説明可能なAIベースのバイアス緩和を使用したCOVID-19重症度分類のためのアルゴリズム公平性の評価と改善

科学分野:

• 医療情報学
• 医療における人工知能
• 健康上の公平性

背景:

• 機械学習（ML）モデルは、臨床的意思決定とリソース配分のために重要なCOVID-19重症度の予測にますます使用されています。
• ML予測における公平性を確保することは、特に性別に基づくバイアスに関して、医療格差を防ぐために不可欠です。
• 既存の公平性介入は、モデルの精度を低下させることが多く、臨床的適用性を制限します。

主な方法:

• ケベックバイオバンクデータを使用して、XGBoost多クラス分類モデルを開発しました。
• サブセット精度パリティ差（SAPD）およびラベルごとの機会均等差（LEOD）メトリックを使用して公平性を評価しました。
• SHapley Additive exPlanations（SHAP）を利用したXAIベースの方法を含む、4つのバイアス緩和戦略を実装し、比較しました。

結論:

• XAI主導のバイアス緩和は、COVID-19重症度予測における性別に基づく格差を効果的に削減します。
• このアプローチは、従来の公平性介入と比較して精度低下を最小限に抑えます。
• 公平なケアのための公平で正確な臨床意思決定支援システムを開発するためのフレームワークを提供します。