[论文解读] 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 6

一句话总结

本文提出公平Cox比例风险（FCPH）模型，通过减轻Medicaid等待名单中生存预测的偏差，确保医疗资源分配的公平性。通过将公平性定义扩展至生存分析，并将公平性约束整合到Cox比例风险建模中，作者证明其FCPH模型在不牺牲预测准确性的情况下提升了公平性，其中交叉公平性与个体公平性约束优于标准Cox比例风险模型的公平性度量，同时在AUC和Brier Score上保持了强劲表现。

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.

研究动机与目标

• 解决医疗资源分配中的系统性偏见，特别是在名额有限的Medicaid豁免计划中，导致获取机会不公的问题。
• 为生存模型开发定制化的公平性定义，尽管其在医疗优先排序中具有相关性，但此类定义在公平性文献中仍研究不足。
• 设计适用于Cox比例风险模型的公平学习算法，确保在不同人口群体间实现公平的风险预测。
• 在公开的生存数据集上验证所提出模型，证明公平性与预测性能之间的平衡。

提出的方法

• 通过将公平性定义适配至风险函数与生存结果，将个体、群体和交叉公平性三种公平性定义扩展至生存分析。
• 通过在Cox模型的部分似然优化中引入公平性约束，开发了公平Cox比例风险（FCPH）模型。
• 使用正则化方法平衡公平性与预测准确性，其中公平性约束对不同受保护群体之间差异化的风险预测施加惩罚。
• 采用约束优化框架应用公平性约束，通过调整模型参数以最小化预测误差与公平性违规。
• 采用多目标优化方法，联合最小化负对数部分似然与公平性违规，确保实现公平的风险评分。
• 在两个公开数据集上验证模型：COMPAS（刑事司法风险预测）与FLC（Medicaid长期护理等待名单），并使用标准生存度量指标。

实验结果

研究问题

• RQ1 如何将分类任务中的公平性定义有意义地适配至生存模型，其中结果为事件发生时间且存在删失？
• RQ2 在Cox比例风险模型中引入公平性约束，是否能有效减少人口群体间风险预测的差异，同时不显著降低预测准确性？
• RQ3 在医疗优先排序中，个体、群体或交叉公平性定义中，哪一种能实现公平性与模型性能之间的最佳权衡？
• RQ4 与标准Cox比例风险模型相比，FCPH模型中的公平性约束在多大程度上减少了过拟合？
• RQ5 在公平性度量（如相等机会、相等机会率）与预测性能（如C指数、AUC、Brier Score）方面，FCPH模型与标准Cox比例风险模型相比表现如何？

主要发现

• 在FLC数据集上，交叉FCPH模型在所有三项公平性度量中均取得最高公平性得分，优于所有其他模型。
• 尽管引入了正则化，FCPH模型仍保持了强劲的预测性能，其中个体FCPH模型在FLC测试集上实现了最佳AUC与Brier Score。
• 在两个数据集上，群体与交叉FCPH模型在公平性度量上均优于标准Cox比例风险模型，表明公平性约束能有效减少偏差。
• FCPH模型相比标准Cox比例风险模型减少了过拟合，表现为AUC与Brier Score在训练集与测试集之间差距更小。
• 典型Cox比例风险模型具有最高的C指数与对数部分似然值，但FCPH模型在AUC与Brier Score等基于准确性的度量上实现了可比或更优的表现。
• 结果表明，FCPH模型中的公平性约束不仅提升了公平性，还增强了泛化能力，可能归因于公平性惩罚带来的正则化效应。