論文の概要: Fairness in Healthcare Processes: A Quantitative Analysis of Decision Making in Triage

• arxiv url: http://arxiv.org/abs/2601.11065v1
• Date: Fri, 16 Jan 2026 08:02:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.402022
• Title: Fairness in Healthcare Processes: A Quantitative Analysis of Decision Making in Triage
• Title（参考訳）: 医療プロセスの公正性:トリアージにおける意思決定の定量的分析
• Authors: Rachmadita Andreswari, Stephan A. Fahrenkrog-Petersen, Jan Mendling,
• Abstract要約: 自動意思決定の公平性は、特に高圧の医療シナリオにおいて重要な関心事となっている。 本研究では,実生活のイベントログと正義の概念的次元を結びつけることによって,トリアージにおける公正さを評価するプロセスマイニング手法を提案する。
• 参考スコア（独自算出の注目度）: 2.445127818372702
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fairness in automated decision-making has become a critical concern, particularly in high-pressure healthcare scenarios such as emergency triage, where fast and equitable decisions are essential. Process mining is increasingly investigating fairness. There is a growing area focusing on fairness-aware algorithms. So far, we know less how these concepts perform on empirical healthcare data or how they cover aspects of justice theory. This study addresses this research problem and proposes a process mining approach to assess fairness in triage by linking real-life event logs with conceptual dimensions of justice. Using the MIMICEL event log (as derived from MIMIC-IV ED), we analyze time, re-do, deviation and decision as process outcomes, and evaluate the influence of age, gender, race, language and insurance using the Kruskal-Wallis, Chi-square and effect size measurements. These outcomes are mapped to justice dimensions to support the development of a conceptual framework. The results demonstrate which aspects of potential unfairness in high-acuity and sub-acute surface. In this way, this study contributes empirical insights that support further research in responsible, fairness-aware process mining in healthcare.
• Abstract（参考訳）: 自動意思決定の公平性は、特に急速かつ公平な意思決定が不可欠である緊急トリアージのような高圧の医療シナリオにおいて、重要な関心事となっている。 プロセスマイニングはますます公正さを調査している。 公正を意識したアルゴリズムに注目する領域が増えている。 これまでのところ、これらの概念が経験的な医療データでどのように機能するか、あるいは司法理論の側面をカバーするのかは、あまり分かっていない。 本研究では,この課題に対処し,実生活のイベントログと正義の概念的次元を結びつけることによって,トリアージにおける公正性を評価するプロセスマイニング手法を提案する。 MIMICELイベントログ(MIMIC-IV ED)を用いて,年齢,性別,人種,言語,保険の影響を,Kruskal-Wallis,Chi-square,エフェクトサイズ測定を用いて分析した。 これらの結果は、概念的枠組みの開発を支援するために、正義の次元にマッピングされる。 以上の結果から,高明度表面および亜明度表面における潜在的不公平性のどの側面が示されるかが示唆された。 このようにして、この研究は医療における責任ある公正なプロセスマイニングのさらなる研究を支援する経験的洞察に寄与する。

関連論文リスト

• Partial Identification Approach to Counterfactual Fairness Assessment [50.88100567472179]
  未知の対実的公正度尺度を高い信頼性で有界化するためのベイズ的アプローチを導入する。 以上の結果から、人種をアフリカ系アメリカ人に転換する際のCompASスコアに対する肯定的な(不快な)効果と、若年から高齢に移行する際の否定的な(直接的な因果関係)効果が明らかとなった。
  論文  参考訳（メタデータ） (2025-09-30T18:35:08Z)
• Fairness in Computational Innovations: Identifying Bias in Substance Use Treatment Length of Stay Prediction Models with Policy Implications [0.477529483515826]
  予測機械学習(英: Predictive Machine Learning, ML)は、医学的意思決定を強化する計算技術である。 しかし、社会的バイアスはそのようなモデルにエンコードすることができ、不利なグループの健康結果に不注意に影響を及ぼす懸念を提起する。 この問題は、物質使用障害(SUD)の治療の文脈において特に重要であり、予測モデルのバイアスは、非常に脆弱な患者の回復に大きな影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2024-12-08T06:47:23Z)
• Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
  本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。 本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-10-03T15:56:03Z)
• What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
  強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。 近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。 我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
  論文  参考訳（メタデータ） (2024-04-16T22:47:59Z)
• Causal Fairness for Outcome Control [68.12191782657437]
  本稿では,自動システムにおいて,公平かつ公平な結果変数を最適化することを目的とした,結果制御と呼ばれる特定の意思決定タスクについて検討する。 本稿では、まず因果レンズを通して利益の概念を分析し、特定の個人が肯定的な決定によってどれだけの利益を得られるかを明らかにする。 次に、保護された属性の影響を受けている可能性があることに留意し、これを分析するために使用できる因果的ツールを提案する。
  論文  参考訳（メタデータ） (2023-06-08T09:31:18Z)
• Causal Fairness Assessment of Treatment Allocation with Electronic Health Records [32.34816917662181]
  本稿では,臨床意思決定における公平性を評価するための因果フェアネスアルゴリズムを提案する。 EHRデータベースから得られた冠動脈疾患の患者コホートに本枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-21T05:00:56Z)
• Addressing Fairness Issues in Deep Learning-Based Medical Image Analysis: A Systematic Review [27.949773485090592]
  本稿では,グループフェアネスの基礎を紹介し,フェアネス評価と不公平軽減の2つに分類する。 我々の調査は、公正なMedIAと医療システムを確立する上での既存の課題と機会に関する議論から締めくくっている。
  論文  参考訳（メタデータ） (2022-09-27T06:29:18Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Fair Machine Learning in Healthcare: A Review [90.22219142430146]
  我々は、機械学習と医療格差における公正性の交差を分析する。 機械学習の観点から、関連する公正度メトリクスを批判的にレビューする。 本稿では,医療における倫理的かつ公平なMLアプリケーション開発を約束する新たな研究指針を提案する。
  論文  参考訳（メタデータ） (2022-06-29T04:32:10Z)
• Survey on Causal-based Machine Learning Fairness Notions [4.157415305926584]
  本稿では,因果関係に基づくフェアネス概念の包括的リストについて検討し,実世界のシナリオにおける適用性について検討する。 因果関係に基づく公平性の概念の大部分は、観測不可能な量という観点で定義されるため、実際にはそれらの量を計算するか、見積もる必要がある。
  論文  参考訳（メタデータ） (2020-10-19T14:28:55Z)

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。