A Transformer-Based Deep Learning Approach for Fairly Predicting Post-Liver Transplant Risk Factors

要約

肝移植は末期肝疾患患者の救命処置である。肝移植には2つの主要な課題がある：ドナーと最も適合する患者を見つけることと、異なる亜集団間での移植の公平性を確保することである。現在のMELDスコアリングシステムは、90日以内に臓器が提供されなかった場合の患者の死亡リスクを評価するものである。しかし、ドナーと患者のマッチングは、心血管系疾患、慢性拒絶反応などの移植後のリスク因子も考慮すべきである。これらのリスクスコアを正確に予測することは、依然として重要な課題である。本研究では、上記の課題を解決するために予測モデルを用いた。具体的には、肝移植後の複数のリスク因子を予測するディープラーニングモデルを提案した。マルチタスク学習問題として定式化することで、提案したディープニューラルネットワークは、5つの移植後リスクを同時に予測するように学習され、タスクバランス技術を利用することで、同等の良好な性能を達成した。また、異なる部分集団間での予測の公平性を確保するために、新しい公平性達成アルゴリズムを提案した。1987年から2018年までの米国の肝移植記録から収集した、人口統計学的情報、臨床変数、検査値を含む160,360人の肝移植患者の電子カルテを用いた。モデルの性能は、AUROCやAUPRCなどの様々な性能指標を用いて評価した。実験の結果、精度を維持しながらタスクバランスを達成するマルチタスクモデルの成功が浮き彫りになった。このモデルはタスクの不一致を39%大幅に減少させた。さらに、公平性達成アルゴリズムを適用することで、各リスク要因におけるすべての敏感な属性（性別、年齢層、人種／民族）の間の公平性格差を大幅に減少させた。

要約(オリジナル)

Liver transplantation is a life-saving procedure for patients with end-stage liver disease. There are two main challenges in liver transplant: finding the best matching patient for a donor and ensuring transplant equity among different subpopulations. The current MELD scoring system evaluates a patient’s mortality risk if not receiving an organ within 90 days. However, the donor-patient matching should also consider post-transplant risk factors, such as cardiovascular disease, chronic rejection, etc., which are all common complications after transplant. Accurate prediction of these risk scores remains a significant challenge. In this study, we used predictive models to solve the above challenges. Specifically, we proposed a deep-learning model to predict multiple risk factors after a liver transplant. By formulating it as a multi-task learning problem, the proposed deep neural network was trained to simultaneously predict the five post-transplant risks and achieve equal good performance by exploiting task-balancing techniques. We also proposed a novel fairness-achieving algorithm to ensure prediction fairness across different subpopulations. We used electronic health records of 160,360 liver transplant patients, including demographic information, clinical variables, and laboratory values, collected from the liver transplant records of the United States from 1987 to 2018. The model’s performance was evaluated using various performance metrics such as AUROC and AUPRC. Our experiment results highlighted the success of our multitask model in achieving task balance while maintaining accuracy. The model significantly reduced the task discrepancy by 39%. Further application of the fairness-achieving algorithm substantially reduced fairness disparity among all sensitive attributes (gender, age group, and race/ethnicity) in each risk factor.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL