📊 statistics

Causal Fairness for Survival Analysis

Dit artikel introduceert een niet-parametrisch causaal raamwerk voor eerlijkheid in overlevingsanalyse dat temporele dispariteiten ontleedt in directe, indirecte en schijnbare paden om hun oorsprong en evolutie te verklaren, gedemonstreerd aan de hand van een analyse van raciale dispariteiten in IC-uitkomsten.

Oorspronkelijke auteurs: Drago Plecko

Gepubliceerd 2026-05-13

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Drago Plecko

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: Waarom "Fairness" een Tijdmachine Nodig Heeft

Stel je voor dat je een ziekenhuis runt en je wilt weten of je behandeling voor iedereen eerlijk is. Je kijkt naar je gegevens en ziet dat één groep patiënten (laten we hen Groep A noemen) langer lijkt te leven dan een andere groep (Groep B).

In het verleden zouden datawetenschappers daar stoppen. Ze zouden zeggen: "Oké, Groep A leeft langer. Misschien moeten we de behandeling voor Groep B verbeteren." Ze keken naar het momentopname van het resultaat.

Maar dit artikel betoogt dat het kijken naar de momentopname niet genoeg is. Het is als een auto-ongeluk zien en alleen vragen: "Wie reed er?" zonder te vragen: "Was de weg glad? Was de auto kapot? Kreeg de bestuurder onderweg een lekke band?"

De auteur, Drago Plečko, wil een "Tijdmachine voor Fairness" bouwen. In plaats van alleen naar het eindresultaat te kijken (wie stierf en wanneer), kijkt deze methode naar de reis om te zien waarom de groepen uiteindelijk verschillend eindigden. Het vraagt: Gebeurde het verschil door de identiteit van de groep zelf? Gebeurde het door de medische aandoeningen waarmee ze aankwamen? Of gebeurde het door verborgen factoren zoals waar ze wonen of hun inkomen?

Het Probleem met Oude Methoden: De "Black Box" van Statistiek

Huidige methoden om eerlijkheid te controleren in tijd-gebaseerde gegevens (zoals "tijd tot overlijden" of "tijd tot een machine kapot gaat") zijn als een black box. Je stopt gegevens erin en krijgt een getal eruit dat zegt: "Er is een verschil van 5% tussen Groep A en Groep B."

Het probleem is dat dit getal je niet vertelt waarom.

Is het 5% verschil omdat het ziekenhuis Groep B slechter behandelt? (Directe onrechtvaardigheid).
Is het omdat Groep B zieker aankomt? (Indirecte onrechtvaardigheid).
Is het omdat Groep B over het algemeen jonger of ouder is, wat natuurlijk de overlevingskansen verandert? (Schijnbare/Verward onrechtvaardigheid).

Oude statistische methoden kunnen deze drie redenen niet van elkaar scheiden. Ze geven je gewoon een wazig beeld.

De Oplossing: Een Causale Kaart (Het "Recept" voor Ongelijkheden)

Dit artikel introduceert een nieuw raamwerk dat fungeert als een gedetailleerd recept voor het begrijpen van ongelijkheden. Het breekt de "overlevingskloof" op in drie verschillende ingrediënten:

Het Directe Pad (Het "Frontale" Effect): Dit is het effect van de groepsidentiteit zelf. Stel je twee hardlopers voor die een race beginnen. Als de scheidsrechter (het systeem) één hardloper struikelt en de ander niet, dan is dat een direct onrechtvaardig effect. In het ziekenhuisvoorbeeld zou dit zijn als het behandelprotocol zelf één ras anders behandelt dan een ander, ongeacht hun gezondheid.
Het Indirecte Pad (Het "Omweg"-Effect): Dit is waar de groepsidentiteit leidt tot een andere startconditie, wat vervolgens leidt tot het resultaat. Stel je voor dat Groep B een langere, ruwere weg moet lopen om bij de startlijn te komen vanwege hun wijk. Ze komen vermoeid en buiten adem aan. Het race-resultaat is slechter, maar niet omdat de scheidsrechter hen struikelde; het is vanwege de omweg die ze gedwongen werden te nemen. In het artikel vertegenwoordigt dit hoe ras de ernst van ziekte of toegang tot zorg kan beïnvloeden voordat de opname op de IC plaatsvindt.
Het Schijnbare Pad (Het "Toeval"-Effect): Dit is een nepverbinding. Stel je voor dat Groep B toevallig gemiddeld jonger is. Jongere mensen rennen van nature sneller. Als Groep B wint, is het niet vanwege de race-regels of het pad; het is gewoon omdat ze jonger zijn. Dit is een "schijnbare" correlatie. De methode van het artikel helpt ons te zien dat dit geen "onrechtvaardigheid" in het systeem is, maar een natuurlijke demografische verschill.

