HEAL: 機械学習パフォーマンスの健康公平性評価フレームワーク

投稿者: Google Research リサーチサイエンティスト Mike Schaekermann、Google Core チーフ・ヘルス・エクイティ・オフィサー兼ディレクター Ivor Horn

健康の公平性は、格差の原因が多岐にわたる、世界的な主要な社会的関心事です。これらの原因には、医療へのアクセスの制限、臨床治療の違い、さらには診断技術の根本的な違いさえも含まれます。例えば皮膚科学においては、マイノリティ、社会経済的地位が低い人々、医療へのアクセスが限られている個人など、特定の集団では皮膚がんの転帰が悪化しています。機械学習（ML）や人工知能（AI）の最近の進歩が医療の改善に役立つ大きな可能性を秘めている一方で、研究から臨床現場への移行には、それらが健康の公平性にどのように影響するか、あるいは影響しないかを慎重に理解することが伴わなければなりません。

健康の公平性 は、公衆衛生機関によって、すべての人が可能な限り健康であるための機会の公正さと定義されています。重要なことに、公平性は 平等 とは異なる場合があります。例えば、健康を改善するための障壁が大きい人々は、この公正な機会を経験するためにより多くの、あるいは異なる努力を必要とするかもしれません。同様に、公平性は、医療AIに関する文献で定義されている 公平性（フェアネス） とも異なります。AIの公平性は、多くの場合、異なる患者集団間でAI技術のパフォーマンスが等しくなることを目指しますが、これは、既存の健康格差に関してパフォーマンスを優先するという目標を中心に据えていません。

健康の公平性に関する考察。介入（例：濃い青色で示されたMLベースのツール）は、既存の健康アウトカムの格差（薄い青色で示された）を縮小するのに役立つ場合、健康の公平性を促進します。

「 Health Equity Assessment of machine Learning performance (HEAL): a framework and dermatology AI model case study 」（機械学習パフォーマンスの健康公平性評価（HEAL）：フレームワークと皮膚科AIモデルケーススタディ）と題された論文が、 The Lancet eClinicalMedicine に掲載されました。本論文では、MLベースの医療技術が公平に機能するかどうかを定量的に評価する方法論を提案しています。言い換えれば、そのモデルが対象とする病態について、最も健康アウトカムが悪い人々に対してモデルは十分に機能するか？という問いです。この目標は、健康の公平性は、構造的不公平性（例：人口統計学的、社会的、文化的、政治的、経済的、環境的、地理的要因）を含む多くの要因による可能性がある、不均一な健康アウトカムに関して、モデルのパフォーマンスを優先し測定すべきであるという原則に基づいています。

健康公平性フレームワーク（HEAL）

HEALフレームワークは、MLベースの医療技術が公平に機能する可能性を推定するための4段階のプロセスを提案します：

健康の不公平性に関連する要因を特定し、ツールのパフォーマンス指標を定義する。 既存の健康格差を特定し、定量化する。 各サブ集団に対するツールのパフォーマンスを測定する。 そのツールが健康格差に関してパフォーマンスを優先する可能性を測定する。

最終ステップの出力はHEALメトリックと呼ばれ、MLモデルのパフォーマンスが健康格差とどの程度逆相関しているかを定量化します。言い換えれば、そのモデルは、健康

HEAL: 機械学習パフォーマンスの健康公平性評価フレームワーク

背景や根拠まで確認しますか？

調べる

選ぶ

サイト