Abordando el sesgo en los modelos de predicción del COVID-19

Los modelos de predicción de casos de COVID-19 han sido herramientas importantes durante la pandemia. Ayudan a guiar decisiones sobre cómo asignar recursos como camas de hospital y qué intervenciones imponer, como órdenes de quedarse en casa. Estos modelos suelen usar técnicas avanzadas que combinan varios tipos de datos, incluyendo información sobre dónde viajan las personas y características demográficas. Sin embargo, algunos estudios han mostrado que ciertos grupos raciales y étnicos pueden no estar representados de manera precisa en estos conjuntos de datos, lo que lleva a predicciones injustas basadas en la raza.

Este artículo habla sobre un nuevo enfoque, llamado DemOpts, que busca mejorar la equidad en estas predicciones. Vamos a explicar cómo los modelos tradicionales pueden producir resultados sesgados y cómo DemOpts modifica estos modelos para dar predicciones más justas entre diferentes grupos raciales y étnicos.

#El papel de los modelos de predicción en COVID-19

Predecir los casos de COVID-19 es crucial para manejar la pandemia. Los pronósticos precisos permiten a los hospitales prepararse para la cantidad de pacientes que podrían recibir, asegurando que tengan suficientes camas, suministros y personal. Los funcionarios de salud pública también pueden usar estas predicciones para decidir cuándo implementar bloqueos u otras restricciones.

En Estados Unidos, se han desarrollado varios modelos de pronóstico que a menudo se usan a nivel estatal y de condado. Estos modelos se basan en datos históricos sobre casos de COVID-19, combinados con otras entradas como demografía y patrones de movilidad. Por ejemplo, los datos de movilidad muestran cómo se mueven las personas y podrían dar pistas sobre cómo se propaga el virus.

A pesar de la importancia de estos modelos, hay preocupaciones sobre su precisión, especialmente para las poblaciones minoritarias. Investigaciones han encontrado que los Errores de predicción tienden a variar significativamente entre grupos raciales y étnicos, lo que plantea dudas sobre la equidad en el proceso de toma de decisiones basado en estas predicciones.

#Los desafíos del sesgo en las predicciones de COVID-19

Los modelos tradicionales de predicción de COVID-19 a menudo informan su éxito basado en lo exactamente que predicen los números de casos. Sin embargo, estos modelos pueden pasar por alto factores sociales importantes, lo que significa que pueden no funcionar tan bien para ciertos grupos.

Por ejemplo, las comunidades minoritarias pueden enfrentarse a subregistro en los casos de COVID-19 debido a problemas como pruebas inadecuadas o errores en la forma en que se registra la raza. Además, los datos de movilidad a menudo no capturan los movimientos de manera precisa para estos grupos, ya que pueden no tener acceso a la tecnología utilizada para recopilar esta información.

Esta falta de representación puede afectar seriamente los resultados de los modelos de predicción, resultando en una asignación injusta de recursos o respuestas políticas diferentes basadas en datos defectuosos.

#El desarrollo de DemOpts

Para abordar estas preocupaciones, proponemos DemOpts, un método diseñado para mejorar la equidad de las predicciones hechas por modelos de aprendizaje profundo. A diferencia de los métodos tradicionales que se centran únicamente en minimizar los errores de predicción, DemOpts también considera la equidad de estos errores entre diferentes grupos raciales y étnicos.

DemOpts modifica la forma en que calculamos los errores en estos modelos. En lugar de tratar todos los errores de predicción por igual, ajusta el cálculo en función de la composición racial y étnica de los condados involucrados. El objetivo es asegurarse de que los errores de predicción no varíen significativamente según la raza, mejorando así la equidad.

#Cómo funciona DemOpts

DemOpts se enfoca específicamente en modelos de aprendizaje profundo, particularmente aquellos usados en predicciones de series de tiempo, como la predicción de COVID-19. La idea central es modificar la función de pérdida convencional, que mide cuán alejadas están las predicciones de los resultados reales.