De Drie Scenario's: Omgaan met de "Ontbrekende Delen"

In het echte leven zijn gegevens rommelig. Soms weten we niet precies wanneer een patiënt overleed omdat ze de studie te vroeg verlieten (dit heet "censuur"). Het artikel behandelt drie verschillende manieren waarop deze rommeligheid kan gebeuren:

De "Willekeurige Exit" (Niet-informatieve Censuur): Stel je voor dat een patiënt de studie verlaat omdat de studie gewoon eindigde, of omdat ze verhuisden. Dit is willekeurig. De methode van het artikel werkt hier perfect, met behulp van standaardtools om de drie hierboven genoemde paden uit elkaar te halen.
De "Concurrerende Risico's" (Meerdere Slechte Uitkomsten): Stel je voor dat een patiënt kan overlijden aan een hartaanval OF een beroerte. Beide zijn slecht, maar het zijn verschillende gebeurtenissen. Het artikel past zijn methode aan om eerlijkheid te volgen voor elk specifiek type slechte gebeurtenis, zodat we ze niet door elkaar halen.
De "Verdachte Exit" (Informatieve Censuur): Dit is de lastige. Stel je voor dat patiënten de studie te vroeg verlaten omdat ze ziekter worden, en de onderzoekers stoppen met het volgen van hen. De reden dat ze vertrokken, hangt samen met de uitkomst. Het artikel gebruikt een wiskundig hulpmiddel genaamd een "Copula" (stel je voor als een flexibel rubberen vel dat uitrekt om bij de gegevens te passen) om te raden wat er zou zijn gebeurd als we het hele plaatje hadden kunnen zien. Het geeft niet één enkel antwoord, maar biedt een reeks van mogelijkheden (grenzen) op basis van hoe sterk die "verdachte" verbinding misschien is.

De Wereldwijde Test: IC-patiënten in Australië

Om te bewijzen dat dit werkt, paste de auteur het toe op echte gegevens van de Intensive Care Unit (IC) in Australië en Nieuw-Zeeland. Ze keken naar bijna 250.000 patiënten en vergeleken inheemse en niet-inheemse patiënten.

Wat ze vonden:
Als je alleen keek naar het totale overlevingsverschil, waren de getallen verwarrend. Soms leken inheemse patiënten het slechter te doen, soms beter, en was het gemiddelde verschil bijna nul. Het leek op "geen groot probleem".

Maar toen ze de "Tijdmachine" gebruikten (de causale decompositie):

Het Directe Pad: Toonde aan dat inheemse patiënten eigenlijk een licht overlevingsvoordeel hadden als je alles anders negeerde.
Het Indirecte Pad: Toonde een enorm nadeel. Inheemse patiënten kwamen aan met veel ernstigere chronische aandoeningen en ernstigere ziektes. Deze "omweg" trok hun overleving aanzienlijk naar beneden.
Het Schijnbare Pad: Toonde een voordeel. Inheemse patiënten waren, gemiddeld, jonger bij opname, wat hen van nature hielp langer te overleven.

De Les: Het "nulverschil" in de totale getallen was een leugen. Het verborg twee enorme, tegenstrijdige krachten: een enorm nadeel veroorzaakt door gezondheidsongelijkheden (Indirect) en een natuurlijk voordeel veroorzaakt door leeftijd (Schijnbaar). Zonder deze nieuwe methode zou een ziekenhuisbeheerder misschien hebben gedacht: "Alles is eerlijk," en het feit gemist dat inheemse patiënten in veel slechtere staat aankwamen op de IC.

Samenvatting

Dit artikel biedt een nieuwe toolkit voor datawetenschappers en artsen. In plaats van alleen te vragen: "Is er een kloof?", vraagt het: "Waar komt de kloof vandaan?"

Het scheidt de onrechtvaardige behandeling (Direct), de onrechtvaardige startcondities (Indirect) en de natuurlijke verschillen (Schijnbaar). Door dit te doen, helpt het ons begrijpen dat "fairness" niet alleen gaat over de eindscore; het gaat over de hele reis die eraan voorafgaat. Dit stelt ons in staat om het specifieke deel van het systeem dat kapot is te repareren, in plaats van te gissen.

