[논문 리뷰] Equitable Allocation of Healthcare Resources with Fair Cox Models

Kamrun Naher Keya, Rashidul Islam외 3명|arXiv (Cornell University)|2020. 10. 14.

Healthcare Policy and Management참고 문헌 33인용 수 6

한 줄 요약

이 논문은 Medicaid 대기자 명단의 생존 예측에서 편향을 완화함으로써 의료 자원의 공정한 배정을 보장하기 위해 공정한 코ックス 비례 위험 모델(FCPH)을 제안한다. 생존 분석에 공정성 정의를 확장하고 CPH 모델에 공정성 제약 조건을 통합함으로써, 저자들은 FCPH 모델이 예측 정확도를 희생시키지 않고도 공정성을 향상시킴을 입증한다. 교차성 및 개인 공정성 제약 조건은 표준 CPH보다 공정성 지표에서 뛰어난 성능을 보이며, AUC 및 브리어 스코어에서도 뛰어난 성능을 유지한다.

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.

연구 동기 및 목표

• 체계적 편향을 해소하기 위해, 특히 자원이 제한된 Medicaid 보장 프로그램에서 발생하는 불평등한 접근을 해결한다.
• 의료 우선순위에 관련성이 높지만 공정성 문헌에서 다루지 않은 생존 모델에 특화된 공정성 정의를 개발한다.
• 인구 집단 간 공정한 위험 예측을 보장하기 위해 코ックス 비례 위험 모델에 대한 공정한 학습 알고리즘을 설계한다.
• 공개된 생존 데이터셋을 기반으로 제안된 모델을 검증하여 공정성과 예측 성능 사이의 균형을 확보한다.

제안 방법

• 분류 모델에서의 공정성 정의 세 가지—개인, 집단, 교차성 공정성—을 생존 분석에 확장하여 위험 함수와 생존 결과에 적응시킨다.
• 코ックス 모델의 부분우도수 최적화 과정에 공정성 제약 조건을 통합하여 공정한 코ックス 비례 위험(FCPH) 모델을 개발한다.
• 정규화를 통해 공정성과 예측 정확도의 균형을 맞추며, 보호 그룹 간 이질적인 위험 예측을 방지하기 위해 공정성 제약 조건을 부과한다.
• 모델 파라미터를 예측 오차와 공정성 위반을 최소화하도록 조정하기 위해 제약 조건이 있는 최적화 프레임워크를 적용한다.
• 부정의 로그 부분우도수와 공정성 위반을 동시에 최소화하는 다목적 최적화 접근법을 사용하여 공정한 위험 스코어를 확보한다.
• 표준 생존 지표를 사용하여 두 개의 공개 데이터셋—COMPAS(범죄 정책 위험 예측)와 FLC(Medicaid 장기 간병 대기자 명단)—에서 모델을 검증한다.

실험 결과

연구 질문

• RQ1 분류 모델에서의 공정성 정의를 시간-사건 결과와 케이싱된 결과를 가진 생존 모델에 의미 있게 어떻게 적용할 수 있는가?
• RQ2 코ックス 비례 위험 모델에 공정성 제약 조건을 적용하면, 인구 통계적 편차를 줄이되 예측 정확도를 크게 떨어뜨리지 않을 수 있는가?
• RQ3 개인, 집단, 교차성 공정성 중 어느 정의가 의료 우선순위에서 공정성과 모델 성능 간 최적의 트레이드오프를 제공하는가?
• RQ4 FCPH 모델의 공정성 제약 조건은 표준 CPH 모델 대비 과적합을 얼마나 줄이는가?
• RQ5 공정성 지표(예: 동등 기회, 동등한 오dds)와 예측 성능(예: C-index, AUC, 브리어 스코어) 측면에서 FCPH 모델은 표준 CPH 모델과 어떻게 비교되는가?

주요 결과

• 교차성 FCPH 모델은 FLC 데이터셋에서 세 가지 공정성 지표 모두에서 가장 높은 공정성 스코어를 기록했으며, 다른 모든 모델보다 뛰어난 성능을 보였다.
• 정규화에도 불구하고 FCPH 모델은 강력한 예측 성능을 유지했으며, 개인 FCPH 모델은 FLC 테스트 세트에서 최고의 AUC와 브리어 스코어를 기록했다.
• 그룹 및 교차성 FCPH 모델은 두 데이터셋에서 표준 CPH보다 공정성 지표에서 뛰어난 성능을 보였으며, 이는 공정성 제약 조건이 편향을 효과적으로 줄임을 시사한다.
• FCPH 모델은 AUC 및 브리어 스코어에서 훈련 세트와 테스트 세트 간 성능 격차가 작아, 표준 CPH 모델 대비 과적합이 감소한 것으로 나타났다.
• 표준 CPH 모델은 가장 높은 C-index와 로그 부분우도수를 기록했지만, FCPH 모델은 AUC 및 브리어 스코어와 같은 정확도 기반 지표에서 유사하거나 더 뛰어난 성능을 기록했다.
• 결과는 FCPH 모델의 공정성 제약 조건가 공정성 향상 외에도 일반화 능력을 향상시킨다는 것을 시사하며, 이는 공정성 페널티의 정규화 효과 때문일 것이다.