机器学习预测阿片治疗保留竟存亚组偏见，缓解技术能缩小却无法消除差距！
Toward Fairness in Machine Learning Models for Predicting Treatment Retention and Premature Discontinuation in Medication for Opioid Use Disorder
📖 AI 总结
该研究系统评估了用于预测阿片类药物使用障碍药物治疗（MOUD）留存率与过早中断的机器学习模型的公平性。研究基于2015至2019年美国门诊MOUD患者的TEDS-D数据，训练了四种模型预测治疗中断及180天以上留存情况，并按种族、族裔、年龄和性别分组考察误差率差异。结果显示，即使模型整体预测性能看似可接受，不同患者亚组之间仍存在明显的性能差距；偏差缓解技术能够缩小这些差距，但无法完全消除，且往往伴随预测性能的权衡。研究强调，在MOUD治疗的风险分层与护理优先级排序中，开展公平性评估并透明报告亚组性能，对于负责任且符合具体情境的模型应用至关重要。
🔑 关键词速览
| MOUD | 阿片类药物使用障碍药物治疗，指使用美沙酮、丁丙诺啡等药物来治疗阿片类药物成瘾。 |
| TEDS-D | 治疗事件数据集-出院，美国全国性的药物滥用治疗出院记录数据库，用于研究治疗结果。 |
| 算法公平性 | 指机器学习模型在不同人群（如种族、性别）中预测性能的公平性，避免对某些群体产生系统性偏差。 |
| 偏见缓解 | 旨在减少或消除机器学习模型中不公平偏见的技术方法，以提升模型对不同群体的公平性。 |
| 治疗保留 | 指患者持续参与药物治疗计划的程度，通常以治疗持续时间或完成率来衡量。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