📊 statistics

Causal Fairness for Survival Analysis

Dieser Beitrag stellt einen nicht-parametrischen kausalen Rahmen für Fairness in der Überlebenszeitanalyse vor, der zeitliche Disparitäten in direkte, indirekte und scheinbare Pfade zerlegt, um deren Ursprünge und Entwicklung zu erklären, was durch eine Analyse rassischer Disparitäten bei ICU-Ergebnissen demonstriert wird.

Ursprüngliche Autoren: Drago Plecko

Veröffentlicht 2026-05-13

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Drago Plecko

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Warum „Fairness" eine Zeitmaschine braucht

Stellen Sie sich vor, Sie leiten ein Krankenhaus und möchten wissen, ob Ihre Behandlung für alle gerecht ist. Sie schauen sich Ihre Daten an und sehen, dass eine Patientengruppe (nennen wir sie Gruppe A) länger zu überleben scheint als eine andere Gruppe (Gruppe B).

In der Vergangenheit wären Datenwissenschaftler hier stehengeblieben. Sie hätten gesagt: „Okay, Gruppe A lebt länger. Vielleicht müssen wir die Behandlung für Gruppe B verbessern." Sie betrachteten nur den Momentaufnahm des Ergebnisses.

Dieses Paper argumentiert jedoch, dass der Blick auf den Momentaufnahm nicht ausreicht. Es ist wie bei einem Autounfall, bei dem man nur fragt: „Wer hat gefahren?", ohne zu fragen: „War die Straße vereist? War das Auto defekt? Hat der Fahrer unterwegs einen Reifenpanne gehabt?"

Der Autor, Drago Plečko, möchte eine „Zeitmaschine für Fairness" bauen. Anstatt nur das Endergebnis zu betrachten (wer starb und wann), betrachtet diese Methode die Reise, um zu verstehen, warum die Gruppen unterschiedlich endeten. Sie fragt: Ist der Unterschied direkt auf die Gruppenzugehörigkeit zurückzuführen? Ist er auf die medizinischen Zustände zurückzuführen, mit denen sie ankamen? Oder ist er auf versteckte Faktoren wie ihren Wohnort oder ihr Einkommen zurückzuführen?

Das Problem mit alten Methoden: Die „Black Box" der Statistik

Aktuelle Methoden zur Überprüfung der Fairness bei zeitbasierten Daten (wie „Zeit bis zum Tod" oder „Zeit bis zum Ausfall einer Maschine") sind wie eine Black Box. Sie geben Daten hinein und erhalten eine Zahl heraus, die besagt: „Es gibt einen 5-prozentigen Unterschied zwischen Gruppe A und Gruppe B."

Das Problem ist, dass diese Zahl nicht erklärt, warum.

Liegt der 5-prozentige Unterschied daran, dass das Krankenhaus Gruppe B schlechter behandelt? (Direkte Ungerechtigkeit).
Liegt es daran, dass Gruppe B kranker ankommt? (Indirekte Ungerechtigkeit).
Liegt es daran, dass Gruppe B im Durchschnitt jünger oder älter ist, was die Überlebensraten natürlich verändert? (Scheinbare/verworrene Ungerechtigkeit).

Alte statistische Methoden können diese drei Gründe nicht trennen. Sie liefern nur ein verschwommenes Bild.

Die Lösung: Eine kausale Karte (Das „Rezept" für Ungleichheiten)

Dieses Paper stellt einen neuen Rahmen vor, der wie ein detailliertes Rezept zum Verständnis von Ungleichheiten wirkt. Es zerlegt die „Überlebenslücke" in drei verschiedene Zutaten:

