Anterior 关于自动先行授权系统公平性评估的做法
机器学习
2026-03-17 v1 人工智能
计算与语言
摘要
先行授权(PA)的人员配置不足和响应时间压力日益增长，导致决策系统的自动化程度增加以支持 PA 审核。评估此类系统的公平性面临独特挑战，因为合法临床指南和医疗必要性标准常因人口统计特征而异，以至于以批准率的一致性作为公平性度量标准是不恰当的。我们提出一种基于模型错误率而非批准结果的先行授权模型公平性评估框架。基于 7166 例人工审核案例（涵盖 27 项医疗必要性指南），我们评估了性别、年龄、种族/民族和社会经济地位的一致性。我们的评估结合了错误率比较、容差带分析（预定义±5个百分点容差）、统计功效评估和受控逻辑回归。大多数人口统计特征下，模型错误率一致，置信区间落在预定义容差带内，表明无实质性性能差异。对于种族/民族，点估计仍较小，但子群样本量有限，导致置信区间宽泛且统计检验缺乏效能，在本数据集中呈现出不确定的证据。这些发现说明我们采用了严格且符合监管要求的行政医疗 AI 系统公平性评估方法。
引用
@article{arxiv.2603.14631,
title = {Anterior's Approach to Fairness Evaluation of Automated Prior Authorization System},
author = {Sai P. Selvaraj and Khadija Mahmoud and Anuj Iravane},
journal= {arXiv preprint arXiv:2603.14631},
year = {2026}
}