Exploring Bias and Prediction Metrics to Characterise the Fairness of Machine Learning for Equity-Centered Public Health Decision-Making: A Narrative Review

要約

背景機械学習（ML）の急速な進歩は、公衆衛生研究、サーベイランス、意思決定を強化する新たな機会を示している。しかしながら、MLを公衆衛生に応用することによって生じる、集団の健康状態の予測結果における系統的な誤差であるアルゴリズムのバイアスについては、包括的な理解が不足している。このナラティブレビューの目的は、MLによって生じるバイアスの種類と、これらのバイアスを評価するための定量的指標を探ることである。 方法：PubMed、MEDLINE、IEEE（Institute of Electrical and Electronics Engineers）、ACM（Association for Computing Machinery）Digital Library、Science Direct、Springer Natureで検索を行った。2008年から2023年までの間に英語で発表されたMLと公衆衛生の領域におけるバイアスの種類とそれを測定する指標を記述した研究をキーワードを用いて特定した。 結果合計72の論文が包含基準を満たした。我々のレビューでは、一般的に記述されているバイアスの種類と、公平性の観点からこれらのバイアスを評価するための定量的指標を特定した。 結論：本レビューは、衡平性の観点から公衆衛生に関するMLの評価枠組みを公式化するのに役立つであろう。

要約(オリジナル)

Background: The rapid advancement of Machine Learning (ML) represents novel opportunities to enhance public health research, surveillance, and decision-making. However, there is a lack of comprehensive understanding of algorithmic bias, systematic errors in predicted population health outcomes, resulting from the public health application of ML. The objective of this narrative review is to explore the types of bias generated by ML and quantitative metrics to assess these biases. Methods : We performed search on PubMed, MEDLINE, IEEE (Institute of Electrical and Electronics Engineers), ACM (Association for Computing Machinery) Digital Library, Science Direct, and Springer Nature. We used keywords to identify studies describing types of bias and metrics to measure these in the domain of ML and public and population health published in English between 2008 and 2023, inclusive. Results: A total of 72 articles met the inclusion criteria. Our review identified the commonly described types of bias and quantitative metrics to assess these biases from an equity perspective. Conclusion : The review will help formalize the evaluation framework for ML on public health from an equity perspective.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL