Equidad contrafactual para subgrupos pequeños

Área de la Ciencia:

• Informática de la Salud
• Bioestadística
• Ética del Aprendizaje Automático

Sus antecedentes:

• Las métricas de equidad existentes para modelos de predicción de riesgos tienen dificultades con subgrupos pequeños y marginados.
• Las aplicaciones clínicas requieren evaluaciones de equidad que tengan en cuenta la confusión del tratamiento.
• Las limitaciones en el tamaño de la muestra dificultan la reparación de la discriminación contra poblaciones vulnerables.

Objetivo del estudio:

• Desarrollar métodos novedosos para evaluar y corregir el rendimiento diferencial en modelos de predicción de riesgos para subgrupos pequeños.
• Abordar los desafíos estadísticos en aplicaciones clínicas de modelos de predicción de riesgos.
• Mejorar la equidad algorítmica para grupos marginados en la atención médica.

Principales métodos:

• Se propusieron nuevos estimandos que aprovechan la información de múltiples grupos.
• Se estimaron cantidades de equidad utilizando un volumen de datos mayor que las técnicas convencionales.
• Se introdujo un enfoque novedoso de préstamo de datos utilizando datos externos que carecen de resultados.

Principales resultados:

• Los métodos desarrollados permiten la evaluación de la equidad en subgrupos más pequeños.
• El enfoque incorpora eficazmente datos externos para mejorar la estimación.
• Se demostró la aplicación en un modelo de predicción de riesgos del mundo real utilizado durante la pandemia de COVID-19.

Conclusiones:

• El enfoque propuesto de 3 pasos mejora la capacidad de lograr la equidad algorítmica en la predicción de riesgos clínicos.
• Esta metodología aborda limitaciones críticas de las técnicas existentes, particularmente para poblaciones vulnerables.
• Los hallazgos tienen implicaciones significativas para la prestación equitativa de atención médica y la orientación del tratamiento.