基于公平策略学习提升多样性的临床试验站点匹配
机器学习
2022-04-14 v1 计算机与社会
摘要
持续的大流行凸显了医疗领域中可靠且高效的临床试验的重要性。开展试验的试验站点主要依据医疗专业能力与大量患者可及性方面的可行性来选取。近来,临床试验中的多样性与包容性问题日益受到重视。不同患者群体对药物/治疗的反应可能不同,因而需要被纳入临床试验。这些群体可基于种族、共病、年龄或经济因素划分。因此,设计一种同时考虑可行性与多样性的试验站点选择方法是一项关键且紧迫的目标。本文将此问题表述为带公平性约束的排序问题。利用机器学习中的公平性原理,我们学习了一个将临床试验描述映射为潜在试验站点排序列表的模型。与现有公平框架不同,每个试验站点的群体归属是非二元的:每个试验站点可能服务于来自多个群体的患者。我们提出基于人口统计均等的公平准则以应对这种多群体归属场景。我们在 480 项真实世界临床试验上测试了该方法,结果表明我们的模型给出的潜在试验站点列表在确保高入组患者数的同时,可触达多样化的患者集合。
引用
@article{arxiv.2204.06501,
title = {Clinical trial site matching with improved diversity using fair policy learning},
author = {Rakshith S Srinivasa and Cheng Qian and Brandon Theodorou and Jeffrey Spaeder and Cao Xiao and Lucas Glass and Jimeng Sun},
journal= {arXiv preprint arXiv:2204.06501},
year = {2022}
}