#Paso 1: Calcular errores de predicción

El primer paso implica hacer predicciones para los casos de COVID-19 y calcular los errores asociados. En lugar de ver diferencias simples entre los números de casos predichos y reales, analizamos una variedad de posibles resultados para entender la incertidumbre involucrada. Esto se hace a través de predicciones cuantílicas, que proporcionan una imagen más completa de los posibles números de casos.

#Paso 2: Identificar Sesgos en los errores de predicción

A continuación, analizamos cómo se relacionan estos errores con las demografías raciales y étnicas. Al ajustar un modelo para ver si hay conexiones estadísticas entre errores y raza, podemos resaltar cualquier sesgo presente en los modelos tradicionales. Este paso es crítico porque reconocer estos sesgos nos permite entender el impacto que tienen en diferentes comunidades.

#Paso 3: Ajustar la función de pérdida

En este último paso, DemOpts ajusta la función de pérdida original para penalizar al modelo cuando encuentra asociaciones significativas entre errores de predicción y grupos raciales o étnicos. Al hacer esto, DemOpts busca minimizar la conexión entre los factores demográficos y los errores de predicción, llevando a resultados más justos entre todos los grupos.

#Evaluación de DemOpts

Para verificar la efectividad de DemOpts, necesitamos medir su rendimiento contra modelos de pronóstico tradicionales y otros métodos de equidad existentes. Miramos dos aspectos clave: paridad de errores duros y paridad de errores suaves.

#Paridad de errores duros

La paridad de errores duros significa que no hay diferencias significativas en los errores de predicción entre grupos raciales y étnicos. Evaluamos esto aplicando pruebas estadísticas para ver si los errores son diferentes para varios grupos. Si DemOpts tiene éxito, esperamos ver menos diferencias significativas en los errores de predicción en comparación con los modelos tradicionales.

#Paridad de errores suaves

La paridad de errores suaves es una medida más flexible. Evalúa si los errores de predicción promedio para los grupos minoritarios están cerca de los del grupo mayoritario. Si DemOpts muestra mejoras en esta área, indica que las predicciones para diferentes grupos se están alineando más, sugiriendo resultados más justos.

#Resultados de DemOpts

Los resultados de aplicar DemOpts a los modelos de predicción de COVID-19 fueron prometedores. El modelo demostró mejoras significativas en alcanzar tanto la paridad de errores duros como suaves.

#Resultados de paridad de errores duros

Al comparar los errores de predicción entre grupos raciales y étnicos, los modelos que usaron DemOpts mostraron menos instancias de diferencias significativas. Esto indica que DemOpts redujo con éxito los sesgos encontrados en los modelos tradicionales. En particular, el modelo logró paridad de errores duros para emparejamientos específicos de grupos raciales, lo que significa que los errores de predicción eran bastante similares entre diferentes demografías raciales.

#Resultados de paridad de errores suaves

En el contexto de la paridad de errores suaves, DemOpts también sobresalió. Los errores promedio para las comunidades asiáticas y negras se acercaron más a los de las comunidades blancas, mostrando que las predicciones eran más equitativas entre grupos. En contraste, los métodos existentes no mostraron mejoras similares.

#Conclusión

A medida que COVID-19 continúa impactando a las comunidades en todo el mundo, es crucial asegurar que los modelos predictivos sean justos y precisos. La introducción de DemOpts marca un paso significativo hacia adelante en la resolución de los sesgos que pueden surgir en estas predicciones. Al ajustar los modelos para considerar factores raciales y étnicos, DemOpts no solo mejora la precisión de las predicciones, sino que también promueve la equidad en la toma de decisiones de salud pública.

En resumen, los resultados revelan que DemOpts puede aumentar la imparcialidad de las predicciones de COVID-19 y reducir disparidades entre diferentes comunidades. A medida que avanzamos, es esencial integrar métodos de predicción justos en estrategias de salud pública más amplias para asegurar una respuesta equitativa a las crisis de salud en curso.