该研究探讨了使用机器学习指导临床决策可能加剧现有的健康差距问题的潜力，并分析了算法公平的适用性、技术限制以及与机器学习在医疗保健中使用相关的社会技术背景。研究结果表明，在对各组之间的预测分布差异进行惩罚的情况下，几乎所有团体内的多项绩效指标都会降低，并且算法公平性方法在消除健康差距方面仍存在许多有待解决的问题。

Jul, 2020

研究探讨了使用机器学习方法提前预测糖尿病患者住院需求的重要性，同时阐述了在数据收集和模型预测中消除社会相关的数据偏差的必要性。该研究提出了一种机器学习流程，能够检测并缓解数据和模型预测中的偏差，从而获得更加公正的预测结果。实验证明，及时消除数据收集过程中的偏差可以得到更加公平的预测结果。

Jun, 2022

本研究总结了关于机器学习公平性的基本文献，并提出了一个框架，用于识别和减轻数据和模型中的偏见，以实现更公正和公平的公共卫生机器学习模型。

Apr, 2023

本研究针对30天再入院问题，提出一种基于机器学习ML的临床数据分类流程，以及对基于敏感属性的子组进行公平性审计，发现了不同属性组之间的公平性问题，结果强调了需要更好的公平性和偏见缓解策略，并建议研究人员、政策制定者和从业人员合作解决人工智能系统中的偏见和公平问题。

Apr, 2023

本文提出M3Fair方法，将RW方法扩展到多个敏感属性和多个级别，以减轻数据中的偏见，增强医疗公平性。

Jun, 2023

通过比较深度学习、广义线性模型、梯度提升机（GBM）和朴素贝叶斯等模型，我们发现 GBM 在不同人口统计学特征（年龄、性别、种族）下，以 84.3% 的 F1 分数和 82.2% 的准确率准确预测糖尿病患者的住院再入院情况。GBM 在预测中减少了性别和种族之间的差异，其假发现率（FDR） (6-7%) 和假阳性率（FPR） (5%) 较低，且各年龄组（40岁以下和40岁以上患者）的 FDR（4%）保持稳定，表明其精确性和减少偏见的能力。通过展示多种模型的准确度和公平性指标，该研究强调了在医疗保健中谨慎选择机器学习模型以确保准确性和公正性的重要性，从而促进个性化医学并确保公平的机器学习算法，最终减少糖尿病患者不同背景中的不平等，并改善结果。

Mar, 2024

在普遍采用机器学习的医疗领域，自动化的社会偏见可能会加剧健康差距，我们探索了从特征选择的角度来解决算法公平性。传统的特征选择方法忽视了不同子群体之间这些因素的差异，而我们的公平特征选择方法考虑了所有人口群体的平等重要性。我们在三个公开可用的医疗数据集上测试了我们的方法，在这三个数据集上，我们观察到在公平性度量指标上的改善，同时平衡准确率仅有轻微下降。我们的方法解决了公平机器学习背景下的分配和程序公正性问题。

Mar, 2024

在临床决策和预防现有医疗不公平中确保机器学习算法在所有患者群体中安全有效，不会对特定患者造成不利影响，对于医学信息学社区非常重要。本教程的目标是向医学信息学社区介绍机器学习中的公平常见概念，重点关注临床应用和实际实施。

Jun, 2024

本研究解决了机器学习在公共卫生应用中算法偏见造成的系统性错误问题。通过对2008年至2023年间相关文献的综合评审，识别了机器学习中常见的偏见类型及其量化评估指标。研究成果有助于从公平的视角建立公共卫生机器学习评估框架。

Aug, 2024

本研究针对机器学习在公共卫生应用中的算法偏见和系统性错误问题进行了深入探讨，填补了当前文献中的空白。通过对72篇相关文献的分析，识别了机器学习中常见的偏见类型及其量化指标，从公平的视角审视了这些偏见。研究结果为公共卫生中机器学习的公平性评估提供了一个正式的框架，有助于改善决策过程。

Aug, 2024