FairICP：実施後の臨床意思決定支援におけるバイアスの特定と透明性の向上
カテゴリ：診断支援・画像解析
公開日：2026年1月29日
タイトル：FairICP: identifying biases and increasing transparency at the point of care in post-implementation clinical decision support using inductive conformal prediction
雑誌名：J Am Med Inform Assoc. 2025 Aug 01; 32(8): 1299-1309. doi: 10.1093/jamia/ocaf095.
概 要：
本研究は、医療における既知および未知のバイアスに起因する公平性の懸念に対処するため、Inductive Conformal Prediction（ICP）に基づく柔軟でコスト効果の高いフレームワーク「FairICP」を提案します。AI駆動の臨床意思決定支援システム（CDSS）の信頼性を高めることを目的とし、サブポピュレーションレベルのバイアスによるモデルの不確実性を明らかにします。FairICPは、予測の信頼性を確保し、医療現場での公平性を促進することを目指しています。
方 法：
FairICPは、グループ特有のキャリブレーションを通じてモデルの能力範囲を特定し、信頼できる能力の境界内にある予測をフィルタリングすることで、公平な予測の信頼性を確保します。研究では、心臓磁気共鳴画像（MRI）、胸部X線、皮膚科画像の3つの医療画像モダリティに対してFairICPを評価し、4つのベンチマークに対する予測性能の向上と不公平性の軽減能力を検証しました。
結 果：
FairICPは、ベースラインと比較して予測精度を7.2%向上させ、3つのデータセット全体で特権サブポピュレーションと非特権サブポピュレーション間の精度ギャップを平均2.2%縮小しました。
結 論：
本研究は、AI-CDSSにおける信頼と透明性を促進し、多様な患者集団における平等と公平を育むための堅牢な解決策を提供します。このような後処理手法は、医療現場におけるAI-CDSSの実施と監視のための堅牢なフレームワークを可能にするために重要です。