This thesis introduces FairGATDANN, a fairness-aware machine

learning model designed for ICU mortality prediction. FairGATDANN

integrates Graph Attention Networks (GAT), domain-adversarial neural

networks (DANN), and adaptive fairness constraints to address

key challenges in healthcare AI, including predictive accuracy, fairness,

explainability, and robustness to domain shifts. The model incorporates

GraphSMOTE to address class imbalance, a Gradient-Reversal

Layer to achieve domain-invariant representations, and utilizes dynamic

dual-ascent optimization to maintain adaptive fairness constraints

(here, Equalized Odds). Evaluations using the MIMIC-IV, MIMICIII,

and eICU datasets demonstrate that FairGATDANN has the potential

to achieve predictive performance comparable or superior to

traditional ensemble methods, such as the Random Forest classifier

or XGBoost, and reduces fairness disparities. Thus, FairGATDANN

presents as a robust and compliant solution in line with regulatory

frameworks such as the EU AI Act, contributing significantly to the

development of equitable and reliable healthcare AI solutions.

Denna avhandling presenterar FairGATDANN, en rättviseinriktad maskininlärningsmodell för prediktion av dödlighet på intensivvårdsavdelningar (IVA). FairGATDANN kombinerar Graph Attention Networks (GAT), domän-adversariella neurala nätverk (DANN) och adaptiva rättvisekrav för att hantera centrala utmaningar inom AI i hälso- och sjukvården, såsom prediktiv noggrannhet, rättvisa, transparens och robusthet mot domänskiften. Modellen använder GraphSMOTE för att balansera ojämna klasser, en Gradient Reversal Layer för att uppnå domäninvarianta representationer och dynamisk dual-ascent-optimering för att upprätthålla adaptiva rättvisekrav (Equalized Odds). Utvärderingar på MIMIC-IV, MIMIC-III och eICU-databaserna visar att FairGATDANN har potential att prestera lika bra eller bättre än traditionella ensemblemetoder som Random Forest eller XGBoost, samtidigt som modellen minskar orättvisa skillnader. Därmed utgör FairGATDANN en robust och regelverksefterlevande lösning i linje med exempelvis EU:s AI-förordning, och bidrar till utvecklingen av mer jämlik och tillförlitlig AI inom hälso- och sjukvården.