Cuantificación del tipo de dispositivo y los sesgos de mano en una evaluación remota de la enfermedad de Parkinson...

Área de la Ciencia:

• Salud digital
• Aprendizaje automático
• Neurología

Sus antecedentes:

• La equidad algorítmica y la equidad en salud digital son preocupaciones críticas en la atención médica impulsada por la IA.
• Los modelos de aprendizaje automático (ML) se utilizan cada vez más para la predicción de enfermedades, incluida la enfermedad de Parkinson (PD).
• Las evaluaciones estructuradas de los movimientos de los dedos y las manos ofrecen datos potenciales para la detección de la EP.

Objetivo del estudio:

• Investigar la equidad algorítmica y la equidad de salud digital en los modelos de ML que predicen la enfermedad de Parkinson.
• Evaluar el impacto del sesgo demográfico, el tipo de dispositivo y la mano en la precisión de la predicción de la enfermedad de Parkinson.
• Identificar posibles sesgos en el diagnóstico de salud digital remoto.

Principales métodos:

• Se recopilaron datos de 251 participantes (99 con enfermedad de Parkinson o sospecha de enfermedad de Parkinson, 152 sin ella).
• Utilizó un modelo de bosque aleatorio para la predicción de PD basado en datos de movimiento de dedos y manos.
• Evaluación del rendimiento del modelo utilizando la precisión, el AUROC, la sensibilidad, la especificidad y la puntuación F1.
• Examinó el sesgo entre los grupos demográficos, los tipos de dispositivos y la manualidad utilizando un impacto dispar y probabilidades igualadas.

Principales resultados:

• El modelo forestal aleatorio logró un 92% de precisión, un 94% de AUROC, un 86% de sensibilidad, un 92% de especificidad y un 84% de puntuación F1.
• No se detectó un sesgo significativo al examinar solo las diferencias en la puntuación F1 entre los grupos.
• Se identificaron sesgos con respecto al tipo de dispositivo y la mano dominante, que afectan la predicción positiva y las tasas de error.
• El sexo y la etnia no mostraron un impacto estadísticamente significativo en las predicciones de la EP.

Conclusiones:

• Los diagnósticos de salud digitales remotos para la EP pueden contener sesgos poco reconocidos.
• Las características de la mano y el dispositivo pueden introducir sesgos, actuando potencialmente como proxies para factores socioeconómicos.
• Abordar estos sesgos es crucial para garantizar soluciones equitativas de salud digital para afecciones neurológicas.