公平性を考慮した機械学習モデルによる前立腺がん生存率予測における格差の軽減

科学分野:

• 腫瘍学; 生物統計学; 機械学習

背景:

• 予測モデルは、人口統計グループ全体で不均一なパフォーマンスを示すため、医療格差を永続させる可能性があります。; 公平性を考慮した方法は、二値の結果に対して確立されていますが、生存分析ではあまり探求されていません。; 前立腺がん治療後の生存率予測には、人種間格差が存在します。

研究 の 目的:

• 根治的前立腺摘出術後の生存率を予測するための2つの公平性を考慮した深層学習生存モデルを比較すること。; これらの予測モデルのパフォーマンスにおける人種間格差を軽減すること。; 生存分析における公平性を考慮したアプローチの有効性を評価すること。

主な方法:

• 国立がんデータベースを利用して、全生存率の深層コックス比例ハザードモデルをトレーニングしました。; 公平性を考慮した2つのモデル、すなわち、公平性を考慮した深層コックス比例ハザードモデル（Fair DCPH）とグループ分布ロバスト最適化深層コックス比例ハザードモデル（GroupDRO DCPH）を比較しました。; 人種グループ全体でのグループ間およびグループ内のコンコーダンスインデックス（Cインデックス）を使用して、モデルの公平性を評価しました。

主要な成果:

• ベースラインの深層コックス比例ハザードモデル（DCPH）は、人種グループ間でパフォーマンスの格差を示しました（例：黒人およびヒスパニック系患者のCインデックスが低い）。; 公平性を考慮したモデル（Fair DCPH、GroupDRO DCPH）は、黒人、ヒスパニック系、およびアジア人患者のグループ間Cインデックスを改善しました。; これらの改善は、白人患者サブグループでのパフォーマンスの低下を最小限に抑えながら達成されました。

結論:

• 前立腺摘出術後の生存率予測における人種間格差に対処するために、2つの公平性を考慮した生存モデルをベンチマークしました。; これらの方法は、公平な予測モデルを通じて公平なケアを確保する可能性を示しています。; これらのアプローチは、医療予測における公平性を促進するために、他の時間イベントモデルに拡張できます。