在保健医疗的高风险领域中，确保预测模型的公平性至关重要。我们提出了一种针对电子健康记录（EHRs）的公平感知临床预测的通用框架 FairEHR-CLP，它通过对比学习的方式在两个阶段操作，利用患者人口统计学、纵向数据和临床记录。这一框架在多个 EHR 数据集和任务上进行了广泛实验，证明了其在公平性和效用方面相对于竞争性基线模型的有效性。它是确保预测性保健模型准确性和公平性的一个进步。

Feb, 2024

为保障公平，研发 AI 工具在高风险应用（如医疗保健领域）中十分重要。本文提出了一种基于联邦学习的、适用于医疗领域的综合方法，通过对抗性去偏倚和公平聚合等技术明确减弱模型的偏见，且在多种实验中证明了该方法的有效性。

May, 2023

本文使用机器学习系统支持决策制定在医疗保健中的问答涉及使用电子医疗记录中的观察性数据中隐含的偏见，进而进一步发展了组公平性标准，以在个体层面上扩展增益计数事实公正标准，探讨扩增的标准是否可以应用于使用观测性电子健康记录数据的病人长住和死亡的公平模型的开发。通过一个假设因果图的变分自动编码器来执行反事实推理，提供了一种在学习生成模型的背景下，在公平维护与预测性能下降之间权衡的方法。

Jul, 2019

该研究介绍了 MEDFAIR 框架，可以用于医学成像机器学习模型的公平性评估和算法的基准测试，通过实验发现模型选择标准可以对公平性结果产生重要影响，并在不同的应用场景和伦理原则下提供了建议。

Oct, 2022

本文提出了一种名为公平患者模型（FPM）的新方法，在深度表示学习模型中使用一种称为加权损失函数的方法，降低偏见并提高公平性，从电子健康记录（EHRs）中预先训练公平和无偏的患者表示，在各种医疗保健下游任务中有广泛应用，同时还可扩展到其他因偏见和公平性重要性高的领域。

Jun, 2023

通过引入簇不变固定效应和簇特定随机效应，我们提出了一种混合效应深度学习（MEDL）框架，以同时解决传统深度学习中的样本独立性和公平性问题。通过对贷款批准和健康保险费率等关键领域中正当性敏感变量进行公平性推进，MEDL 框架显著提高了公平性，同时保持高性能和清晰度。

Oct, 2023

本文探讨了对医疗数据进行去识别化处理的技术的发展与趋势，重点关注了从规则到深度学习的技术演变，以及 2014 年和 2016 年竞赛的结果和可能的研究问题。

Oct, 2018

使用电子健康记录进行循证医学和准确预测，通过 Fast Healthcare Interoperability Resources (FHIR) 格式表示病人的原始病历记录，并使用深度学习方法进行多中心的多个医疗事件预测，包括住院死亡率、未经计划的 30 天再入院率、医院停留时间延长、所有患者的最终出院诊断等。

Jan, 2018

通过使用生成模型合成样本来增加不平衡的数据集，从而在以大部分样本为基础的类别上实现更平衡的分布，以训练一个无偏的机器学习模型。

Oct, 2023

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