用于预测阿片类药物使用障碍治疗保留和提前停药的机器学习模型的公平性

arXiv:2609.22113v1 公告类型：新 摘要：阿片类药物使用障碍 (MOUD) 药物的保留率和完成率持续较低，推动了机器学习 (ML) 模型的使用来预测保留率并识别有提前停药风险的患者。然而，这些模型在患者群体中的公平性在很大程度上仍未得到探索，这引起了人们对其在治疗决策支持中的应用的担忧。本研究系统地评估了 ML 模型中用于预测 MOUD 保留和过早终止的算法公平性，并研究了偏差缓解技术的有效性。使用横断面治疗发作数据集-出院 (TEDS-D)（其中包括 2015 年至 2019 年期间在美国出院的个人的治疗发作），我们训练了四个 ML 模型来预测接受门诊 MOUD 的个人的过早停止治疗和保留超过 180 天的情况。我们评估了按种族、民族、年龄和性别定义的患者亚组的整体表现和亚组水平错误率，并辅以模型解释分析。我们进一步评估了偏差缓解技术及其对公平性和预测性能的影响。我们的研究结果表明，即使整体预测性能似乎可以接受，用于 MOUD 结果预测的 ML 模型也可能表现出亚组级别的性能差距，并且偏差缓解可以减少（但不能完全消除）这些差距，而无需权衡。通过证明公平意识评估和亚组绩效透明报告的重要性，本研究为在 MOUD 治疗环境中负责任且上下文敏感地使用 ML 模型进行风险分层和护理优先级排序提供了实用见解。