論文の概要: Toward Fairness in Machine Learning Models for Predicting Treatment Retention and Premature Discontinuation in Medication for Opioid Use Disorder

• arxiv url: http://arxiv.org/abs/2609.22113v1
• Date: Wed, 19 Aug 2026 03:27:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.716285
• Title: Toward Fairness in Machine Learning Models for Predicting Treatment Retention and Premature Discontinuation in Medication for Opioid Use Disorder
• Title（参考訳）: オピオイド使用障害治療における治療継続と早期中止予測のための機械学習モデルの公平性に向けて
• Abstract要約: オピオイド使用障害(MOUD)の治療薬の保持率と完成率の低下は、維持率を予測する機械学習(ML)モデルの使用を推進し、早期中止のリスクがある患者を同定している。 本研究は,MOUD保持および早期停止予測のためのMLモデルのアルゴリズムフェアネスを評価し,バイアス軽減手法の有効性について検討する。
• 参考スコア（独自算出の注目度）: 28.919858800772218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Persistent low retention and completion rates in medications for opioid use disorder (MOUD) have driven the use of machine learning (ML) models to predict retention and identify patients at risk of premature discontinuation. However, the fairness of these models across patient populations remains largely unexplored, raising concerns about their application in treatment decision support. This study systematically assesses algorithmic fairness in ML models for predicting MOUD retention and premature discontinuation and investigates the effectiveness of bias mitigation techniques. Using the cross-sectional Treatment Episode Data Set-Discharges (TEDS-D), which includes treatment episodes for individuals in the U.S. discharged between 2015 and 2019, we trained four ML models to predict premature treatment discontinuation and retention beyond 180 days among individuals receiving outpatient MOUD. We evaluated overall performance and subgroup-level error rates across patient subgroups defined by race, ethnicity, age, and sex, complemented by model explanation analyses. We further assessed bias mitigation techniques and their effects on both fairness and predictive performance. Our findings demonstrate that ML models for MOUD outcome prediction can exhibit subgroup-level performance gaps even when overall predictive performance appears acceptable and that bias mitigation can reduce, but not fully eliminate, these gaps without trade-offs. By demonstrating the importance of fairness-aware evaluation and transparent reporting of subgroup performance, this study provides practical insights for the responsible and context-sensitive use of ML models for risk stratification and care prioritization in MOUD treatment settings.
• Abstract（参考訳）: オピオイド使用障害(MOUD)治療薬の持続的低保持と完成率は、維持率の予測と早期停止のリスクのある患者の識別に機械学習(ML)モデルを使用した。 しかし、これらのモデルが患者集団にまたがる公平さは未解明のままであり、治療決定支援への応用への懸念が高まっている。 本研究は,MOUDの保持と早期停止を予測するためのMLモデルのアルゴリズムフェアネスを体系的に評価し,バイアス軽減手法の有効性について検討する。 2015年から2019年の間にアメリカ合衆国で退院した患者の治療エピソードを含む横断的治療エピソードデータセット(TEDS-D)を用いて、外来のMOUDを受けた患者のうち、早期治療の中止と継続を180日以上予測する4つのMLモデルを訓練した。 モデル分析により, 人種, 民族, 年齢, 性別によって定義される患者サブグループ間での総合的パフォーマンスとサブグループレベルのエラー率を評価した。 さらに,バイアス緩和手法と,その効果が公平性および予測性能に与える影響について検討した。 以上の結果から,MOUD結果予測のためのMLモデルでは,全体的な予測性能が許容される場合でも,サブグループレベルの性能ギャップが示され,バイアス緩和は低減されるが,完全には排除されない。 本研究は, リスク階層化とケア優先化のためのMLモデルの責任と文脈に敏感な使用について, MOUD処理環境において, 公平性を考慮した評価と, サブグループパフォーマンスの透過的報告の重要性を実証することによって, 実用的な知見を提供する。

関連論文リスト

• Machine learning models for estimating counterfactuals in a single-arm inflammatory bowel disease study [1.685177132716279]
  シングルアーム試験は、同時制御グループのために採用される患者数を減らし、研究タイムラインを加速する。 1つのアプローチは、外部制御データに基づいてトレーニングされた機械学習(ML)モデルを使用して仮想制御アームを構築し、処理アームの対実結果を予測することである。 本研究は,炎症性腸疾患(IBD)臨床試験において,高額,長期,非倫理的な患者募集の代替として,バーチャルコントロールを有効かつ効果的に支援する。
  論文  参考訳（メタデータ） (2026-04-25T23:09:07Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
  10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。 24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。 2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
  論文  参考訳（メタデータ） (2024-10-02T03:21:01Z)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• A comparison of approaches to improve worst-case predictive model performance over patient subpopulations [14.175321968797252]
  患者において平均的に正確な臨床結果の予測モデルは、いくつかのサブ集団に対して劇的に過小評価される可能性がある。 サブポピュレーションに対する解離および最悪の性能を一貫して改善するモデル開発と選択のアプローチを同定する。 本研究は, 比較的少数の例外を除いて, 標準学習法よりも, 患者サブポピュレーションに対するアプローチが優れていることが確認された。
  論文  参考訳（メタデータ） (2021-08-27T13:10:00Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。