通过解混杂因子缓解电子健康记录中的健康差异
机器学习
2022-10-31 v1 计算机与社会
摘要
健康差异，即不同患者人口统计学群体之间的不平等，在医疗决策中正变得至关重要，尤其是在电子健康记录 (EHR) 预测建模中。为确保敏感属性的公平性，传统研究主要采用校准或重加权方法来平衡不同人口统计学群体上的表现。然而，我们认为这些方法存在一定局限。首先，这些方法通常意味着模型性能与公平性之间的权衡。其次，许多方法将不公平完全归因于数据收集过程，缺乏实质性证据。本文通过一项实证研究探讨使用解混杂因子 (deconfounder) 解决医疗中差异问题的可能性。我们的研究可概括为两部分。第一部分是试点研究，展示了当存在未观测混杂因子时差异会加剧。第二部分提出了一种新颖框架，即奇偶医疗解混杂因子 (Parity Medical Deconfounder, PriMeD)，用于处理医疗数据集中的差异问题。受解混杂因子理论启发，PriMeD 采用条件变分自编码器 (CVAE) 为观测数据学习潜在因子（替代混杂因子），并提供了大量实验以证明其有效性。
引用
@article{arxiv.2210.15901,
title = {Mitigating Health Disparities in EHR via Deconfounder},
author = {Zheng Liu and Xiaohan Li and Philip Yu},
journal= {arXiv preprint arXiv:2210.15901},
year = {2022}
}