[论文解读] Understanding racial bias in health using the Medical Expenditure Panel Survey data
本研究揭示了全国代表性MEPS医疗数据集中存在的种族偏见：在高支出分位数中，非裔患者尽管预测风险相似，其健康指标却劣于白人患者。通过基于重加权的缓解方法，作者减少了高风险预测中的代表性差异与健康差距，表明简单的公平性技术可显著降低医疗支出模型中的偏见。
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.
研究动机与目标
- 调查公开的、全国代表性的MEPS数据集中健康指标是否存在种族偏见。
- 检验基于MEPS数据训练的预测模型在医疗支出和使用情况中是否继承并放大了种族差异。
- 评估简单偏见缓解技术在减少医疗预测模型中种族偏见方面的有效性。
- 证明减少模型预测中的偏见可实现更公平的护理管理风险分层。
提出的方法
- 本研究使用2015–2016年（面板20）和2014–2015年（面板19）的两年纵向MEPS数据，将分析限制在拥有完整五轮数据的非西班牙裔白人和非裔个体。
- 分析结果指标包括医疗支出、急诊室就诊次数、住院夜数以及自报健康状况，其中慢性病被计为优先疾病。
- 训练一个预测模型，以基于第一年的个人人口统计学和健康指标，判断个体在第二年是否可能产生高医疗支出。
- 通过基于重加权的缓解方法重新训练模型，调整样本权重以减少在预测高风险群体中不同种族之间的统计差异。
- 通过平衡准确率以及比较预测高支出群体中白人与非裔个体的健康结果来评估性能。
- 通过比较在预测高支出前十分位中不同种族的代表性比例与健康状况差异来计算偏见指标。
实验结果
研究问题
- RQ1在预测医疗支出相似的情况下，MEPS数据集在健康指标上是否表现出对非裔与白人患者的种族偏见？
- RQ2基于MEPS数据训练的预测模型在多大程度上继承并放大了医疗风险预测中的种族差异？
- RQ3简单的偏见缓解技术能否同时减少高风险患者预测中的代表性差异与健康结果差距？
- RQ4在缓解前后，预测高支出群体中非裔与白人患者的健康指标（如急诊室就诊、住院天数和自评健康）有何比较？
主要发现
- 在高支出分位数中，11%的非裔个体被预测将产生高支出，而白人个体为9.9%，表明非裔患者在高风险预测中代表性不足。
- 尽管预测风险较低，非裔患者在高支出群体中的健康指标显著更差：平均住院夜数为2.33晚，而白人为1.41晚；33.9%的非裔有住院经历，而白人为21.9%。
- 应用基于重加权的缓解方法后，模型在测试集上的平衡准确率提升至71%以上，且预测高风险群体中的代表性差异减少。
- 非裔与白人患者在高风险群体中的健康差距缩小：非裔患者平均健康状况较之前改善，而白人患者健康状况略有恶化，从而缩小了急诊室就诊和住院天数的差异。
- 缓解后，预测高支出群体中两类人群的优先慢性病数量几乎相同（非裔为4.84，白人为4.96），表明健康差异减少。
- 本研究证实，将医疗支出作为健康需求的代理指标会加剧种族偏见，而缓解技术可显著降低此类偏见在预测模型中的影响。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。