用于公平的脓毒症死亡率预测模型的可解释 AI

人工智能通过预测建模为医疗保健专业人员提供支持，极大地改变了临床决策。本研究探讨了医疗保健领域 AI 应用对公平性和可解释性的关键需求，以确保在不同患者群体中获得公平的结果。通过聚焦脓毒症相关死亡率的预测建模，我们提出了一种方法，该方法首先学习一个性能优化的预测模型，然后采用迁移学习过程来生成一个具有更好公平性的模型。我们的方法还引入了一种新颖的基于排列的特征重要性算法，旨在阐明每个特征在增强预测公平性方面的贡献。现有的可解释性方法集中于解释特征对预测性能的贡献，与此不同，我们提出的方法独特地弥补了理解每个特征如何对公平性做出贡献的空白。鉴于脓毒症的高死亡率及其在医院死亡人数中占三分之一的作用，这一进展至关重要。我们的方法不仅有助于识别和缓解预测模型中的偏差，还通过提高模型预测的透明度和公平性来培养医疗保健利益相关者之间的信任，从而促进更公平、更值得信赖的医疗服务。