ГИБРИДНАЯ МЕТОДИКА СНИЖЕНИЯ СМЕЩЕНИЯ ДЛЯ СПРАВЕДЛИВОГО ПРОГНОЗИРОВАНИЯ ПОВТОРНОЙ ГОСПИТАЛИЗАЦИИ

Авторы

DOI:

https://doi.org/10.26577/bcdn8166

Ключевые слова:

алгоритмическая справедливость, ответственный искусственный интеллект, клиническое прогнозирование, снижение смещения, уравненные шансы.

Аннотация

Модели машинного обучения всё чаще определяют распределение клинической помощи, однако модели, оптимизированные по общей точности, могут закреплять существенные различия в уровнях ошибок между демографическими группами. В работе рассматривается задача справедливого прогнозирования повторной госпитализации в течение 30 дней у пациентов с сахарным диабетом при двух практических ограничениях, которые редко моделируются совместно: развёрнутая модель не должна использовать защищённый признак в момент принятия решения, а положительный класс является редким. Мы предлагаем FAIR-Health — гибридную методику снижения смещения, которая объединяет взвешивание Kamiran–Calders (предобработка) с дифференцируемым штрафом уравненных шансов (equalized odds) в целевой функции обучения (внутренняя обработка). В результате формируется единая модель, не использующая защищённый признак, с одним настраиваемым параметром баланса справедливости и точности. На данных UCI Diabetes 130-US Hospitals (71 518 пациентов после дедупликации без утечки (leakage-free) на уровне пациента) FAIR-Health сравнивается с методами предварительной, внутренней и постобработки по десяти случайным разбиениям вы борки (seed), с парными тестами значимости. По сравнению с моделью градиентного бустинга без коррекции смещения FAIR-Health снизил разность уравненных шансов на 44,7% по полу и на 65,6% по расе; при этом потеря AUROC в пределах семейства моделей не превысила 0,004, а калибровка не ухудшилась. Относительно логистической модели без коррекции смещения разрыв в доле истинно положительных результатов между расовыми группами сократился с 0,111 до 0,019. Мы также показываем, что методы с жёсткими ограничениями достигают почти нулевой несправедливости только за счёт вырождения в почти постоянный классификатор, что лишает их практической ценности. Предложенная методика и сравнительный анализ дают практические рекомендации по внедрению справедливых моделей клинического прогнозирования.

Биография автора

  • Арулмуруган Раму, Международный факультет Университета Хериот-Ватт, Актюбинский региональный университет им. К. Жубанова, Актобе, Казахстан

    Арулмуруган Раму – PhD, ассоциированный профессор, Международный факультет Университета Хериот-Ватт, Актюбинский региональный университет им. К. Жубанова (Актобе, Казахстан, электронная почта: arulmr@gmail.com).

Опубликован

2026-11-20

Как цитировать

ГИБРИДНАЯ МЕТОДИКА СНИЖЕНИЯ СМЕЩЕНИЯ ДЛЯ СПРАВЕДЛИВОГО ПРОГНОЗИРОВАНИЯ ПОВТОРНОЙ ГОСПИТАЛИЗАЦИИ. (2026). Вестник КазНУ. Серия математика, механика, информатика, 132(4), 172-182. https://doi.org/10.26577/bcdn8166