Fairness Correction in COVID-19 Predictive Models Using Demographic Optimization: Algorithm Development and Validation Study

doi:10.2196/78235

Fairness Correction in COVID-19 Predictive Models Using Demographic Optimization: Algorithm Development and Validation Study

2026-01-01

0

PRE

AI

DOI：10.2196/78235

原文链接

原文求助

摘要

En 中文

背景：COVID-19预测模型已被用于指导资源分配和干预决策等决策制定，例如医院床位或居家令。最先进的预测模型通常使用多模态数据，包括移动性或社会人口数据，以增强COVID-19病例预测模型。然而，相关研究已揭示COVID-19病例存在低报偏差，以及特定少数族裔群体的移动性数据存在抽样偏差，这影响了不同种族和族裔群体间COVID-19预测的公平性。目标：本研究旨在引入一种适用于在聚合地理层面预测COVID-19病例的公平性修正方法。方法：我们在现有公平性框架上使用硬误差和软误差公平性分析，并证明我们提出的方法——人口优化（DemOpts）在两种情况下均表现更优。结果：我们首先证明，最先进的COVID-19深度学习模型在较大地理尺度上产生的平均预测误差在不同种族和族裔群体间存在显著差异。随后，我们提出一种新颖的消偏方法DemOpts，以提高在潜在有偏数据集上训练的基于深度学习的预测模型的公平性。结果表明，DemOpts能够比其他最先进的消偏方法实现更好的误差公平性，从而有效减少不同种族和族裔群体间平均误差分布的差异。结论：我们引入DemOpts，与现有方法相比减少了误差公平性差异，并生成了比文献中其他方法更公平的预测模型。

Keyword:

COVID-19 forecasting

deep learning model

fairness

time series model

regression

Fairness Correction in COVID-19 Predictive Models Using Demographic Optimization: Algorithm Development and Validation Study

摘要

期刊

机构