Technische Samenvatting: Causale Rechtvaardigheid voor Survivalanalyse

Probleemstelling

In hoog-risicodomeinen zoals gezondheidszorg, werkgelegenheid en strafrecht zijn machine learning-systemen steeds meer afhankelijk van grootschalige datasets om beslissingen te ondersteunen. Hoewel het veld van Fair Machine Learning (Fair ML) aanzienlijke vooruitgang heeft geboekt in het detecteren van bias en het voorspellen van eerlijke uitkomsten, richten deze inspanningen zich grotendeels op statische settings (momentopnames op één tijdstip). Daarentegen blijft rechtvaardigheid in temporele contexten, specifiek Survivalanalyse of Time-to-Event (TTE) analyse, onderbelicht.

Bestaande benaderingen voor eerlijke survivalanalyse hanteren voornamelijk statistische rechtvaardigheidsdefinities. Het artikel betoogt dat zelfs met onbeperkte data statistische definities de causale mechanismen die discrepanties genereren, niet kunnen ontwarren. Ze falen in het onderscheid maken tussen directe effecten van een beschermde eigenschap, indirecte effecten die gemedieerd worden door andere variabelen, en schijnbare (verward) effecten. Deze beperking verhindert een voor mensen begrijpelijke uitleg van waarom discrepanties ontstaan en hoe ze zich in de loop van de tijd ontwikkelen.

Methodologie

De auteurs stellen een niet-parametrisch causaal raamwerk voor rechtvaardigheid in TTE-analyse voor. De aanpak is gebaseerd op Structurele Causale Modellen (SCM's) en verloopt via vier distincte stappen:

Formalisatie van Aannames: De auteurs passen het Standaard Rechtvaardigheidsmodel (SFM) aan voor survivalanalyse. Dit grafische model omvat:
- $X$ : Beschermde eigenschap (bijv. ras).
- $Z$ : Verwarrende variabelen (niet causaal beïnvloed door $X$ ).
- $W$ : Mediatoren (potentieel beïnvloed door $X$ ).
- $T$ : Overlevingstijd (niet-geobserveerd).
- $C$ : Censureringstijd.
- $(M, \delta)$ : Geobserveerde data, waarbij $M = \min(T, C)$ en $\delta$ aangeeft of het event is opgetreden.
  Het raamwerk beschouwt drie censureringsregimes:
- Niet-informatieve Censurering (NIC): $T \perp \perp C \mid X, Z, W$ .
- Concurrerende Risico's (CR): Meerdere eventtypen ( $T_1, \dots, T_K$ ) waarvoor allen van belang zijn.
- Informatieve Censurering (IC): $T$ en $C$ delen niet-geobserveerde gemeenschappelijke oorzaken, wat gevoeligheidsanalyse vereist.
Herstel van Conditionele Overleving: De methode herstelt eerst de conditionele overlevingsfunctie $P(T \mid X, Z, W)$ (of Cumulatieve Incidentiefuncties in CR-settings) uit de geobserveerde gecensureerde data $(M, \delta)$ .
Causale Reductiestelling: Een kern theoretische bijdrage is de Causale Reductiestelling (Stelling 1). Deze bewijst dat elke functionaal $\Phi$ van de conditionele overlevingsverdeling (bijv. overlevingskans op tijdstip $t$ ) een deterministische functie is van $(X, Z, W)$ . Dit maakt het mogelijk het probleem te herformuleren: in plaats van de complexe overlevingscurve direct te analyseren, kan men de causale effecten van $X$ op de afgeleide variabele $\Phi$ analyseren. Dit maakt de decompositie van discrepanties mogelijk in:
- Direct Effect (DE): $X \to T$ (of $X \to \Phi$ ).
- Indirect Effect (IE): $X \to W \to T$ .
- Schijnbaar Effect (SE): $X \leftrightarrow Z \to T$ .
Efficiënte Schatting: Het artikel biedt schattingsstrategieën voor deze effecten:
- Modelgebaseerde Schatting: Het gebruik van Random Survival Forests (RSF) om conditionele hazards en propensiteiten te schatten.
- Dubbel-Robuuste Schatting: De auteurs leiden een nieuwe invloedfunctie (Stelling 2) voor gecensureerde data af, wat consistente schatting mogelijk maakt zelfs als een van de nuisance-modellen (survival of censurering) verkeerd gespecificeerd is.
- Omgaan met Informatieve Censurering: Voor IC-settings hanteert het artikel een Copula-Grafische Schatter (CGE) gebaseerd op Archimedische copula's. Aangezien de gezamenlijke verdeling niet volledig identificeerbaar is zonder sterke aannames, leiden de auteurs scherpe grenzen (Stelling 3) af voor de overlevingsfunctie, die samenvallen tot punt-schattingen naarmate het tijdsrooster verfijnt.

