生存分析的因果公平性

在数据驱动时代，大规模数据集被常规性地收集，并利用机器学习（ML）和人工智能（AI）进行分析，为医疗、就业和刑事司法等高风险领域的决策提供信息，这引发了人们对这些系统公平性行为的担忧。现有公平机器学习的工作涵盖了偏差检测、公平预测和公平决策等任务，但主要集中在静态设定上。同时，时间背景下的公平性，特别是生存/事件发生时间（TTE）分析，仍然相对未被充分探索，当前公平生存分析的方法采用统计公平性定义，即使有无限数据，也无法解开导致差异的因果机制。为解决这一差距，我们为TTE分析中的公平性开发了一个因果框架，能够将生存差异分解为直接、间接和虚假路径的贡献。这为差异为何产生以及它们如何随时间演变提供了人类可理解的解释。我们的非参数方法分四步进行：（1）使用图模型形式化关于删失和无混杂的必要假设；（2）恢复给定协变量的条件生存函数；（3）应用因果归约定理，将问题重构为适合因果路径分解的形式；（4）高效地估计效应。最后，我们的方法被用于分析重症监护室（ICU）入院后结果中种族差异的时间演变。