論文の概要: Advancing Health Equity through Multi-Level Fairness in Health Informatics

• arxiv url: http://arxiv.org/abs/2608.16902v1
• Date: Thu, 09 Jul 2026 21:35:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.248229
• Title: Advancing Health Equity through Multi-Level Fairness in Health Informatics
• Title（参考訳）: 健康インフォマティクスにおけるマルチレベルフェアネスによる健康状態の向上
• Abstract要約: 医療における機械学習の統合の増大は、公正性、透明性、ヘルスエクイティに関連する課題を浮き彫りにした。 複数のバイアス緩和ステップやテクニックを組み合わせたマルチレベルフェアネス技術を使用することで、さまざまな患者層でバイアスを減らすことが期待できる。 しかし、このアプローチは、健康上のエクイティ(英語版)の結果の観点からは未検討のままである。
• 参考スコア（独自算出の注目度）: 0.5951287048890108
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing integration of machine learning in healthcare has highlighted critical challenges related to fairness, transparency, and health equity. Specifically, the use of multi-level fairness techniques, which combine multiple bias mitigation steps or techniques, show promise for reducing biases across different patient demographics, yet this approach remains underexplored in terms of its health equity outcomes. In this paper, we assess the current landscape of multi-level fairness in health informatics by focusing on its impact on equitable healthcare outcomes and evaluating how transparency and reporting standards contribute to these advancements. Through an examination of the existing literature, we identify key gaps in both the implementation of multi-level fairness techniques and the consistent reporting of health equity impacts. Furthermore, we analyze the role of reporting standards, including MINIMAR and TRIPOD, in improving model transparency and ensuring that machine learning models in healthcare address health disparities. These standards offer valuable benchmarks for reporting on ML models, yet we identify key opportunities for enhancing how these reports capture fairness and equity outcomes. The paper concludes by providing recommendations that focus on improving transparency in reporting, advocating for the broader adoption of multi-level fairness techniques, and ensuring that health equity is explicitly prioritized in future research efforts.
• Abstract（参考訳）: 医療における機械学習の統合の増大は、公正性、透明性、ヘルスエクイティに関連する重要な課題を浮き彫りにした。 具体的には、複数のバイアス緩和ステップやテクニックを組み合わせたマルチレベルフェアネス技術の使用は、異なる患者の人口層にまたがるバイアスを減らすことを約束している。 本稿では,健康情報学におけるマルチレベルフェアネスの現況を,公平な医療成果に対する影響に着目し,透明性と報告基準がこれらの進歩にどのように貢献するかを評価することによって評価する。 本研究は,既存文献の検証を通じて,マルチレベルフェアネス技術の導入と,ヘルスエクイティの影響の一貫した報告の両面で重要なギャップを同定する。 さらに、MINIMARやTRIPODなどのレポート標準が、モデルの透明性を改善し、医療における機械学習モデルが健康格差に対処することを確実にする役割を分析した。 これらの標準は、MLモデルに関するレポートのための貴重なベンチマークを提供するが、これらのレポートが公正さとエクイティの成果を捉えるための重要な機会を特定する。 論文は、報告の透明性向上に重点を置いた勧告、多水準公正化手法の広範な採用を提唱し、将来の研究で健康的平等が明示的に優先されることを保証することで締めくくっている。

関連論文リスト

• Aloe-Vision: Robust Vision-Language Models for Healthcare [4.974285692877258]
  医療に特化したLVLM(Large Vision-Language Models)が、将来性のある研究方向として浮上している。 しかし、進歩は、高品質な医療マルチモーダルデータの不足、安全クリティカルな設定の堅牢性への懸念、狭く汚染される可能性のある評価ベンチマークによって制限されている。 この研究は、マルチモーダルとテキストのみのソースをまたいだ医療ドメインと一般ドメインの両方を統合する、大規模で高品質なフィルタデータであるAloe-Vision-Dataを導入している。
  論文  参考訳（メタデータ） (2026-06-25T19:36:38Z)
• What is Fair? Defining Fairness in Machine Learning for Health [0.6311610943467981]
  機械学習(ML)モデルが安全で効果的であり、すべての患者に公平であることを保証することは、臨床的な意思決定と、既存の健康格差の増幅を防ぐために重要である。 機械学習モデルが不公平な判断に繋がる理由や、さまざまな現実世界のアプリケーションにおいて、公平さがどのように測定されたかなど、健康のためのMLにおいてフェアネスが概念化されているかを検討する。
  論文  参考訳（メタデータ） (2024-06-13T16:41:30Z)
• A Toolbox for Surfacing Health Equity Harms and Biases in Large Language Models [20.11590976578911]
  大規模言語モデル(LLM)は、複雑な健康情報のニーズを満たすことを約束すると同時に、健康格差を悪化させる可能性がある。 エクイティ関連モデル失敗の信頼性評価は、ヘルスエクイティを促進するシステムを開発するための重要なステップである。 医学的問題に対するLLMによる長期的回答において、株式関連害を生じさせる可能性のあるバイアスを克服するためのリソースと方法論を提示する。
  論文  参考訳（メタデータ） (2024-03-18T17:56:37Z)
• Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
  医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。 医療資源割り当てプロトコルの普遍的な標準は存在しない。 本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-15T17:28:06Z)
• 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)
• 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)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)

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。