随着医疗大数据的快速发展,可解释机器学习模型被广泛用于医学领域。医学学习模型的公平性问题将影响针对不同患者群体的危险因素分析和疾病预测结果,已引起业界高度关注。然而,如何构建能够有效划分患者群体的“公平”模型,并据此给出对临床诊疗真实有效的危险因素与预测结果间关系仍是医学学习模型的痛点和难点。通过对医学学习模型公平性问题的深入分析,发现了由混杂因素带来的机器学习公平性问题。针对这一问题,提出了基于混杂控制的公平模型重构框架,框架由两个阶段组成。第一阶段是基于模型构建与事后统一解释的不公平发现与评估。基于特征贡献度和非零估计筛选混杂因素,有效提高混杂因素的寻找效率。利用公平性评估方法给出不公平的量化体现后,迭代找出影响模型公平性的核心因素。第二阶段进行基于混杂控制的模型重构。结合机器学习方法与统计学方法消除数据中存在的不公平,对患者群体实施去混杂划分,在此基础上构建新的模型。获得输出后,从特征公平性、模型平衡性、可解释性和医学合理性四个角度对重构后的模型进行评价,确保建立具有公平性且各性能良好的模型。基于2组规模化真实临床数据集和3个实际医学危险因素分析实验对框架进行了测试和验证。具体而言,1)在术后ARDS患者危险因素分析实验中,依照年龄作为混杂因素划分患者群体,重构模型在特征公平性上相对于初始模型分别提高了57.03%和71.91%。2)在儿童脓毒症早期诊断危险因素分析实验中,使用框架将患者群体划分为3组,重构模型在特征公平性上相对于初始模型分别提高了87.96%、84.78%、95.56%。3)在脓毒症休克合并血小板减少症患者危险因素分析实验中,验证了无混杂因素的结果。