FAIR-MTL: Mehr Gerechtigkeit bei Komplikationsvorhersagen nach Wirbelsäulenfusion

In der klinischen Praxis stellen Vorhersagemodelle für postoperative Komplikationen bei Wirbelsäulenfusionen ein großes Problem dar: die Ergebnisse variieren stark zwischen den Patienten, und herkömmliche Modelle können bestehende Ungleichheiten verstärken. Besonders bei der Behandlung von Skoliose ist die Gewährleistung von Fairness entscheidend, da hier die Folgen von Fehlvorhersagen gravierend sein können.

Das neue Framework FAIR-MTL nutzt ein fairness‑bewusstes Multitask‑Learning, um diese Herausforderungen zu adressieren. Anstatt sensible Attribute wie Geschlecht oder Alter explizit zu verwenden, ermittelt das System zunächst latente Patientengruppen mittels k‑Means‑Clustering. Diese gruppenbasierten Labels steuern die Aufgabenverteilung innerhalb einer gemeinsamen Architektur. Durch inverse-Frequenz‑Gewichtung wird die Ungleichverteilung der Gruppen ausgeglichen, während Regularisierungsmethoden ein Überanpassen an kleinere Subgruppen verhindern.

In Tests zur Vorhersage von vier Schweregraden postoperativer Komplikationen erzielte FAIR-MTL einen AUC von 0,86 und eine Genauigkeit von 75 %. Im Vergleich zu Einzelaufgabenmodellen wurden sowohl die Leistung als auch die Fairness deutlich verbessert. Für das Geschlecht sank die Differenz im demografischen Paritätsmaß auf 0,055 und die Gleichwertigkeit auf 0,094; bei Alter reduzierte sich die Paritätsdifferenz auf 0,056 und die Gleichwertigkeit auf 0,148.

Die Transparenz des Modells wird durch die Anwendung von SHAP‑Werten und Gini‑Importanzanalysen gewährleistet, sodass die Entscheidungswege nachvollziehbar bleiben. FAIR-MTL demonstriert damit, wie datengetriebene Subgruppenbildung und gezielte Regularisierung zu faireren und zuverlässigeren Vorhersagen in der medizinischen Praxis führen können.