公平感知的肾脏交换与肾脏配对捐赠
统计方法学
2026-01-21 v2 机器学习
摘要
肾脏配对捐赠（KPD）计划通过匹配不兼容的捐赠者-患者配对并促进肾脏交换来提供一种创新解决方案，以克服肾脏移植中的不兼容性挑战。为解决对移植机会不均等的访问问题，普遍使用两种公平性准则：组公平性和个体公平性。然而，这些准则不考虑受保护患者特征，这些特征指的是在法律或伦理上被认定需要受到歧视保护的特征，如种族和性别。以机器学习中的校准原则为灵感，我们引入一种新公平性准则：匹配结果应在给定敏感化水平后与受保护特征之间条件独立。我们将该公平性准则作为KPD优化框架中的约束，并提出一种用于线性化策略和列生成方法的高效计算解决方案。理论上，我们使用随机图模型分析了相关公平性成本。实证上，我们通过仿真和真实数据实例将我们的公平性准则与组公平性和个体公平性进行比较。
引用
@article{arxiv.2503.06431,
title = {Fairness-aware kidney exchange and kidney paired donation},
author = {Mingrui Zhang and Xiaowu Dai and Lexin Li},
journal= {arXiv preprint arXiv:2503.06431},
year = {2026}
}