Der direkte Pfad (Der „Frontal"-Effekt): Dies ist der Effekt der Gruppenzugehörigkeit an sich. Stellen Sie sich zwei Läufer vor, die ein Rennen beginnen. Wenn der Schiedsrichter (das System) einen Läufer stolpern lässt, aber nicht den anderen, ist das ein direkter ungerechter Effekt. Im Krankenhausbeispiel wäre dies der Fall, wenn das Behandlungsprotokoll selbst eine Rasse anders behandelt als eine andere, unabhängig von deren Gesundheit.
Der indirekte Pfad (Der „Umweg"-Effekt): Hier führt die Gruppenzugehörigkeit zu einem anderen Startzustand, der dann zum Ergebnis führt. Stellen Sie sich vor, Gruppe B muss wegen ihres Viertels einen längeren, ruppigeren Weg zum Startlinie zurücklegen. Sie kommen müde und außer Atem an. Das Rennergebnis ist schlechter, aber nicht weil der Schiedsrichter sie stolpern ließ, sondern wegen des Umwegs, den sie machen mussten. Im Paper repräsentiert dies, wie die Rasse die Schwere der Erkrankung oder den Zugang zur Versorgung vor der Aufnahme auf der Intensivstation beeinflussen kann.
Der scheinbare Pfad (Der „Zufall"-Effekt): Dies ist eine falsche Verbindung. Stellen Sie sich vor, Gruppe B ist im Durchschnitt jünger. Jüngere Menschen laufen natürlich schneller. Wenn Gruppe B gewinnt, liegt das nicht an den Rennregeln oder dem Weg, sondern einfach daran, dass sie jünger sind. Dies ist eine „scheinbare" Korrelation. Die Methode des Papers hilft uns zu erkennen, dass dies keine „Ungerechtigkeit" im System ist, sondern ein natürlicher demografischer Unterschied.

Die drei Szenarien: Umgang mit den „fehlenden Teilen"

Im echten Leben sind Daten chaotisch. Manchmal wissen wir nicht genau, wann ein Patient gestorben ist, weil er die Studie vorzeitig verlassen hat (dies nennt man „Zensierung"). Das Paper behandelt drei verschiedene Arten, wie dieses Chaos auftreten kann:

Der „zufällige Austritt" (Nicht-informative Zensierung): Stellen Sie sich vor, ein Patient verlässt die Studie einfach, weil die Studie zu Ende ist oder er umgezogen ist. Dies ist zufällig. Die Methode des Papers funktioniert hier perfekt und nutzt Standardwerkzeuge, um die oben genannten drei Pfade zu entwirren.
Die „konkurrierenden Risiken" (Mehrere schlechte Ergebnisse): Stellen Sie sich vor, ein Patient könnte an einem Herzinfarkt ODER an einem Schlaganfall sterben. Beides ist schlecht, aber es sind unterschiedliche Ereignisse. Das Paper passt seine Methode an, um die Fairness für jedes spezifische Art von schlechtem Ereignis zu verfolgen und sicherzustellen, dass wir sie nicht vermischen.
Der „verdächtige Austritt" (Informative Zensierung): Dies ist der knifflige Fall. Stellen Sie sich vor, Patienten verlassen die Studie frühzeitig, weil sie kranker werden, und die Forscher hören auf, sie zu verfolgen. Der Grund für ihren Austritt hängt mit dem Ergebnis zusammen. Das Paper verwendet ein mathematisches Werkzeug namens „Copula" (stellen Sie sich dies als eine flexible Gummimatte vor, die sich dehnt, um zu den Daten zu passen), um zu erraten, was passiert wäre, wenn wir das ganze Bild sehen könnten. Es liefert keine einzelne Antwort, sondern einen Bereich von Möglichkeiten (Grenzen), basierend darauf, wie stark diese „verdächtige" Verbindung sein könnte.

Der Realwelt-Test: Intensivstation-Patienten in Australien

Um zu beweisen, dass dies funktioniert, wandte der Autor dies auf echte Daten aus der Intensivstation (ICU) in Australien und Neuseeland an. Sie betrachteten fast 250.000 Patienten und verglichen indigene und nicht-indigene Patienten.

