Corrección de Equidad en Modelos Predictivos de COVID-19 Mediante Optimización Demográfica: Estudio de Desarrollo y...

Área de la Ciencia:

• Epidemiología
• Ciencia de Datos
• Salud Pública

Sus antecedentes:

• Los modelos de predicción de COVID-19 son cruciales para la asignación de recursos y las estrategias de intervención.
• Los modelos de vanguardia utilizan datos multimodales pero sufren de subregistro y sesgos de muestreo que afectan a los grupos minoritarios.
• Estos sesgos conducen a la falta de equidad en las predicciones de COVID-19 entre diferentes grupos raciales y étnicos.

Objetivo del estudio:

• Introducir un método novedoso de corrección de equidad para la predicción de casos de COVID-19 a nivel agregado.
• Mejorar la equidad de los modelos predictivos utilizados en la toma de decisiones de salud pública.

Principales métodos:

• Utilizó análisis de paridad de errores duros y blandos para evaluar marcos de equidad.
• Propuso e implementó la Optimización Demográfica (DemOpts), un método de eliminación de sesgos para modelos de aprendizaje profundo.
• Probó DemOpts frente a enfoques existentes de corrección de equidad.

Principales resultados:

• Demostró diferencias significativas en los errores medios de predicción entre grupos raciales y étnicos en modelos de vanguardia de COVID-19.
• Mostró que DemOpts logra una paridad de errores superior en comparación con otros métodos de eliminación de sesgos.
• Confirmó que DemOpts reduce eficazmente las disparidades en las distribuciones de errores medios entre grupos demográficos.

Conclusiones:

• Se presenta la Optimización Demográfica (DemOpts) como un método eficaz para reducir las diferencias en la paridad de errores.
• DemOpts genera modelos de predicción de COVID-19 más equitativos en comparación con los enfoques existentes en la literatura.
• El método mejora la fiabilidad de las predicciones para una planificación equitativa de la salud pública.