Navigating Fairness in Healthcare: A Comparative Analysis of Single-Stage and Multi-Stage Bias Mitigation Strategies
Notice bibliographique
Résumé
Despite machine learning’s potential to revolutionize healthcare decision-making, systematic biases in algorithms and training data can worsen already-existing health inequities among different populations. Employing bias mitigation strategies can enhance the reliability and fairness of AI healthcare systems across diverse patient populations. The aim of this study is to develop a framework for evaluating various bias mitigation techniques and quantitatively measuring fairness in binary classification. We examined these techniques across pre-processing, in-processing, and post-processing stages, utilizing both single- and multi-stage intervention approaches. Our evaluation focused on their impact on model reliability, employing group and individual fairness metrics with a particular emphasis on the sensitive attribute of age. Our analysis focused on two healthcare datasets—stroke prediction and breast cancer diagnosis—highlighting the trade-offs between fairness and accuracy. Results show that Adversarial Debiasing significantly improves fairness by 95% in the breast cancer dataset without compromising accuracy. For stroke prediction, Reweighing is the most effective, enhancing fairness by 41% with minimal accuracy impact. These findings indicate that no single classifier or bias mitigation strategy fits all datasets; understanding context and experimenting with various methods is essential. While multistage bias mitigation can reduce bias, it may not always be effective, and efforts to minimize bias often come at the cost of accuracy, potentially hindering overall model performance in classification tasks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,081 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».