[논문 리뷰] FairEHR-CLP: Towards Fairness-Aware Clinical Predictions with Contrastive Learning in Multimodal Electronic Health Records

Yuqing Wang, Malvika Pillai외 3명|arXiv (Cornell University)|2024. 02. 01.

Machine Learning in Healthcare인용 수 4

한 줄 요약

FairEHR-CLP는 다중모달 EHR에서의 편향을 줄이기 위해 대조 학습과 합성 데이터 증강을 활용하는 공정성 인지 clinical 예측 프레임워크이다. 다양한 인구통계적 특성을 가진 합성 환자 대체자들을 임상 데이터를 유지하면서 생성한 후, 감수성 속성 간 표현을 정렬하기 위해 대조 학습을 사용하여, 세 개의 EHR 데이터셋과 세 가지 임상 과제에서 최고 수준의 공정성과 경쟁 가능한 유틸리티를 달성한다.

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.

연구 동기 및 목표

• 다중모달 EHR에서 유도된 임상 예측의 알고리즘 편향, 특히 인종, 성별, 사회경제적 지위와 같은 인구통계적 요인과 관련된 편향을 해결하기 위해.
• 기존의 공정성 방법이 단일모달 데이터에 집중하거나 EHR 내 복잡한 사회적 편향을 고려하지 못하는 한계를 극복하기 위해.
• 체계적 편향을 악화시키지 않으면서도 인구통계 정보를 의미 있는 방식으로 통합할 수 있는 일반화 가능한 프레임워크를 개발하기 위해.
• 대조 학습을 통해 표현 학습과 분류를 동시에 최적화하여 임상 예측 모델의 공정성을 향상시키기 위해.
• 불균형하고 이질적인 EHR 데이터에서 하위군 간 오차율 격차를 효과적으로 측정할 수 있는 새로운 공정성 지표를 도입하기 위해.

제안 방법

• 프레임워크는 이중 단계 프로세스를 활용한다: 첫 번째 단계에서 실제 환자 각각에 대해 감수성 속성(예: 인종, 성별)이 다양하게 설정된 합성 환자 대체자가 생성되며, 종단적 및 임상 노트 데이터는 유지된다.
• 합성 데이터 생성은 핵심 건강 정보를 변경하지 않은 채로 다양한 인구통계적 신분을 반영하여 공정한 표현 학습을 가능하게 한다.
• 두 번째 단계에서 대조 학습을 통해 실제 환자와 동일한 임상 프로파일을 공유하지만 감수성 속성이 다른 합성 대체자 간의 표현을 정렬한다.
• 모델은 실제 및 합성 쌍 간의 표현 거리 최소화를 위한 대조 손실과, 소프트맥스를 사용하는 MLP 분류기를 통한 교차 엔트로피 손실을 함께 최적화한다.
• EHR 데이터의 클래스 불균형과 다양한 그룹 크기를 고려하여 하위군 간 오차율 격차를 측정할 수 있는 새로운 공정성 지표가 도입된다.
• 환자 인구통계, 종단적 EHR 데이터, 임상 노트를 통합된 다중모달 표현 학습 파이프라인으로 통합한다.

실험 결과

연구 질문

• RQ1 감수성 속성 간 실제 및 합성 환자 표현을 정렬함으로써 대조 학습이 다중모달 EHR에서 표현 편향을 효과적으로 줄일 수 있는가?
• RQ2 통제된 인구통계적 변동을 가진 합성 데이터 증강이 유틸리티를 저하시키지 않고도 임상 예측 모델의 공정성을 향상시키는가?
• RQ3 Equal Opportunity 및 오차율 격차 지표와 같은 공정성 지표에서 FairEHR-CLP는 기존의 탈편향 방법보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ4 다양한 감수성 속성(예: 인종, 연령, 성별)이 EHR 기반 예측에서 편향을 유도하는 정도는 어떠한가? 그리고 프레임워크는 이러한 차이를 어떻게 완화하는가?
• RQ5 통합된 프레임워크는 다양한 EHR 데이터셋과 임상 과제에서 공정성 향상과 동시에 높은 예측 성능 유지를 동시에 달성할 수 있는가?

주요 결과

• STARR 데이터셋에서 FairEHR-CLP는 모든 감수성 속성에 대해 가장 낮은 등비 기회(EO)와 오차율 격차 지수(EDDI)를 기록했으며, 성별의 경우 EO가 최소 1.7%로 나타났고, 인종의 경우 5.2%였다.
• t-SNE 시각화 결과에 따르면 FairEHR-CLP는 라이프스타일 기반 편향을 크게 줄였으며, 라이프스타일 간에 더 균일한 분포를 보였고, 반면 기존 모델은 뚜렷한 인종 군집을 형성하였다.
• MIMIC-III 및 MIMIC-IV 데이터셋에서 FairEHR-CLP는 강력한 공정성 성능 유지를 보였으며, 모든 속성에 대해 EO 값이 6% 이하, 대부분의 경우 EDDI가 5% 이하로 나타나 오차율 격차가 효과적으로 완화됨을 시사했다.
• 프레임워크는 표준 기준 모델과 비교해도 경쟁 가능한 예측 성능(F1 스코어)을 기록하여 공정성-유틸리티 트레이드오프의 유리한 균형을 확보했다.
• 민감도 분석 결과, 인종과 연령이 가장 편향이 심한 속성으로 나타났으며, EO는 최대 5.9%, EDDI는 최대 4.7%로 나타나 EHR 내 인구통계적 편향의 지속적 과제임을 확인했다.
• 제거 실험 결과, 합성 데이터 생성과 대조 학습이 모두 필수적인 구성 요소임을 입증하였으며, 둘 중 하나를 제거할 경우 공정성 지표가 크게 악화되었다.