风险预测中交叉性反事实公平框架
统计方法学
2023-10-16 v2
摘要
随着健康数据可用性的增加，数据驱动模型被用于辅助决策与政策制定。这些模型有潜力惠及患者与医疗服务提供者，但也可能加剧健康不平等。现有的用于度量与纠正模型偏差的“算法公平”方法在两方面不足以满足卫生政策需求。首先，方法通常聚焦于可能发生歧视的单一分组，而非考虑多重交叉群体。其次，在临床应用中，风险预测通常用于指导治疗，这产生了使多数现有技术失效的独特统计问题。我们提出了基于现有“反事实公平”技术的总结性不公平度量，以应对这两类挑战。我们还为上述度量开发了完整的估计与推断工具框架，包括用于判定不公平相对极端程度的“不公平值”（u-value），以及采用标准 bootstrap 替代方案的的标准误与置信区间。我们将该框架应用于某中西部大型医疗系统中部署的 COVID-19 风险预测模型。
引用
@article{arxiv.2210.01194,
title = {An intersectional framework for counterfactual fairness in risk prediction},
author = {Solvejg Wastvedt and Jared Huling and Julian Wolfson},
journal= {arXiv preprint arXiv:2210.01194},
year = {2023}
}