01 / 研究问题
电子健康记录表征既要支持有效预测，也应考虑不同群体之间的公平性差异。
02 / 创新思路
用异构图注意力和对抗训练学习公平表征。
03 / 方法机制
FairCare 使用带注意力的异构图神经网络学习 EHR 表征，通过对抗训练改善族群相关公平性，同时保留预后信息；框架同时评价预后与分组公平性。
04 / 实验设置
MIMIC-III 死亡风险与病情恶化基准，采用文中预处理协议，同时评价预测表现与族群相关公平性。
Final article · 2024 · Abstract · 来源 ↗
05 / 主结果
正式摘要报告死亡风险 AUROC 0.9021、病情恶化 AUROC 0.9217。
MIMIC-III AUROC（0–1）· 正式摘要 · Final article · 2024 · Abstract · 数据来源 ↗
刻度：0 → 1
| 条件 | 指标 / 系列 | 报告值 |
|---|---|---|
| Mortality AUROC | MIMIC-III AUROC（0–1）· 正式摘要 | 0.9021 |
| Decompensation AUROC | MIMIC-III AUROC（0–1）· 正式摘要 | 0.9217 |
数值对应上述版本与实验条件；不同指标不构成统一排名。
06 / 消融与局限
公平性依赖人群、分组定义与指标；回顾性预测不能证明前瞻性临床收益。 本站所核来源未提供的精确队列规模、划分细节或完整比较表，均不推断。
这些是论文报告的研究评测，不代表前瞻性临床收益或临床部署。
07 / 个人贡献
第二作者；概念提出、数据整理、正式分析、方法、软件、验证、可视化与初稿写作。
08 / 论文与代码
引用这项研究
FairCare: Adversarial training of a heterogeneous graph neural network with attention mechanism to learn fair representations of electronic health records. Information Processing & Management · 61(3), 103682, 2024. https://doi.org/10.1016/j.ipm.2024.103682