用于医疗保健中路径特定公平性与效用的因果发现算法评估
机器学习
2026-03-18 v1 人工智能
摘要
健康数据的因果发现面临在真实情况未知时进行评估的挑战。我们通过与专家合作构建代理真实图谱，为合成阿尔茨海默病和心力衰竭临床记录数据建立基准。我们对 Peter-Clark、Greedy Equivalence Search 和 Fast Causal Inference 算法进行评估，从结构恢复和路径特定公平性分解方面入手，超越组合公平性评分。在合成数据上，Peter-Clark 实现了最佳的结构恢复。在心力衰竭数据上，Fast Causal Inference 实现了最高的效用。对于路径特定效应，心脏收缩率对间接效应贡献了 3.37 个百分点。这些差异导致算法之间公平性-效用比率的差异。我们的结果凸显了在临床应用中部署因果发现时，对图-aware 公平性评估和细粒度路径特定分析的需要。
引用
@article{arxiv.2603.15926,
title = {Evaluating Causal Discovery Algorithms for Path-Specific Fairness and Utility in Healthcare},
author = {Nitish Nagesh and Elahe Khatibi and Thomas Hughes and Mahdi Bagheri and Pratik Gajane and Amir M. Rahmani},
journal= {arXiv preprint arXiv:2603.15926},
year = {2026}
}