Jove
Visualize
Contáctanos

Videos de Conceptos Relacionados

Stereotypes, Prejudice, and Discrimination02:55

Stereotypes, Prejudice, and Discrimination

91.4K
Humans are very diverse and although we share many similarities, we also have many differences. The social groups we belong to help form our identities (Tajfel, 1974). These differences may be difficult for some people to reconcile, which may lead to prejudice toward people who are different. Prejudice is a negative attitude and feeling toward an individual based solely on one’s membership in a particular social group (Allport, 1954; Brown, 2010). Prejudice is common against people who...
91.4K
Bias in Epidemiological Studies01:29

Bias in Epidemiological Studies

666
Biases can arise at various stages of research, from study design and data collection to analysis and interpretation. Recognizing and addressing these biases is essential to ensure the validity and reliability of epidemiological findings.Broadly speaking, biases in epidemiology fall into three main categories: selection bias, information bias, and confounding. A more detailed description of possible biases is:  
666
Bias01:22

Bias

4.8K
Bias refers to any tendency that prevents a question from being considered unprejudiced. In research, bias occurs when one outcome or answer is selected or encouraged over others in sampling or testing. Bias can occur during any research phase, including study design, data collection, analysis, and publication.
In statistics, a sampling bias is created when a sample is collected from a population, and some members of the population are not as likely to be chosen as others (remember, each member...
4.8K
Data Validation01:03

Data Validation

5.3K
Data validation is an essential part of a comprehensive assessment. Validation is confirming or verifying and opening the door to gathering more assessment data as it clarifies vague or unclear data. The process of checking and verifying the collected information is called data validation. The primary purpose of data validation is to ensure data is as free from error, bias, and misinterpretation as possible.
Nursing assessment guides are generally based on holistic models rather than medical...
5.3K
Blind Procedures02:07

Blind Procedures

12.1K
Ideally, the people who observe and record the children’s behavior are unaware of who was assigned to the experimental or control group, in order to control for experimenter bias. Experimenter bias refers to the possibility that a researcher’s expectations might skew the results of the study. Remember, conducting an experiment requires a lot of planning, and the people involved in the research project have a vested interest in supporting their hypotheses. If the observers knew which...
12.1K
Surveys02:16

Surveys

15.3K
Often, psychologists develop surveys as a means of gathering data. Surveys are lists of questions to be answered by research participants, and can be delivered as paper-and-pencil questionnaires, administered electronically, or conducted verbally. Generally, the survey itself can be completed in a short time, and the ease of administering a survey makes it easy to collect data from a large number of people.
15.3K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

OHCA-EXTRACT: Evaluating the Accuracy of a Large Language Model Pipeline for Out-of-Hospital Cardiac Arrest Case Identification and Utstein Variable Extraction.

medRxiv : the preprint server for health sciences·2026
Same author

The Predicting Risk of Cardiovascular Disease Event Equation Meets CKD.

Clinical journal of the American Society of Nephrology : CJASN·2026
Same author

Real-World Associations of KidneyIntelX Risk Stratification With Guideline-Directed Therapy, Kidney Outcomes, and Metabolic Trajectories in Early Diabetic Kidney Disease.

Diabetes, obesity & metabolism·2026
Same author

Regional, functional and transcriptomic decoding of multidimensional brain structure alterations in obsessive-compulsive disorder.

Nature communications·2026
Same author

Evaluating Sycophancy in Frontier Models Using Persona-Driven Challenge.

medRxiv : the preprint server for health sciences·2026
Same author

Reinforcement Learning for Intraoperative Hypotension Management with Consideration to Postoperative Acute Kidney Injury.

Kidney360·2026
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Video Experimental Relacionado

Updated: Sep 9, 2025

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
12:18

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

Published on: January 11, 2020

7.6K

Detección, caracterización y mitigación de sesgos raciales implícitos y explícitos en conjuntos de datos de atención

Faris Gulamali1, Ashwin Shreekant Sawant1, Lora Liharska1

  • 1Icahn School of Medicine at Mount Sinai, 1468 Madison Avenue, New York, NY, 10029, United States, 1 2122416500.

Journal of medical Internet research
|September 4, 2025
PubMed
Resumen

Una nueva métrica, AEquity, reduce efectivamente el sesgo algorítmico en los datos de atención médica al guiar la recopilación y el reetiquetado de datos. Este enfoque supera a los métodos existentes en varios conjuntos de datos y algoritmos, mejorando la equidad en los diagnósticos de IA.

Palabras clave:
el sesgoInteligencia artificial centrada en los datosequidadAprendizaje automático

Más Videos Relacionados

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
07:35

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Published on: October 11, 2018

7.6K
Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
05:47

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Published on: June 13, 2025

565

Videos de Experimentos Relacionados

Last Updated: Sep 9, 2025

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
12:18

A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment

Published on: January 11, 2020

7.6K
Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances
07:35

Selecting Multiple Biomarker Subsets with Similarly Effective Binary Classification Performances

Published on: October 11, 2018

7.6K
Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
05:47

Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems

Published on: June 13, 2025

565

Área de la Ciencia:

  • Inteligencia artificial en el cuidado de la salud
  • Equidad algorítmica
  • Ciencia de los datos

Sus antecedentes:

  • La creciente adopción de algoritmos de atención médica plantea preocupaciones sobre la perpetuación del sesgo contra los grupos desfavorecidos.
  • Los métodos de mitigación de sesgo existentes se centran en la modificación del modelo, con esfuerzos limitados en las intervenciones a nivel de datos.
  • Los conjuntos de datos de atención médica son propensos a sesgos que pueden afectar el rendimiento del algoritmo de diagnóstico y pronóstico.

Objetivo del estudio:

  • Introducir AEquity, una nueva métrica que utiliza la aproximación de la curva de aprendizaje para identificar y mitigar el sesgo en los datos de atención médica.
  • Demostrar la eficacia de AEquity en la recopilación y reetiquetado de conjuntos de datos guiados para mejorar la equidad algorítmica.
  • Evaluar la robustez de AEquity a través de diversos conjuntos de datos, algoritmos y métricas de equidad.

Principales métodos:

  • Se ha desarrollado una métrica de AEquity basada en la aproximación de la curva de aprendizaje para la detección y mitigación de sesgos.
  • AEquity aplicado a conjuntos de datos de rayos X del tórax, datos de utilización de costos de atención médica y la Encuesta Nacional de Examen de Salud y Nutrición (NHANES).
  • AEquity comparado con los métodos más avanzados, como la minimización y calibración empírica equilibrada.

Principales resultados:

  • La recolección de datos guiada por AEquity redujo el sesgo en las radiografías de tórax en un 29% -96,5% (AUC).
  • Se observó una reducción significativa del sesgo para las poblaciones interseccionales (pacientes negros en Medicaid) a través de múltiples métricas de equidad (por ejemplo, una reducción del 33,3% de FNR).
  • AEquity superó la minimización y calibración de riesgos empíricos equilibrados, mostrando un rendimiento sólido en varios modelos de IA (CNN, Transformers, etc.). En el caso de los

Conclusiones:

  • AEquity es una herramienta robusta y efectiva para mitigar el sesgo algorítmico a nivel de datos en el cuidado de la salud.
  • La métrica demuestra una amplia aplicabilidad en diferentes conjuntos de datos, grupos demográficos y arquitecturas de aprendizaje automático.
  • AEquity ofrece un enfoque prometedor centrado en los datos para mejorar la equidad en la IA de la salud.