Auditing ICU Readmission Rates in an Clinical Database: An Analysis of Risk Factors and Clinical Outcomes

要約

【タイトル】
クリニカルデータベースにおけるICU再入院率の監査：リスクファクターと臨床的アウトカムの分析

【要約】
– この研究は、30日再入院問題の文脈における臨床データ分類の機械学習（ML）パイプラインを提供し、機密属性に基づいたサブグループの公正性監査を行います。
– クラス分類のために様々なMLモデルを使用し、公正性監査はモデルの予測結果に対して行われます。
– 公正性監査は、ジェンダー、民族、言語、保険グループなどの属性に基づいてMIMIC IIIデータセットにおいて等しい機会、予測均等性、偽陽性率均等性、偽陰性率均等性基準で不均等性を明らかにします。
– 結果は、モデルの性能におけるさまざまなグループ間の不均衡を特定し、公正性とバイアスの緩和について改善が必要であることを示しています。
– この研究は、人工知能（AI）システムにおけるバイアスや公正性を解決するために、研究者、政策立案者、実践者の協力の必要性を提唱しています。

要約(オリジナル)

This study presents a machine learning (ML) pipeline for clinical data classification in the context of a 30-day readmission problem, along with a fairness audit on subgroups based on sensitive attributes. A range of ML models are used for classification and the fairness audit is conducted on the model predictions. The fairness audit uncovers disparities in equal opportunity, predictive parity, false positive rate parity, and false negative rate parity criteria on the MIMIC III dataset based on attributes such as gender, ethnicity, language, and insurance group. The results identify disparities in the model’s performance across different groups and highlights the need for better fairness and bias mitigation strategies. The study suggests the need for collaborative efforts among researchers, policymakers, and practitioners to address bias and fairness in artificial intelligence (AI) systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI