoc corrections, which fail to capture the latent structure of clinical populations and may unintentionally reinforce bias. We propose FAIR-MTL, a fairness-aware multitask learning framework designed to provide equitable and fine-grained prediction of postoperative complication severity. Instead of relying on explicit sensitive attributes during model training, FAIR-MTL employs a data-driven subgroup inference mechanism. We extract a compact demographic embedding, and apply k-means clustering to uncover latent patient subgroups that may be differentially affected by traditional models. These inferred subgroup labels determine task routing within a shared multitask architecture. During training, subgroup imbalance is mitigated through inverse-frequency weighting, and regularization prevents overfitting to smaller groups. Applied to postoperative complication prediction with four severity levels, FAIR-MTL achieves an AUC of 0.86 and an accuracy of 75%, outperforming single-task baselines while substantially reducing bias. For gender, the demographic parity difference decreases to 0.055 and equalized odds to 0.094; for age, these values reduce to 0.056 and 0.148, respectively. Model interpretability is ensured through SHAP and Gini importance analyses, which consistently highlight clinically meaningful predictors such as hemoglobin, hematocrit, and patient weight. Our findings show that incorporating unsupervised subgroup discovery into a multitask framework enables more equitable, interpretable, and clinically actionable predictions for surgical risk stratification.
• Abstract（参考訳）: 臨床予測モデルの公平性は、特に脊髄融合手術のような、患者の結果がかなりの不均一性を示す、高度な用途において、永続的な課題である。 既存のフェアネスアプローチの多くは、粗い人口調整やポストホック補正に依存しており、これは臨床集団の潜伏した構造を捉えず、意図せずバイアスを補強する可能性がある。 本研究では,FAIR-MTLを提案する。FAIR-MTLは,術後合併症の重症度を公平かつきめ細かな予測を行うための,公平性を考慮したマルチタスク学習フレームワークである。 FAIR-MTLは、モデルトレーニング中に明示的な機密属性に頼る代わりに、データ駆動サブグループ推論機構を採用している。 我々は, コンパクトな集団埋め込みを抽出し, k-平均クラスタリングを適用し, 従来のモデルに差のある潜在患者サブグループを明らかにする。 これらの推論されたサブグループラベルは、共有マルチタスクアーキテクチャ内のタスクルーティングを決定する。 トレーニング中、サブグループ不均衡は逆周波数重み付けによって緩和され、正規化は小さなグループへの過度な適合を防ぐ。 FAIR-MTLは術後合併症の予測に4つの重症度で適用され、AUCは0.86、精度は75%となり、シングルタスクベースラインより優れ、バイアスを大幅に低減した。 性別では、人口比率の差は0.055に、確率は0.094に減少し、年齢ではそれぞれ0.056と0.148に減少する。 モデル解釈性は、ヘモグロビン、ヘマトクリット、および患者重量などの臨床的に有意な予測因子を一貫して強調するSHAPおよびGiniの重要度分析によって確保される。 本研究は, 教師なしサブグループ発見をマルチタスクフレームワークに組み込むことにより, 外科的リスク階層化のための, より公平で, 解釈可能で, 臨床的に実行可能な予測が可能であることが示唆された。

関連論文リスト

• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• G-computation for increasing performances of clinical trials with individual randomization and binary response [0.43541492802373877]
  臨床試験では、ランダムなアロケーションは腕間の予後因子のバランスを目標とし、真の共同設立者を防ぐ。 したがって、特に関連するパワーの増加のため、予後因子の調整が推奨される。 本稿では,機械学習によるG-computationが,サンプルサイズが小さい場合でもランダム化臨床試験に適した方法であると仮定した。
  論文  参考訳（メタデータ） (2024-11-15T10:18:38Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• How does promoting the minority fraction affect generalization? A theoretical study of the one-hidden-layer neural network on group imbalance [64.1656365676171]
  グループ不均衡は経験的リスク最小化において既知の問題である。 本稿では,個々の集団がサンプルの複雑さ,収束率,平均および群レベルの試験性能に与える影響を定量化する。
  論文  参考訳（メタデータ） (2024-03-12T04:38:05Z)
• 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)
• Segmentation-Consistent Probabilistic Lesion Counting [3.6513059119482145]
  病変数は、疾患の重症度、患者の予後、治療効果の重要な指標であるが、医療画像の課題として数えられることは、しばしばセグメンテーションを支持するために見過ごされる。 本研究は、病変分割予測と病変数確率分布を一貫した方法でマッピングする、新しい連続微分可能な関数を導入する。
  論文  参考訳（メタデータ） (2022-04-11T17:26:49Z)
• Two-Stage TMLE to Reduce Bias and Improve Efficiency in Cluster Randomized Trials [0.0]
  クラスタランダム化トライアル(CRT)は、ランダムに個人グループへの介入を割り当て、それらのグループ内の個人に対する結果を測定する。 クラスタ内の一部の個人には発見が欠落することが多い。 CRTは、しばしば限られた数のクラスターをランダムにし、その結果、腕間のベースライン結果予測器に不均衡をもたらす。
  論文  参考訳（メタデータ） (2021-06-29T21:47:30Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。