肝移植器官分配中公正预测移植失败
本文提出了使用多任务深度学习模型预测肝移植后的多个风险因素,同时提出一种新的公平算法以确保对不同亚群体的预测结果公平性。在 160,360 名肝移植患者的电子健康记录上进行了实验证明该预测模型具有高准确性和良好的平衡性。
Apr, 2023
通过 FERI 算法实现对肝移植患者移植物失败风险公平预测,维持高准确率并显著改善性别和年龄群体之间的公平问题,为公正的医疗系统提供了宝贵工具。
Oct, 2023
这篇论文探讨了机器学习算法在高影响临床决策系统中应用的公平性、可解释性和透明度,提出了一种基于倾向评分和决策树的算法指南,帮助临床医生识别模型的可预测缺陷,同时指导算法开发人员改进数据源和结构以解决这些缺陷。
Nov, 2020
ML algorithms and machine learning optimization are used to evaluate different liver illness datasets and identify the most excellent categorization models by modifying hyperparameters such as Phosphotase, Direct Billirubin, Protiens, Albumin, and Albumin Globulin, essential for minimizing the cost function and visualizing the pattern.
May, 2023
通过设计公平反馈调查问卷评估一种肾脏接受率预测器(ARP),以及提出基于最小化社会反馈遗憾的新型逻辑回归公平反馈模型的社会公平偏好学习算法,本研究估计并详细讨论了众筹调查中公众对肾脏配对中的群体公平概念的偏好。
Apr, 2024
为了应对肾脏分配面临的紧迫挑战,本研究旨在开发一个数据驱动的解决方案,并融入利益相关者的价值观。通过使用 “两两对比肾脏患者在线调查” 数据,经过个人、团体和稳定性三个层面的评估,我们运用机器学习分类器来学习个人和团体层面对肾脏分配的偏好。通过将利益相关者的偏好融入肾脏分配过程,我们致力于推进器官移植的伦理维度,促进道德价值观融入算法决策,以实现更加透明和公平的实践。
Jan, 2024
本研究提出一种基于多视角学习的深度学习方法,利用肝脏的多个子区域来提取更丰富的特征,使用主观逻辑来评估不确定性并应用 Dempster-Shafer 证据理论的明确组合规则来提高预测的准确性,通过在增强 MRI 数据上的评估结果发现,本方法优于现有的多视角学习方法。
Jun, 2023
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
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