論文の概要: Beyond Demographic Balance: Multi-Metric and Intersectional Evaluation of Fairness in MIMIC-IV Mortality Prediction
- arxiv url: http://arxiv.org/abs/2610.01645v2
- Date: Sat, 03 Oct 2026 02:26:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 04:43:28.519711
- Title: Beyond Demographic Balance: Multi-Metric and Intersectional Evaluation of Fairness in MIMIC-IV Mortality Prediction
- Title（参考訳）: デモグラフィックバランスを超えて:MIMIC-IVにおけるフェアネスのマルチメトリックおよびインターセクション評価
- Abstract要約: MIMIC-IVにおけるICU死亡率予測のための評価選択について再検討する。
我々は、死亡率を条件にすることなく、民族性、ジェンダー、保険表現を両立させる軽量適応戦略を導入する。
- 参考スコア（独自算出の注目度）: 0.9030828136788656
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fairness conclusions in clinical prediction can depend strongly on both the metrics reported and the demographic resolution at which performance is evaluated. We revisit these evaluation choices for ICU mortality prediction on MIMIC-IV, comparing predictive-utility and subgroup-error metrics across several fairness interventions. As a complementary case study, we introduce a lightweight adaptation strategy that jointly balances ethnicity--gender--insurance representation without conditioning on mortality outcomes, allowing demographic representation balancing to be examined separately from outcome-conditioned or direct error-rate interventions. We evaluate its behavior at both marginal and corresponding three-way intersectional subgroup levels, while accounting for the statistical support of finer-grained estimates. The results show that interventions can receive substantially different assessments across accuracy/AUROC, sensitivity, and false-positive rate, and that marginal demographic summaries can conceal heterogeneous error profiles within their constituent intersections, including among larger subgroups. These findings highlight the importance of evaluating fairness interventions at both complementary metric and subgroup resolutions, while accounting for the intervention target and the reliability of subgroup estimates.
- Abstract（参考訳）: 臨床予測における公正な結論は、報告された指標と、パフォーマンスを評価する人口統計学的解決の両方に強く依存する。
我々は、MIMIC-IVにおけるICU死亡予測のためのこれらの評価選択を再考し、いくつかのフェアネス介入における予測ユーティリティとサブグループエラーメトリクスを比較した。
補完的なケーススタディとして、死亡率を条件にすることなく、民族性・ジェンダー・保険の表現を共同でバランスさせる軽量適応戦略を導入し、結果条件や直接エラー率の介入から、人口動態の表現バランスを別々に検討できるようにした。
我々は,細粒度推定の統計的支持を考慮しつつ,その挙動を辺縁およびそれに対応する3方向の交叉部分群レベルで評価した。
その結果, 介入は精度/AUROC, 感度, 偽陽性率で大きく異なる評価が得られ, 限界人口統計群は, より大きなサブグループを含む構成交点内において, 不均一な誤差プロファイルを隠蔽できることがわかった。
これらの知見は、介入目標とサブグループ推定の信頼性を考慮しつつ、相補的計量とサブグループ解決の両面で公平な介入を評価することの重要性を強調した。
関連論文リスト
- Worst-Group Equalized Odds Regularization for Multi-Attribute Fair Medical Image Classification [2.811881431797407]
最低群等化オードスマージン正規化器を提案する。
これは推論における真正と偽正の双方のサブグループレベルの偏差をターゲットにしている。
等化オッドと等化オッドの格差をAUCに最小限の影響で一貫して減少させる。
論文 参考訳（メタデータ） (2026-05-19T00:35:02Z) - FairLogue: Evaluating Intersectional Fairness across Clinical Machine Learning Use Cases using the All of Us Research Program [0.5951287048890108]
All of Usデータセットを使用して、レプリケーションと評価のために2つの機械学習モデルが選択された。
観察的公正度は、人種、性別、交差するサブグループで計算され、続いて反事実分析が行われた。
結果は、交差フェアネス監査の重要性を強調し、FairLogueが機械学習システムのバイアスに対する深い洞察を提供する方法を示している。
論文 参考訳（メタデータ） (2026-04-07T19:50:10Z) - FairLogue: A Toolkit for Intersectional Fairness Analysis in Clinical Machine Learning Models [0.5951287048890108]
アルゴリズムフェアネスは、医療における公平で信頼できる機械学習に不可欠である。
本研究は,観測的および対実的文脈における交差フェアネス評価を運用するためのツールキットであるFairlogueを紹介する。
論文 参考訳（メタデータ） (2026-04-06T17:03:03Z) - Understanding challenges to the interpretation of disaggregated evaluations of algorithmic fairness [49.35494016290887]
関係する人口を表わすが、実世界の格差を反映するデータである場合、サブグループ間での平等なパフォーマンスは、信頼できない公平さの尺度であることを示す。
本フレームワークでは, 因果関係の明示的な仮定と分析を相補して, 相反や分布変化の制御を提案する。
論文 参考訳（メタデータ） (2025-06-04T17:40:31Z) - Comparative assessment of fairness definitions and bias mitigation strategies in machine learning-based diagnosis of Alzheimer's disease from MR images [4.569587135821805]
本研究では,MCIとアルツハイマー病(AD)の診断のための機械学習モデル(ML)の公平性解析をMRIによる神経画像特徴から行う。
マルチコホートデータセットにおける年齢,人種,性別に関連するバイアスについて検討した。
その結果、年齢や人種に関連するバイアスの存在が明らかとなったが、有意な性別バイアスは観察されなかった。
論文 参考訳（メタデータ） (2025-05-29T15:07:19Z) - Auditing ICU Readmission Rates in an Clinical Database: An Analysis of
Risk Factors and Clinical Outcomes [0.0]
本研究では,30日間の読解問題における臨床データ分類のための機械学習パイプラインを提案する。
公正監査は、平等機会、予測パリティ、偽陽性率パリティ、偽陰性率パリティ基準の格差を明らかにする。
この研究は、人工知能(AI)システムのバイアスと公平性に対処するために、研究者、政策立案者、実践者の協力的努力の必要性を示唆している。
論文 参考訳（メタデータ） (2023-04-12T17:09:38Z) - A standardized framework for risk-based assessment of treatment effect
heterogeneity in observational healthcare databases [60.07352590494571]
本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。
アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
論文 参考訳（メタデータ） (2020-10-13T14:48:31Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳（メタデータ） (2020-05-07T16:13:12Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
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。