探究基于机器学习的慢性疼痛个性化护理中的性别公平性
机器学习
2024-06-17 v3 计算机与社会
摘要
慢性疼痛显著损害全球数百万人的生活质量。虽然心理教育和治疗可改善疼痛结果，但许多疼痛患者缺乏获取基于证据的治疗，或未完成必要的治疗次数以获得效益。强化学习 (RL) 在根据患者个体需求量身定制慢性疼痛管理干预，同时确保稀缺临床资源的高效利用方面显示出潜力。然而，临床医生、患者和 healthcare 决策者担忧 RL 解决方案可能加剧与种族或性别等患者特征相关的不平等。在本文中，我们使用真实世界的强化学习应用 (Piette 等，2022a) 研究慢性疼痛护理中基于性别的公平性。在本研究中，遵循性别公平性即意味着以性别为界的亚群体在效用上几乎或没有差异。我们调查的是，决定用于辅助决策的相关患者信息（即特征）是否影响性别公平性。我们的实验使用真实世界数据 (Piette，2022) 表明，所包含的特征可影响性别公平性。此外，我们提出了一种 RL 解决方案——NestedRecommendation——表明其能够：i）适应性地学习选择用于优化效用和公平性的特征，ii）通过利用临床医生的领域expertise，从一开始就加速特征选择，从而改进疼痛护理recommendation。
引用
@article{arxiv.2402.19226,
title = {Investigating Gender Fairness in Machine Learning-driven Personalized Care for Chronic Pain},
author = {Pratik Gajane and Sean Newman and Mykola Pechenizkiy and John D. Piette},
journal= {arXiv preprint arXiv:2402.19226},
year = {2024}
}