面向公平临床风险预测的反事实推理

使用机器学习系统支持医疗决策引发了这样的问题：由于电子健康记录中观测数据隐式嵌入的偏差，这些系统在多大程度上可能给历史上代表性不足和受不公对待的群体带来或加剧医疗照护上的差异。为在临床风险预测模型的背景下解决该问题，我们发展了增强的反事实公平准则，将均等几率的群体公平准则扩展到个体层面。具体而言，我们要求：若事实结果与反事实结果无差异，则对一名患者以及通过改变敏感属性得到的反事实患者，应作出相同的预测。我们考察了在观测电子健康记录数据上，应用该增强反事实公平准则来开发针对住院时长延长与死亡率的公平模型的程度。由于若无数据生成过程的知识则公平准则定义不清，我们使用变分自编码器在假定的因果图背景下进行反事实推断。尽管我们的技术提供了一种在所学生成模型背景下权衡维持公平与降低预测性能的手段，仍需进一步工作来评估该方法的普适性。