评估和减轻多模式远程心理健康评估中的不公平性

科学领域:

• 医疗保健中的人工智能
• 心理健康技术 心理健康技术
• 计算精神病学是一种计算精神病学.

背景情况:

• 自动心理健康评估工具正在出现,以减少精神病评估中的偏见.
• 这些人工智能工具的潜在不公平性尽管存在重大影响,但仍未得到充分研究.

研究的目的:

• 在多式联络远程心理健康数据集和评估系统中,系统地评估种族,性别,教育和年龄的公平性.
• 在不同数据模式中比较公平度指标 (DPR,EOR) 和绩效 (F1分数).
• 评估培训后缓解策略对减少不公平行为的有效性.

主要方法:

• 系统评估多式联运远程心理健康数据集和评估系统.
• 人口平价比率 (DPR) 和对等赔率比率 (EOR) 的比较,用于不同模式的分类器.
• 跨人口群体的F1分数分析.
• 应用培训后的分类器值优化,以缓解公平性.

主要成果:

• 数据集的组成没有显示出统计学上显著的不公平.
• 在不同数据模式中检测到不同程度的不公平.
• 没有一个单一的模式在所有人口变量中在公平性方面始终超过其他模式.
• 训练后缓解成功提高了DPR和EOR,但导致F1得分下降.

结论:

• 解决和减轻自动化心理健康工具中的不公平至关重要.
• 公平性改进带来了绩效成本,需要仔细考虑.
• 缓解策略对于建立临床信任和促进适当采用这些技术至关重要.