低出生体重的预测模型:对算法公平性改善方法的比较分析
Clare C Brown1, Horacio Gomez-Acevedo, Benjamin C Amick
1University of Arkansas for Medical Sciences, 4301 W Markham St, Slot #820-12, Little Rock, AR 72205.
算法公平性方法改善了黑人个体的低出生体重模型准确性,但降低了灵敏度,未能提高整体预测性能. 实施这些模型可能会使健康不平等持续存在.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的机器学习
- 健康 公平 研究 健康 公平 研究
背景情况:
- 低出生体重的预测模型对于人口健康管理至关重要.
- 算法公平性对于确保公平的健康结果至关重要.
- 现有的模型可能会显示种族/族群之间的绩效差异.
研究的目的:
- 评估是否常见的算法公平性改进方法可以增强低出生体重的预测模型.
- 评估公平干预对不同种族/种族群体的模型准确性和敏感性的影响.
主要方法:
- 对相关的出生证明和保险索赔的回顾性分析 (n=191,943).
- 原始弹性网模型与6种提高公平性的方法进行比较.
- 模型训练和测试使用平衡的随机分割和10倍交叉验证.
主要成果:
- 与白人相比,原始模型对黑人,夏威夷原住民/其他太平洋岛民,亚洲人和未知的种族/种族群体的准确性较低.
- 公平性方法改善了黑人个体的准确性,但在6种方法中的5种方法中显著降低了灵敏度.
- 在一些公平性改进的模型中,黑人个体的敏感性下降了多达31%.
结论:
- 公平性改善模型显示出混合的结果,改善了一些指标,但恶化了其他指标,表明原始模型并没有真正得到改善.
- 公平性改进模型中的敏感性降低和负预测值可能导致高风险个体的不足识别.
- 实施这些以公平性调整的模型可能会无意中使预防性服务分配中的种族/民族不平等持续下去.
更多相关视频
14:43A Novel Method for Involving Women of Color at High Risk for Preterm Birth in Research Priority Setting
Published on: January 12, 2018
05:04A Common Marmoset Model of Mother-Infant Intervention for Breastfeeding Disorders in the Presence of Paternal Inhibition and Maternal Neglect
Published on: September 22, 2023
相关概念视频
Regression Toward the Mean
Improving Translational Accuracy
Improving Translational Accuracy
Mechanistic Models: Compartment Models in Individual and Population Analysis
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
