[論文レビュー] FairEHR-CLP: Towards Fairness-Aware Clinical Predictions with Contrastive Learning in Multimodal Electronic Health Records

Yuqing Wang, Malvika Pillai+3 more|arXiv (Cornell University)|Feb 1, 2024

Machine Learning in Healthcare被引用数 4

ひとこと要約

FairEHR-CLP は、対照的学習と合成データ拡張を活用して、マルチモodal EHR におけるバイアスを低減する公平性に配慮した臨床予測フレームワークである。異なる人口統計的特徴を持つ合成患者の類似体を生成しながら臨床データを保持し、対照的学習を用いて感受性のある属性間で表現を整合化することで、3つのEHRデータセットおよび3つの臨床タスクにおいて最先端の公平性と競争力のある有用性を達成した。

ABSTRACT

In the high-stakes realm of healthcare, ensuring fairness in predictive models is crucial. Electronic Health Records (EHRs) have become integral to medical decision-making, yet existing methods for enhancing model fairness restrict themselves to unimodal data and fail to address the multifaceted social biases intertwined with demographic factors in EHRs. To mitigate these biases, we present FairEHR-CLP: a general framework for Fairness-aware Clinical Predictions with Contrastive Learning in EHRs. FairEHR-CLP operates through a two-stage process, utilizing patient demographics, longitudinal data, and clinical notes. First, synthetic counterparts are generated for each patient, allowing for diverse demographic identities while preserving essential health information. Second, fairness-aware predictions employ contrastive learning to align patient representations across sensitive attributes, jointly optimized with an MLP classifier with a softmax layer for clinical classification tasks. Acknowledging the unique challenges in EHRs, such as varying group sizes and class imbalance, we introduce a novel fairness metric to effectively measure error rate disparities across subgroups. Extensive experiments on three diverse EHR datasets on three tasks demonstrate the effectiveness of FairEHR-CLP in terms of fairness and utility compared with competitive baselines. FairEHR-CLP represents an advancement towards ensuring both accuracy and equity in predictive healthcare models.

研究の動機と目的

• マルチモダリティ EHR から得られる臨床予測におけるアルゴリズムバイアス、特に人種、性別、社会経済的地位などの人口統計的要因に関連するバイアスを是正すること。
• 従来の公平性手法が単一モダリティのデータに焦点を当てており、EHR における複雑な社会的バイアスを十分に考慮できないという限界を克服すること。
• システム的バイアスを強化しないように、意味的に意味のある形で人口統計情報を統合できる汎用性の高いフレームワークを開発すること。
• 対照的学習を通じて表現学習と分類の最適化を同時に最適化することで、臨床予測モデルの公平性を向上させること。
• 不均衡で多様性のある EHR データにおけるサブグループ間の誤差率の不均衡を効果的に捉える新しい公平性指標を導入すること。

提案手法

• フレームワークは二段階のプロセスを採用する。まず、各実際の患者に対して、感受性のある属性（例：人種、性別）を変化させながら、縦断的および臨床ノートデータを保持したまま、合成患者の類似体を生成する。
• 合成データ生成により、コアな健康情報に影響を与えることなく、多様な人口統計的アイデンティティが表現されるようになり、より公平な表現学習が可能になる。
• 第二段階では、対照的学習を用いて、同じ臨床プロファイルを共有するが感受性のある属性が異なる実患者とその合成類似体の埋め込みを整合化する。
• モデルは、実患者と合成類似体ペア間の表現距離を最小化するための対照的損失と、MLP分類器とソフトマックスを介したクロスエントロピー損失を同時に最適化する。
• クラスの不均衡やEHRデータにおけるグループサイズのばらつきを考慮した、新しい公平性指標が導入され、サブグループ間の誤差率の不均衡を測定する。
• 患者の人口統計情報、縦断的EHRデータ、臨床ノートを統合的に扱う、統一されたマルチモダリティ表現学習パイプラインに統合されている。

実験結果

リサーチクエスチョン

• RQ1 感受性のある属性にわたる実患者と合成患者の表現を対照的学習で整合化することで、マルチモダリティ EHR における表現バイアスを効果的に低減できるか？
• RQ2 制御された人口統計的変動を伴う合成データ拡張は、有用性を損なうことなく、臨床予測モデルの公平性をどのように向上させるか？
• RQ3 等しい機会（EO）や誤差率不均衡インデックス（EDDI）といった公平性指標において、FairEHR-CLP は既存のバイアス是正手法をどの程度上回るか？
• RQ4 人種、年齢、性別などの異なる感受性のある属性が、EHR 基盤の予測にどの程度バイアスをもたらすか、またフレームワークはこれらの差をどのように是正するか？
• RQ5 統一されたフレームワークは、多様なEHRデータセットおよび臨床タスクにおいて、公平性を向上させるとともに、高い予測性能を維持できるか？

主な発見

• STARR データセットにおいて、FairEHR-CLP はすべての感受性のある属性で最小の等しい機会（EO）と誤差率不均衡インデックス（EDDI）を達成し、性別ではEOがわずか1.7%、人種では5.2%にまで低下した。
• t-SNE 視覚化により、FairEHR-CLP は人種グループ間でより均一な分布を示しており、バイアスの高いバニラモデルが明確な人種クラスタを形成するのとは対照的である。
• MIMIC-III および MIMIC-IV データセットでも、FairEHR-CLP は強力な公平性性能を維持しており、すべての属性でEOが6%未満、大多数でEDDIが5%未満であり、誤差率不均衡の効果的な是正が示された。
• 予測性能は標準ベースラインと同等であり、F1スコアも高く、公平性と有用性のトレードオフに有利な結果を示した。
• 感度分析の結果、人種と年齢が最もバイアスの強い属性であることが判明し、EOは最大で5.9%、EDDIは最大で4.7%にまで達した。これは、EHR における人口統計的バイアスの持続的課題を示している。
• アブレーションスタディにより、合成データ生成と対照的学習の両方が不可欠であることが確認され、いずれかを除去すると公平性指標が著しく低下した。