Bewertung von Kausalitätsalgorithmen: Spezifische Fairness in der Medizin

In einer wegweisenden Studie wurden Kausalitätsalgorithmen auf ihre Fähigkeit hin untersucht, path-spezifische Fairness und Nutzen in medizinischen Daten zu erkennen. Durch die Zusammenarbeit mit Fachexperten wurden Proxy‑Ground‑Truth‑Graphen für synthetische Datensätze zu Alzheimer‑ und Herzinsuffizienzpatienten erstellt, die als Benchmark dienen.

Die Algorithmen Peter‑Clark (PC), Greedy Equivalence Search (GES) und Fast Causal Inference (FCI) wurden hinsichtlich ihrer strukturellen Rekonstruktion und einer detaillierten Path‑Specific‑Fairness‑Decomposition bewertet – ein Ansatz, der weit über die üblichen Gesamt‑Fairness‑Scores hinausgeht.

Bei synthetischen Alzheimer‑Daten erzielte PC die beste strukturelle Rekonstruktion, während FCI bei Herzinsuffizienzdaten die höchste Nutzen‑Leistung zeigte. Besonders auffällig war, dass der Ejektionsquotient im Ground‑Truth‑Graphen 3,37 Prozentpunkte zum indirekten Effekt beitrug, was die Fairness‑Nutzen‑Verhältnisse zwischen den Algorithmen stark beeinflusste.

Die Ergebnisse unterstreichen die Notwendigkeit, Fairness unter Berücksichtigung der zugrunde liegenden Graphstruktur zu bewerten und path‑spezifische Analysen in klinischen Anwendungen zu integrieren. Diese Erkenntnisse legen den Grundstein für eine verantwortungsvolle und gerechte Nutzung von Kausalitätsalgorithmen im Gesundheitswesen.