ӘДIЛ КЛИНИКАЛЫҚ ҚАЙТА ГОСПИТАЛИЗАЦИЯНЫ БОЛЖАУҒА АРНАЛҒАН ГИБРИДТI АУЫТҚУДЫ АЗАЙТУ ӘДIСТЕМЕСI

Авторлар

DOI:

https://doi.org/10.26577/bcdn8166

Түйін сөздер:

алгоритмдiк әдiлдiк, жауапты жасанды интеллект, клиникалық болжау, ауытқуды азайту, теңестiрiлген шанстар.

Аңдатпа

Машиналық оқыту модельдерi клиникалық көмектi бөлуде барған сайын кеңiнен қолданылады, алайда жалпы дәлдiкке оңтайландырылған модельдер демографиялық топтар арасында қателiк деңгейлерiнде елеулi теңсiздiктердi қалыптастыруы мүмкiн. Бұл зерттеу қант диабетi бар науқастардың 30 күн iшiнде қайта госпитализациялануын әдiл болжау мәселесiн тәжiрибеде жиi кездесетiн, бiрақ сирек бiрге ескерiлетiн екi шектеу аясында қарастырады: орналастырылған модель шешiм қабылдау кезiнде қорғалатын белгiнi пайдаланбауы тиiс және оң класс сирек кездеседi. Бiз FAIR-Health гибридтi ауытқуды азайту әдiстемесiн ұсынамыз, ол Kamiran–Calders салмақтауын (алдын ала өңдеу) оқыту мақсатына енгiзiлген дифференциалданатын теңестiрiлген шанстар (equalized odds) айыппұлымен (iшкi өңдеу) бiрiктiредi. Нәтижесiнде әдiлдiк пен дәлдiк арасындағы тепе-теңдiктi реттейтiн бiр параметрi бар, атрибутқа тәуелсiз бiр ғана модель алынады. UCI Diabetes 130-US Hospitals деректер жиынтығын (ақпарат ағуынсыз (leakage-free), науқас деңгейiндегi дедупликациядан кейiн 71 518 науқас) пайдалана отырып, бiз FAIR-Health әдiсiн алдын ала, iшкi және кейiнгi өңдеу әдiстерiмен он кездейсоқ бөлiну (seed) бойынша, жұптық маңыздылық тесттерiн қолдана отырып салы стырамыз. Алгоритмдiк бiржақтылықты азайту әдiстерi қолданылмаған градиенттiк бустинг моделiмен салыстырғанда FAIR-Health теңестiрiлген шанстар айырмашылығын (EOD) жынысы бойынша 44,7%-ға және нәсiлi бойынша 65,6%-ға азайтты, бұл ретте бiр модельдер тобы шеңберiнде AUROC шығыны 0,004-тен аспады және калибрлеу нашарламады. Алгоритмдiк бiржақтылықты азайту әдiстерi қолданылмаған логистикалық регрессия моделiмен салыстырғанда, нәсiлдiк топтар арасындағы шынайы оң нәтижелер үлесiнiң айырмашылығы (true-positive-rate gap) 0,111-ден 0,019-ға дейiн төмендедi. Сонымен қатар, қатаң шектеулi әдiстер әдiлдiктiң нөлге жуық мәндерiне классификаторды тұрақтыға жуық етiп қана жетедi, бұл олардың практикалық құндылығын жояды. Ұсынылған әдiстеме мен салыстыру әдiл клиникалық болжау модельдерiн орналастыруға практикалық нұсқаулық бередi.

Автор өмірбаяны

  • Арулмуруган Раму, Хериот-Уатт университетiнiң халықаралық факультетi, Қ. Жұбанов атындағы Ақтөбе өңiрлiк университетi, Ақтөбе, Қазақстан

    Арулмуруган Раму – PhD, қауымдастырылған профессор, Хериот-Уатт университетiнiң халықаралық факультетi, Қ. Жұбанов атындағы Ақтөбе өңiрлiк университетi (Ақтөбе, Қазақстан, электрондық пошта: arulmr@gmail.com).

Жарияланды

2026-11-20