Was sie fanden:
Wenn man nur den gesamten Überlebensunterschied betrachtete, waren die Zahlen verwirrend. Manchmal schienen indigene Patienten schlechter abzuschneiden, manchmal besser, und der durchschnittliche Unterschied war fast null. Es sah aus wie „kein großes Problem".

Aber als sie die „Zeitmaschine" (die kausale Zerlegung) verwendeten:

Der direkte Pfad: Zeigte, dass indigene Patienten tatsächlich einen leichten Überlebensvorteil hatten, wenn man alles andere ignorierte.
Der indirekte Pfad: Zeigte einen enormen Nachteil. Indigene Patienten kamen mit viel schwereren chronischen Erkrankungen und schwerwiegenderen Krankheiten an. Dieser „Umweg" zog ihre Überlebenschancen erheblich nach unten.
Der scheinbare Pfad: Zeigte einen Vorteil. Indigene Patienten waren bei der Aufnahme im Durchschnitt jünger, was ihnen natürlich half, länger zu überleben.

Die Lehre: Der „Null-Unterschied" in den Gesamtzahlen war eine Lüge. Er verbarg zwei massive, entgegengesetzte Kräfte: einen enormen Nachteil, der durch gesundheitliche Ungleichheiten verursacht wurde (Indirekt), und einen natürlichen Vorteil, der durch das Alter verursacht wurde (Scheinbar). Ohne diese neue Methode hätte ein Krankenhausverwalter vielleicht gedacht: „Alles ist fair", und den Fakt übersehen, dass indigene Patienten in viel schlechterem Zustand auf die Intensivstation kamen.

Zusammenfassung

Dieses Paper bietet ein neues Werkzeugset für Datenwissenschaftler und Ärzte. Anstatt nur zu fragen: „Gibt es eine Lücke?", fragt es: „Woher kommt die Lücke?"

Es trennt die ungerechte Behandlung (Direkt), die ungerechten Startbedingungen (Indirekt) und die natürlichen Unterschiede (Scheinbar). Indem es dies tut, hilft es uns zu verstehen, dass „Fairness" nicht nur das Endergebnis betrifft, sondern die gesamte Reise dorthin. Dies ermöglicht es uns, den spezifischen Teil des Systems zu reparieren, der kaputt ist, anstatt zu raten.

Technische Zusammenfassung: Kausale Fairness für Überlebensanalysen

Problemstellung

In hochriskanten Bereichen wie Gesundheitswesen, Beschäftigung und Strafjustiz verlassen sich maschinelle Lernsysteme zunehmend auf groß angelegte Datensätze, um Entscheidungen zu treffen. Während das Feld des Fair Machine Learning (Fair ML) bedeutende Fortschritte bei der Bias-Erkennung und fairen Vorhersage erzielt hat, konzentrieren sich diese Bemühungen weitgehend auf statische Szenarien (Einzelzeitpunkt-Aufnahmen). Im Gegensatz dazu bleibt Fairness in temporalen Kontexten, insbesondere in der Überlebensanalyse oder Zeit-bis-zum-Ereignis (TTE)-Analyse, weitgehend unerforscht.

Bestehende Ansätze zur fairen Überlebensanalyse übernehmen überwiegend statistische Fairness-Definitionen. Die Arbeit argumentiert, dass selbst bei unbegrenzten Daten statistische Definitionen die kausalen Mechanismen, die Disparitäten erzeugen, nicht entwirren können. Sie versagen darin, zwischen direkten Effekten eines geschützten Attributs, indirekten Effekten, die über andere Variablen vermittelt werden, und spuriosen (verworrenen) Effekten zu unterscheiden. Diese Einschränkung verhindert eine für Menschen verständliche Erklärung, warum Disparitäten entstehen und wie sie sich im Laufe der Zeit entwickeln.

