[論文レビュー] Equitable Allocation of Healthcare Resources with Fair Cox Models

Kamrun Naher Keya, Rashidul Islam+3 more|arXiv (Cornell University)|Oct 14, 2020

Healthcare Policy and Management参考文献 33被引用数 6

ひとこと要約

本稿では、メディケイド待機リストにおける生存予測のバイアスを軽減することで、保健医療資源の公平な配分を確保するためのフェア・コックス比例ハザード（FCPH）モデルを提案する。フェアネス定義を生存分析に拡張し、CPHモデリングにフェアネス制約を組み込むことで、著者らは、交差的および個別フェアネス制約が標準CPHを上回るフェアネス指標を達成しながらも、予測精度を損なわずに、フェアネスを向上させることを示した。AUCおよびブライアースコアの両方で優れたパフォーマンスを維持している。

ABSTRACT

Healthcare programs such as Medicaid provide crucial services to vulnerable populations, but due to limited resources, many of the individuals who need these services the most languish on waiting lists. Survival models, e.g. the Cox proportional hazards model, can potentially improve this situation by predicting individuals' levels of need, which can then be used to prioritize the waiting lists. Providing care to those in need can prevent institutionalization for those individuals, which both improves quality of life and reduces overall costs. While the benefits of such an approach are clear, care must be taken to ensure that the prioritization process is fair or independent of demographic information-based harmful stereotypes. In this work, we develop multiple fairness definitions for survival models and corresponding fair Cox proportional hazards models to ensure equitable allocation of healthcare resources. We demonstrate the utility of our methods in terms of fairness and predictive accuracy on two publicly available survival datasets.

研究の動機と目的

• 保健医療資源の配分における構造的バイアスに対処すること、特に限られた枠のためアクセスが不平等になるメディケイド・ワイヤッププログラムに特化すること。
• 分類問題とは異なり、フェアネス文脈で未だ十分に検討がなされていないが、保健医療優先順位付けにおいて関連性の高い生存モデルに特化したフェアネス定義を策定すること。
• 人種的・文化的背景などの被保護グループ間で公平なリスク予測が保証されるよう、コックス比例ハザードモデル向けのフェアな学習アルゴリズムを設計すること。
• 提案モデルを公開の生存データセット上で検証し、フェアネスと予測性能のバランスを示すこと。

提案手法

• 分類問題におけるフェアネス定義（個別、グループ、交差的フェアネス）を、ハザード関数および生存結果に適応することで、生存分析への拡張を試みる。
• コックスモデルの部分尤度最適化にフェアネス制約を組み込むことで、フェアなコックス比例ハザード（FCPH）モデルを構築する。
• 正則化を用いてフェアネスと予測精度のバランスを図り、被保護グループ間での差別のハザード予測をペナルティ化するフェアネス制約を導入する。
• 制約付き最適化フレームワークを用いてフェアネス制約を適用し、モデルパラメータを予測誤差とフェアネス違反の両方を最小化するように調整する。
• 負の対数部分尤度とフェアネス違反の両方を同時に最小化する多目的最適化アプローチを採用し、公平なリスクスコアを保証する。
• 標準の生存指標を用いて、2つの公開データセット（COMPAS：犯罪危険予測、FLC：メディケイド長期介護待機リスト）でモデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 分類問題におけるフェアネス定義を、イベント発生までの時間と右打ち切りが存在する生存モデルに意味的に適応できるか？
• RQ2 コックス比例ハザードモデルにフェアネス制約を適用することで、被保護グループ間のリスク予測の差を低下させられ、予測精度を著しく損なわないか？
• RQ3 個別、グループ、交差的フェアネスのうち、どの定義が保健医療優先順位付けにおいて、フェアネスとモデルパフォーマンスの最良のトレードオフをもたらすか？
• RQ4 FCPHモデルにおけるフェアネス制約は、標準CPHモデルと比較して、過学習をどの程度軽減するか？
• RQ5 FCPHモデルは、標準CPHモデルと比較して、フェアネス指標（例：等しい機会、等しいオッズ）および予測性能（例：Cインデックス、AUC、ブライアースコア）において、どのように異なるか？

主な発見

• 交差的FCPHモデルは、FLCデータセットにおいて、3つのフェアネス指標すべてで最高のスコアを達成し、他のすべてのモデルを上回った。
• 正則化にもかかわらず、FCPHモデルは強力な予測性能を維持しており、個別FCPHモデルはFLCテストセットで最高のAUCおよびブライアースコアを記録した。
• グループおよび交差的FCPHモデルは、両方のデータセットで標準CPHを上回るフェアネス指標を示し、フェアネス制約がバイアスを効果的に低減していることを示した。
• FCPHモデルは、AUCおよびブライアースコアのトレーニングセットとテストセットのパフォーマンス差が小さいことから、標準CPHと比較して過学習が軽減された。
• 標準CPHモデルはCインデックスと対数部分尤度が最も高かったが、FCPHモデルはAUCやブライアースコアといった精度指標において、同等またはそれ以上のパフォーマンスを達成した。
• 結果から、FCPHモデルにおけるフェアネス制約は、公平性の向上に加え、正則化効果により一般化性能の向上にも寄与している可能性がある。