Die Studie untersucht, wie Maschinenlernmodelle Krankenhauswiederaufnahmen bei Diabetespatienten über verschiedene demografische Gruppen (Alter, Geschlecht, Rasse) hinweg fair und genau vorhersagen können. Es wurden verschiedene Modelle wie Deep Learning, Generalisierte Lineare Modelle, Gradient Boosting Maschinen (GBM) und Naive Bayes verglichen.
Das GBM-Modell zeigte sich als der umfassendste Performer mit einem F1-Score von 84,3% und einer Genauigkeit von 82,2%. Es konnte Wiederaufnahmen über verschiedene demografische Gruppen hinweg genau vorhersagen. Eine Fairnessanalyse wurde über alle Modelle hinweg durchgeführt. Das GBM-Modell minimierte Ungleichheiten in den Vorhersagen und erzielte ausgewogene Ergebnisse über Geschlechter und Rassen hinweg. Es wies geringe Fehlerquoten (FDR 6-7%, FPR 5%) für beide Geschlechter auf. Auch für Rassengruppen wie Afroamerikaner (FDR 8%) und Asiaten (FDR 7%) blieben die Fehlerquoten niedrig. Ebenso waren die Fehlerraten über Altersgruppen hinweg konsistent (FPR 4% für unter 40-Jährige und über 40-Jährige), was auf seine Präzision und Fähigkeit zur Reduzierung von Verzerrungen hinweist.
Diese Ergebnisse unterstreichen die Bedeutung einer sorgfältigen Auswahl von Maschinenlernmodellen, um sowohl Genauigkeit als auch Fairness für alle Patienten sicherzustellen. Durch die Darstellung der Wirksamkeit verschiedener Modelle mit Fairnessmetriken fördert diese Studie die personalisierte Medizin und die Notwendigkeit fairer Maschinenlernalgorithmen im Gesundheitswesen. Dies kann letztendlich Ungleichheiten reduzieren und die Ergebnisse für Diabetespatienten aller Hintergründe verbessern.
To Another Language
from source content
arxiv.org
Głębsze pytania