机器学习算法的比较,识别儿童在家外安置的风险增加:发展和实际考虑
Tyler J Gorham1, Rose Y Hardy2, David Ciccone2
1IT Research & Innovation, The Abigail Wexner Research Institute at Nationwide Children's Hospital, Columbus, Ohio, USA.
Health services research
|March 6, 2025
概括
机器学习模型可以识别那些有家庭外安置风险的儿童. 极端梯度增强树 (XGBoost) 模型显示出更好的性能和更少的种族偏见,而不是最少绝对收缩和选择操作员 (LASSO) 模型.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 儿童福利研究 儿童福利研究
背景情况:
- 识别面临家庭外安置风险的儿童对于及时干预至关重要.
- 医疗补助保险儿童代表着面临潜在的家庭外安置的重要人口.
- 现有的预测模型可能无法充分解决种族差异.
研究的目的:
- 开发和比较机器学习 (ML) 算法,用于识别处于家庭外安置风险的儿童.
- 为了评估ML模型的性能,并没有种族作为预测器.
- 评估儿童福利预测的ML模型中的算法偏差.
主要方法:
- 在俄俄州两个县的医疗补助保险儿童 (2018-2022) 的回顾性队列研究.
- 开发和比较最少绝对收缩和选择操作员 (LASSO) 和极端梯度增强树 (XGBoost) ML算法.
- 使用接收器操作特征曲线下的面积 (AUROC) 和部分AUROC (pAUROC90) 的性能评估,在种族群体之间进行偏差评估.
主要成果:
- 与LASSO模型相比,XGBoost模型表现出更高的性能.
- XGBoost 在包括比赛在内的AUROC为0.78和没有比赛的AUROC为0.76.
- 拉索车型实现了较低的AUROC (0.75与比赛,0.73没有比赛).
结论:
- 极端梯度增强树 (XGBoost) 算法比LASSO更有效地预测家庭之外的位置.
- 与LASSO相比,XGBoost模型显示种族偏见的证据减少了.
- 机器学习开发人员和政策领导者之间的合作对于在儿童福利方面创建公平的预测模型至关重要.