Belangrijkste Bijdragen

Formalisatie van Causale Rechtvaardigheid in TTE: Het artikel formaliseert causale rechtvaardigheid specifiek voor survivalanalyse, waarbij de Causale Reductiestelling wordt bewezen om pad-decompositie van discrepanties in de tijd mogelijk te maken.
Identificatieresultaten: Het leidt identificatieresultaten af voor causale effecten onder drie distincte regimes: niet-informatieve censurering, concurrerende risico's en informatieve censurering.
Nieuwe Technische Schatters:
- Een dubbel-robuuste schatter voor contrafactuele effecten in gecensureerde data (Stelling 2).
- Scherpe grenzen voor copula-grafische schatting onder niet-disjuncte incrementen (Stelling 3), wat de uitdaging van informatieve censurering aanpakt zonder onafhankelijkheid aan te nemen.
Empirische Toepassing: Het raamwerk wordt toegepast op een real-world dataset van IC-opnames om raciale discrepanties in mortaliteit na de IC en heropname te analyseren.

Resultaten

De methodologie werd toegepast op de ANZICS Adult Patient Database (249.958 patiënten, waaronder 10.436 inheemse patiënten) om raciale discrepanties te bestuderen in:

Time-to-Death (Niet-informatieve Censurering):
- Standaard statistische analyse (Totale Variatie maat) toonde na 80 dagen een bijna-nul discrepantie, wat suggereerde dat er geen verschil was.
- Causale Decompositie onthulde dat dit nultresultaat substantiële, tegenstrijdige pad-specifieke effecten maskerde:
  - Direct Effect: Minderheden toonden verbeterde overleving langs het directe pad.
  - Indirect Effect: Minderheden toonden verminderde overleving als gevolg van hogere lasten van chronische/acute ziekte (gemedieerd door $W$ ).
  - Schijnbaar Effect: Minderheden toonden verbeterde overleving als gevolg van een lagere gemiddelde leeftijd bij opname (verward door $Z$ ).
- De decompositie toonde aan dat standaard statistische rechtvaardigheidsmaten de onderliggende causale mechanismen die discrepanties aandrijven, kunnen verdoezelen.
Time-to-Readmission (Informatieve Censurering):
- Geanalyseerd onder de aanname dat overlijden fungeert als informatieve censurering voor heropname.
- Met behulp van gevoeligheidsanalyse met variërende afhankelijkheidsparameters ( $\tau$ ) vond de studie dat minderheden een hogere last van heropname ondervonden, grotendeels gedreven door indirecte effecten (complexere diagnoses en slechtere chronische gezondheid) en directe effecten, ondanks een lagere schijnbare last door leeftijd.

Betekenis en Claims

Het artikel claimt dat zijn aanpak een principieel, voor mensen begrijpelijke uitleg biedt van overlevingsdiscrepanties die standaard statistische rechtvaardigheidsanalyses missen. Door voorbij te gaan aan statische momentopnames en statistische definities, stelt het raamwerk onderzoekers in staat om:

Ontwarren of discrepanties worden veroorzaakt door de beschermde eigenschap zelf (direct), door systemische factoren die mediatoren beïnvloeden (indirect), of door verwarrende variabelen (schijnbaar).
Observeren hoe deze discrepanties in de tijd evolueren, in plaats van ze te behandelen als één enkel geaggregeerd getal.
Omgaan met complexe real-world datasituaties, waaronder concurrerende risico's en informatieve censurering, die veel voorkomen in de gezondheidszorg maar vaak worden genegeerd in de Fair ML-literatuur.

De auteurs benadrukken dat hun raamwerk weliswaar rust op specifieke causale aannames (gecodeerd in het SFM), maar dat deze aannames identificatie van causale mechanismen mogelijk maken die anders onidentificeerbaar zouden zijn met statistische methoden alleen. Ze erkennen beperkingen, zoals de afhankelijkheid van de aanname van Archimedische copula's voor informatieve censurering en de aanname van tijd-invariante covariaten, en noteren deze als richtingen voor toekomstig werk.