ГИБРИДНАЯ МЕТОДИКА СНИЖЕНИЯ СМЕЩЕНИЯ ДЛЯ СПРАВЕДЛИВОГО ПРОГНОЗИРОВАНИЯ ПОВТОРНОЙ ГОСПИТАЛИЗАЦИИ
DOI:
https://doi.org/10.26577/bcdn8166Ключевые 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.











