COVID-19予測モデルにおける人口統計学的最適化を用いた公平性補正：アルゴリズム開発と検証研究

科学分野:

• 疫学
• データサイエンス
• 公衆衛生

背景:

• COVID-19予測モデルは、資源配分や介入戦略にとって極めて重要である。
• 最先端のモデルはマルチモーダルデータを利用するが、少数派グループに影響を与える過少報告やサンプリングバイアスの問題がある。
• これらのバイアスは、異なる人種および民族の人口統計におけるCOVID-19予測の不公平につながる。

研究 の 目的:

• 集計レベルのCOVID-19症例予測のための新しい公平性補正方法を導入する。
• 公衆衛生上の意思決定に使用される予測モデルの公平性を向上させる。

主な方法:

• 公平性フレームワークを評価するために、ハードおよびソフト誤差均等性分析を利用した。
• 深層学習モデルのためのバイアス除去手法である人口統計学的最適化（DemOpts）を提案し、実装した。
• DemOptsを既存の公平性補正アプローチと比較してテストした。

主要な成果:

• 最先端のCOVID-19モデルにおける人種および民族グループ間での平均予測誤差に有意な差があることを実証した。
• DemOptsが他のバイアス除去手法と比較して優れた誤差均等性を達成することを示した。
• DemOptsが人口統計グループ間での平均誤差分布における格差を効果的に低減することを確認した。

結論:

• 人口統計学的最適化（DemOpts）は、誤差の均等性の違いを低減するための効果的な方法として導入される。
• DemOptsは、既存の文献アプローチと比較して、より公平なCOVID-19予測モデルを生成する。
• この手法は、公平な公衆衛生計画のための予測の信頼性を高める。