English(EN) Correcting heterogeneous diagnostic bias when developing clinical prediction models using causal hidden Markov models

因果推断方法纠正临床预测模型中的偏差

作者 PulseAugur 编辑部 · [1 个来源] · 2026-05-08 04:00

研究人员开发了一种新颖的方法来解决临床预测模型中因不同患者群体的差异性诊断测试率而产生的偏差。该方法利用因果推断框架和隐马尔可夫模型，在患者的测试率与参考组相匹配的反事实情景下，估计患者的诊断概率。该技术在模拟数据上进行了验证，显示出改进的校准度，并应用于慢性肾病预测的电子健康记录，纠正了与糖尿病相关的偏差。 AI

影响通过考虑诊断差异，引入了一种改进人工智能驱动的临床决策支持系统的公平性和准确性的方法。

排序理由学术论文，提出一种用于纠正临床预测模型中偏差的新方法论。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Jose Benitez-Aurioles, Ricardo Silva, Brian McMillan, Matthew Sperrin · 2026-05-08 04:00

Correcting heterogeneous diagnostic bias when developing clinical prediction models using causal hidden Markov models

arXiv:2605.06059v1 Announce Type: cross Abstract: In routine care, individuals identified a priori as high-risk are usually tested for conditions more frequently. Protected attributes, such as sex or ethnicity may also determine testing frequency. Such heterogeneous detection rat…

报道来源 [1]

Correcting heterogeneous diagnostic bias when developing clinical prediction models using causal hidden Markov models

相关实体

相关话题