Methodik

Die Autoren schlagen ein nicht-parametrisches kausales Framework für Fairness in der TTE-Analyse vor. Der Ansatz basiert auf Strukturellen Kausalen Modellen (SCMs) und durchläuft vier distincte Schritte:

Formalisierung von Annahmen: Die Autoren passen das Standard Fairness Model (SFM) an die Überlebensanalyse an. Dieses graphische Modell umfasst:
- $X$ : Geschütztes Attribut (z. B. Ethnie).
- $Z$ : Confounder (nicht kausal durch $X$ beeinflusst).
- $W$ : Mediatoren (potenziell durch $X$ beeinflusst).
- $T$ : Überlebenszeit (nicht beobachtet).
- $C$ : Zensierungszeit.
- $(M, \delta)$ : Beobachtete Daten, wobei $M = \min(T, C)$ und $\delta$ angibt, ob das Ereignis eingetreten ist.
  Das Framework betrachtet drei Zensierungsregime:
- Nicht-informative Zensierung (NIC): $T \perp \perp C \mid X, Z, W$ .
- Konkurrierende Risiken (CR): Mehrere Ereignistypen ( $T_1, \dots, T_K$ ), bei denen alle von Interesse sind.
- Informative Zensierung (IC): $T$ und $C$ teilen nicht beobachtete gemeinsame Ursachen, was eine Sensitivitätsanalyse erfordert.
Wiederherstellung der bedingten Überlebensfunktion: Das Verfahren rekonstruiert zunächst die bedingte Überlebensfunktion $P(T \mid X, Z, W)$ (oder kumulative Inzidenzfunktionen in CR-Szenarien) aus den beobachteten zensierten Daten $(M, \delta)$ .
Kausaler Reduktionssatz: Ein zentraler theoretischer Beitrag ist der Kausale Reduktionssatz (Theorem 1). Er beweist, dass jede Funktion $\Phi$ der bedingten Überlebensverteilung (z. B. Überlebenswahrscheinlichkeit zum Zeitpunkt $t$ ) eine deterministische Funktion von $(X, Z, W)$ ist. Dies ermöglicht eine Umformulierung des Problems: Anstatt die komplexe Überlebenskurve direkt zu analysieren, kann man die kausalen Effekte von $X$ auf die abgeleitete Variable $\Phi$ analysieren. Dies ermöglicht die Zerlegung von Disparitäten in:
- Direkter Effekt (DE): $X \to T$ (oder $X \to \Phi$ ).
- Indirekter Effekt (IE): $X \to W \to T$ .
- Spuriöser Effekt (SE): $X \leftrightarrow Z \to T$ .
Effiziente Schätzung: Die Arbeit liefert Schätzstrategien für diese Effekte:
- Modellbasierte Schätzung: Nutzung von Random Survival Forests (RSF) zur Schätzung bedingter Hazard-Raten und Propensitäten.
- Doubly-Robust-Schätzung: Die Autoren leiten eine neue Einflussfunktion (Theorem 2) für zensierte Daten ab, die eine konsistente Schätzung ermöglicht, selbst wenn eines der Störungsmodelle (Überleben oder Zensierung) falsch spezifiziert ist.
- Umgang mit informativer Zensierung: Für IC-Szenarien verwendet die Arbeit einen Copula-Graphic-Schätzer (CGE) auf Basis von Archimedischen Copulas. Da die gemeinsame Verteilung ohne starke Annahmen nicht vollständig identifizierbar ist, leiten die Autoren scharfe Schranken (Theorem 3) für die Überlebensfunktion ab, die sich bei Verfeinerung des Zeitgitters zu Punktschätzungen zusammenziehen.

Hauptbeiträge

Formalisierung kausaler Fairness in TTE: Die Arbeit formalisiert kausale Fairness spezifisch für die Überlebensanalyse und beweist den Kausalen Reduktionssatz, um eine Pfadzerlegung von Disparitäten über die Zeit zu ermöglichen.
Identifikationsergebnisse: Es werden Identifikationsergebnisse für kausale Effekte unter drei verschiedenen Regimen abgeleitet: nicht-informative Zensierung, konkurrierende Risiken und informative Zensierung.
Neue technische Schätzer:
- Ein doubly-robuster Schätzer für kontrafaktische Effekte in zensierten Daten (Theorem 2).
- Scharfe Schranken für die Copula-Graphic-Schätzung bei nicht-disjunkten Inkrementen (Theorem 3), die die Herausforderung der informativen Zensierung ohne Annahme von Unabhängigkeit adressieren.
Empirische Anwendung: Das Framework wird auf einen realen Datensatz von ICU-Aufnahmen angewendet, um rassische Disparitäten in der Mortalität nach der ICU und Wiederaufnahmen zu analysieren.

