面向器官分配的肝移植移植物衰竭公平预测

肝移植是针对严重肝脏疾病实施的一项基本疗法。肝脏资源的稀缺性使得器官分配至关重要。终末期肝病模型（MELD）评分是制定器官分配决策时广泛采用的标准。然而，它忽略了移植后结局以及器官/供体特征。这些局限性推动了机器学习（ML）模型的出现。不幸的是，ML模型可能不公平，并引发对特定人群的偏见。为解决这一问题，本工作提出了一种针对肝移植中移植物衰竭预测的公平机器学习框架。具体而言，采用知识蒸馏结合树模型和神经网络的优点来处理稠密和稀疏特征。为该框架量身定制了一种两步去偏方法以增强公平性。实验分析了现有模型中的不公平问题，并证明了我们的方法在预测性能和公平性方面的优越性。