医疗领域的公平机器学习需要认识社会人口因素的交叉性:一项案例研究

随着在医疗系统中实施人工智能(AI)的兴趣日益增长,关于如何评估这些系统的公平性,或它们可能延续的差异的讨论也在继续。社会经济地位(SES)通常被纳入机器学习模型以控制健康不平等,其基本假设是SES越高,健康状况越好。在这项工作中,我们考虑了纽约市西奈山卫生系统的一个大型患者队列,通过逻辑回归模型研究患者SES、种族和性别对精神分裂症(SCZ)诊断率的影响。在交叉性框架内,发现患者SES、种族和性别存在显著的交互作用。我们的研究结果表明,在美国黑人中,SES越高,获得SCZ诊断的概率越高($\beta=4.1\times10^{-8}$, $SE=4.5\times10^{-9}$, $p < 0.001$)。而高SES是美国白人SCZ诊断的保护因素($\beta=-4.1\times10^{-8}$, $SE=6.7\times10^{-9}$, $p < 0.001$)。需要进一步研究来可靠地解释和量化健康差异。尽管如此,我们主张,为医疗领域构建公平的AI工具需要认识到社会人口因素的交叉性。