Ergebnisse

Die Methodik wurde auf die ANZICS Adult Patient Database (249.958 Patienten, einschließlich 10.436 indigene Patienten) angewendet, um rassische Disparitäten zu untersuchen in:

Zeit bis zum Tod (Nicht-informative Zensierung):
- Die Standardstatistische Analyse (Total Variation-Maß) zeigte nach 80 Tagen eine nahezu Null-Disparität, was auf keinen Unterschied hindeutete.
- Die kausale Zerlegung enthüllte, dass dieses Null-Ergebnis erhebliche, entgegengesetzte pfadspezifische Effekte verschleierte:
  - Direkter Effekt: Minderheitenpatienten zeigten eine verbesserte Überlebensrate auf dem direkten Pfad.
  - Indirekter Effekt: Minderheitenpatienten zeigten eine verringerte Überlebensrate aufgrund höherer Belastungen durch chronische/akute Erkrankungen (vermittelt durch $W$ ).
  - Spuriöser Effekt: Minderheitenpatienten zeigten eine verbesserte Überlebensrate aufgrund eines niedrigeren Durchschnittsalters bei der Aufnahme (verworren durch $Z$ ).
- Die Zerlegung zeigte, dass Standardstatistische Fairness-Metriken die zugrunde liegenden kausalen Mechanismen, die Disparitäten antreiben, verschleiern können.
Zeit bis zur Wiederaufnahme (Informative Zensierung):
- Analysiert unter der Annahme, dass der Tod als informative Zensierung für Wiederaufnahmen wirkt.
- Unter Verwendung einer Sensitivitätsanalyse mit variierenden Abhängigkeitsparametern ( $\tau$ ) ergab die Studie, dass Minderheitenpatienten einer höheren Belastung durch Wiederaufnahmen ausgesetzt waren, die weitgehend durch indirekte Effekte (komplexere Diagnosen und schlechtere chronische Gesundheit) und direkte Effekte getrieben wurde, trotz einer geringeren spuriosen Belastung aufgrund des Alters.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass ihr Ansatz eine prinzipielle, für Menschen verständliche Erklärung von Überlebensdisparitäten liefert, die von Standardstatistischen Fairness-Analysen übersehen werden. Indem sie über statische Aufnahmen und statistische Definitionen hinausgeht, ermöglicht das Framework Forschern:

Zu entwirren, ob Disparitäten durch das geschützte Attribut selbst (direkt), durch systemische Faktoren, die Mediatoren beeinflussen (indirekt), oder durch Confounder (spuriös) verursacht werden.
Zu beobachten, wie sich diese Disparitäten im Laufe der Zeit entwickeln, anstatt sie als einzelne aggregierte Zahl zu behandeln.
Komplexe reale Datenszenarien zu bewältigen, einschließlich konkurrierender Risiken und informativer Zensierung, die im Gesundheitswesen häufig vorkommen, aber in der Fair-ML-Literatur oft ignoriert werden.

Die Autoren betonen, dass ihr Framework zwar auf spezifischen kausalen Annahmen beruht (kodiert im SFM), diese Annahmen jedoch die Identifikation kausaler Mechanismen ermöglichen, die mit rein statistischen Methoden sonst nicht identifizierbar wären. Sie räumen Einschränkungen ein, wie die Abhängigkeit von der Annahme der Archimedischen Copula für informative Zensierung und die Annahme zeitinvarianter Kovariaten, und verweisen diese als Richtungen für zukünftige Arbeiten.