arXiv 论文梳理八种基于 AUC 的临床预测模型公平性指标
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载AUC 不可折叠带来的问题
论文关注二分类结局的临床预测模型公平性评估。常见做法是比较不同子组的 ROC 曲线下面积（AUC，也称 c 统计量）。作者指出，AUC 属于不可折叠指标，子组层面的取值与总体取值并不处于可直接对照的关系，而现有做法往往默认二者可比。这一性质使得基于 AUC 的公平性指标在使用和解读上都需要重新审视，论文正是围绕这一点展开。
八种指标的刻画与归类
论文逐项分析了八种已有指标：组内 AUC 一致性、跨组 AUC（xAUC）一致性、与总体 AUC 的差距、公平缩放 AUC、基于最小值的指标，以及 xAUC^1、xAUC^0 和二者的联合一致性。作者刻画了每种指标的估计目标，把它们与总体 AUC 分解为组内分量和跨组分量的思路联系起来，并给出评价。借助基于 EuroSCORE II（院内死亡率的临床预测模型）的模拟，论文展示了这些指标在实际数据形态下的表现差异。
报告建议与指标取舍
作者建议以 AUC 矩阵作为主要报告形式，其中包含总体 AUC 以及全部组内、跨组 AUC 分量，同时给出人群特征。若确需公平性指标，首选组内 AUC 一致性；跨组 AUC 一致性可作为补充信息，但需谨慎，因为它可能与校准产生冲突。涉及 xAUC^1 与 xAUC^0 的指标能把组内与跨组 AUC 汇总为单一数值，有其价值，但解读并不直观。与总体 AUC 的差距、公平缩放 AUC 和基于最小值的指标所比较的量本不应相互比较，也难以落地操作，作者认为它们不适合使用，一般不予推荐。
为什么值得看
做临床预测模型公平性评估的团队，可据此判断哪些 AUC 类指标可用、哪些不宜再用。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。