[論文レビュー] Understanding racial bias in health using the Medical Expenditure Panel Survey data

Moninder Singh, Karthikeyan Natesan Ramamurthy|arXiv (Cornell University)|Nov 4, 2019

Healthcare Policy and Management参考文献 12被引用数 5

ひとこと要約

本研究は、全国的代表的MEPS医療費データセットにおいて、予測リスクが類似するにもかかわらず、黒人患者が白人患者よりも健康指標が悪いという人種的バイアスを明らかにした。再重み付けに基づく緩和手法を用いることで、代表性の不均衡と高リスク予測における健康格差の両方を低減した。本研究は、単純な公平性技術が医療費予測モデルにおけるバイアスを顕著に低減できることを示している。

ABSTRACT

Over the years, several studies have demonstrated that there exist significant disparities in health indicators in the United States population across various groups. Healthcare expense is used as a proxy for health in algorithms that drive healthcare systems and this exacerbates the existing bias. In this work, we focus on the presence of racial bias in health indicators in the publicly available, and nationally representative Medical Expenditure Panel Survey (MEPS) data. We show that predictive models for care management trained using this data inherit this bias. Finally, we demonstrate that this inherited bias can be reduced significantly using simple mitigation techniques.

研究の動機と目的

• 公に利用可能な全国的代表的MEPSデータセットにおける健康指標における人種的バイアスの有無を調査すること。
• MEPSデータで訓練された予測モデルが、医療費および医療利用における人種的格差をどのように継承・拡大するかを検討すること。
• 単純なバイアス緩和技術が医療予測モデルにおける人種的バイアスを低減する効果を評価すること。
• モデル予測におけるバイアス低減が、ケア管理のリスク分類をより公平にするかを実証すること。

提案手法

• 本研究は、2015–2016年（パネル20）および2014–2015年（パネル19）の2年間縦断的MEPSデータを用い、非ヒスパニック・ホワイトおよびブラックの個人に限定し、5ラウンドの完全なデータを有する対象に限定して分析を行った。
• 医療費、救急外来受診回数、入院日数、自己報告された健康状態をアウトカム指標として分析し、慢性疾患は優先疾患として扱った。
• 1年目の人口統計的および健康指標を用いて、2年目に高額医療費を要する可能性が高い個人を分類する予測モデルを訓練した。
• 再重み付けに基づく緩和手法を用いてモデルを再訓練し、予測された高リスククラスにおける人種的グループ間の統計的差を低減するようにサンプルの重みを調整した。
• バランス精度を用いて性能を評価し、予測された高費用グループにおける白人と黒人の健康アウトカムの比較を行った。
• バイアス指標は、予測された高費用上位10パーセンタイルにおける人種間の代表率と疾患格差の比較によって算出した。

実験結果

リサーチクエスチョン

• RQ1 予測医療費が類似する状況下で、MEPSデータセットにおいて黒人と白人の健康指標に人種的バイアスが見られるか？
• RQ2 MEPSデータで訓練された予測モデルが、医療リスク予測における人種的格差をどの程度継承・拡大するか？
• RQ3 単純なバイアス緩和技術が、高リスク患者予測における代表性の不均衡と健康アウトカム格差の両方を低減できるか？
• RQ4 再重み付けによる緩和処理の前後で、救急外来受診回数、入院日数、自己評価健康状態などの健康指標が、予測された高費用グループにおける黒人と白人の間でどのように変化するか？

主な発見

• 上位医療費10パーセンタイルでは、11%の黒人が高額医療費を要する可能性があると予測されたが、白人では9.9%にとどまり、高リスク予測における黒人の低代表化が示された。
• 予測リスクが低いにもかかわらず、高費用グループに属する黒人は白人よりも顕著に悪い健康指標を示した：平均入院日数は2.33日（白人1.41日）、入院経験者は33.9%（白人21.9%）であった。
• 再重み付けに基づく緩和処理を施した後、モデルのバランス精度はテストセットで71%以上に向上し、予測された高リスクグループにおける代表性の不均衡が低減された。
• 高リスクグループにおける黒人と白人の健康格差は縮小した：黒人は平均的に以前より健康状態が改善した一方、白人はわずかに悪化し、救急外来受診回数および入院日数の格差が縮小した。
• 緩和処理後、予測された高費用グループにおける優先慢性疾患数は人種間でほぼ同一となった（黒人4.84 vs. 白人4.96）、健康格差の低減が示された。
• 本研究は、医療費を健康ニーズの代理指標として用いることで人種的バイアスが継続され、緩和技術を用いることで予測モデルにおけるこのバイアスを顕著に低減できることを確認した。