Investigating Gender Fairness in Machine Learning-driven Personalized Care for Chronic Pain

要約

この研究では、機械学習アルゴリズムを使用して、パーソナライズされた疼痛ケアの推奨事項における男女の公平性を調査しています。
コンテキスト バンディット フレームワークを活用し、1 回あたり 10 ドルのセッションにわたる 164 ドルの患者とのやり取りを含むデータセットに対して LinUCB アルゴリズムを使用して、パーソナライズされた推奨事項が策定および評価されます。
結果は、アルゴリズムパラメータの調整は疼痛ケアの推奨の質に影響を与えるものの、この影響は性別を問わず一貫していることを示しています。
しかし、自己申告による痛みの測定値など、特定の患者情報が欠如している場合、女性に対する痛みケアの推奨の質は男性に比べて著しく劣ります。

要約(オリジナル)

This study investigates gender fairness in personalized pain care recommendations using machine learning algorithms. Leveraging a contextual bandits framework, personalized recommendations are formulated and evaluated using LinUCB algorithm on a dataset comprising interactions with $164$ patients across $10$ sessions each. Results indicate that while adjustments to algorithm parameters influence the quality of pain care recommendations, this impact remains consistent across genders. However, when certain patient information, such as self-reported pain measurements, is absent, the quality of pain care recommendations for women is notably inferior to that for men.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google