面向物质使用障碍治疗完成预测的可解释公平框架

机器学习在医疗保健领域的公平性正受到临床医生、研究人员乃至政府最高层的日益关注。另一方面，开发和部署可解释或可解释模型的重要性已得到证明，这对于增加这些模型的可信度和采纳概率至关重要。本研究的目标是开发和实施一个解决这两个问题——公平性和可解释性——的框架。我们提出了一个可解释公平框架，首先开发一个优化性能的模型，然后使用一种处理方法来减轻模型相对于种族和性别等敏感属性的偏见。随后我们探索和可视化导致公平性增强过程产生模型变化的解释，通过探讨特征重要性变化。我们的 resulting-fairness 增强模型保留了高灵敏度，提高了公平性，并提供了可能为医疗保健提供有帮助见解的公平性增强解释，以指导临床决策和资源分配。