[论文解读] 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 4

一句话总结

FairEHR-CLP 是一种公平性感知的临床预测框架，通过对比学习和合成数据增强来减少多模态 EHR 中的偏见。它在保持临床数据不变的同时，生成具有不同人口统计特征的合成患者对应体，然后利用对比学习对齐不同敏感属性下的表示，实现了在三个 EHR 数据集和三个临床任务上的最先进公平性表现，同时保持了良好的实用性。

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.

研究动机与目标

• 为解决从多模态 EHR 中派生的临床预测中的算法偏见，特别是与种族、性别和社会经济地位等人口统计因素相关的偏见。
• 克服现有公平性方法的局限性，这些方法通常聚焦于单模态数据，或未能充分考虑 EHR 中复杂的社交偏见。
• 开发一种可泛化的框架，有意义地整合人口统计信息，同时避免放大系统性偏见。
• 通过联合优化表示学习和分类，利用对比学习提高临床预测模型的公平性。
• 引入一种新颖的公平性度量，有效捕捉在类别不平衡和异质性 EHR 数据中不同子群体之间的错误率差异。

提出的方法

• 该框架采用两阶段流程：首先，为每个真实患者生成具有不同敏感属性（如种族、性别）的合成患者对应体，同时保留纵向数据和临床笔记数据。
• 合成数据生成确保在不改变核心健康信息的前提下，代表多样化的人口统计身份，从而实现更公平的表示学习。
• 在第二阶段，对比学习将真实患者与其临床特征相似但敏感属性不同的合成对应体的嵌入进行对齐。
• 模型联合优化对比损失，以最小化真实与合成样本对之间的表示距离，同时通过带有 softmax 的 MLP 分类器优化交叉熵损失，用于下游临床分类任务。
• 引入一种新颖的公平性度量，用于衡量在 EHR 数据中类别不平衡和群体规模差异情况下的子群体错误率差异。
• 该框架将患者人口统计信息、纵向 EHR 数据和临床笔记整合到统一的多模态表示学习流程中。

实验结果

研究问题

• RQ1 通过在敏感属性上对齐真实与合成患者表示，对比学习是否能有效减少多模态 EHR 中的表示偏见？
• RQ2 通过受控人口统计差异的合成数据增强，是否能在不降低实用性的前提下提升临床预测模型的公平性？
• RQ3 FairEHR-CLP 在公平性度量（如平等机会和错误率差异）方面，与现有去偏方法相比，其性能提升程度如何？
• RQ4 不同敏感属性（如种族、年龄、性别）在 EHR 基于预测中如何导致偏见，该框架如何缓解这些差异？
• RQ5 一个统一的框架是否能够同时提升公平性，并在多样化的 EHR 数据集和临床任务中保持高水平的预测性能？

主要发现

• 在 STARR 数据集中，FairEHR-CLP 在所有敏感属性上均实现了最低的平等机会（EO）和错误率差异指数（EDDI），其中性别 EO 低至 1.7%，种族 EO 为 5.2%。
• t-SNE 可视化显示，该模型显著降低了基于种族的表示偏见：与形成明显种族聚类的基线模型相比，FairEHR-CLP 在不同种族群体间表现出更均匀的分布。
• 在 MIMIC-III 和 MIMIC-IV 数据集中，FairEHR-CLP 保持了出色的公平性表现，所有属性的 EO 值均低于 6%，大多数属性的 EDDI 低于 5%，表明有效缓解了错误率差异。
• 该框架实现了具有竞争力的预测性能，F1 分数与标准基线相当，表明其在公平性与实用性之间取得了良好平衡。
• 敏感性分析表明，种族和年龄是最具偏见的属性，EO 最高可达 5.9%，EDDI 最高可达 4.7%，凸显了 EHR 中人口统计偏见的持续挑战。
• 消融研究证实，合成数据生成和对比学习均为关键组件，移除任一模块均会显著降低公平性指标。