去偏偏差：利用有噪声的群体测量改进差异评估的方法
统计方法学
2024-02-28 v2
摘要
医疗决策越来越多地受到临床决策支持算法的指导，但这些算法可能会延续或增加医疗保健获取和质量方面的种族和民族差异。使问题更加复杂的是，临床数据通常缺少或质量较差的种族和民族信息，这可能导致对算法偏差的误导性评估。我们提出了新颖的统计方法，允许在算法性能评估中使用种族/民族群体成员的概率，并量化由这些插补群体概率误差导致的统计偏差。我们提出了一种估计统计偏差的敏感性分析方法，允许从业者在一系列假设的群体概率误差水平下评估算法性能中的差异。我们还证明了一组常用公平度量的统计偏差的理论界限，并描述了我们的理论结果可能适用的现实场景。我们使用贝叶斯改进姓氏地理编码（BISG）算法插补的种族和民族信息进行案例研究，以估计用于指导骨质疏松症治疗的临床决策支持算法中的差异。我们的新颖方法使政策制定者能够理解在给定算法下潜在差异的范围，即使种族和民族信息缺失，也能就机器学习在临床决策支持中的实施做出明智的决策。
引用
@article{arxiv.2402.13391,
title = {De-Biasing the Bias: Methods for Improving Disparity Assessments with Noisy Group Measurements},
author = {Solvejg Wastvedt and Joshua Snoke and Denis Agniel and Julie Lai and Marc N. Elliott and Steven C. Martino},
journal= {arXiv preprint arXiv:2402.13391},
year = {2024}
}