Search research articles

Videos de Conceptos Relacionados

Blinding

Blinding

Blinding is a commonly used method of not telling participants which treatment a subject is receiving. Blinding is a critical part of a randomized control trial or RCT. It reduces the bias that affects the results. In an RCT, blinding is used in the form of a placebo. A placebo effect occurs when untreated subjects falsely believe they have received the treatment and report improved symptoms. A placebo or a dummy treatment is administered to subjects to negate the bias caused by such an effect.

Halo Effect

Halo Effect

The halo effect is a cognitive bias in which an individual's overall impression influences judgments about their specific traits. This psychological phenomenon leads people to associate positive characteristics with those they perceive as generally good and negative characteristics with those they view as bad. This effect is particularly influential in social perception, professional evaluations, and decision-making processes.The Psychological Basis of the Halo EffectThe halo effect is rooted...

Strategies for Assessing and Addressing Confounding

Strategies for Assessing and Addressing Confounding

Confounding is a critical issue in epidemiological studies, often leading to misleading conclusions about associations between exposures and outcomes. It occurs when the relationship between the exposure and the outcome is mixed with the effects of other factors that influence the outcome. Given that, addressing confounding is of high importance for drawing accurate inferences in research.
Confounding can be addressed at both the design phase of a study and through analytical methods after data...

También podría leer

Artículos Relacionados

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

Ordenar por

Same author

Multimodal LLM vs. Human-Measured Features for AI Predictions of Autism in Home Videos.

Algorithms·2026

Same author

Ensemble Modeling of Multiple Physical Indicators to Dynamically Phenotype Autism Spectrum Disorder.

Algorithms·2026

Same author

Remote Assessment of Parkinson Disease Using Deep Learning on Structured Mouse-Trace Data From Suspected Cases: Machine-Learning Pilot Feasibility Study.

JMIR formative research·2026

Same author

The effect of distributional information on the categorization of unaccusativity.

Journal of child language·2026

Same author

Higher Medical Urgency Is Associated With Greater Psychosocial Risk Tolerance in Liver Transplant Listing and Selection.

Transplantation·2026

Same author

Access to care affects electronic health record reliability and AI-driven disease prediction.

Nature health·2026

Same journal

Sensitivity Analyses of a Scoring System for a Contraception Decision Aid.

AMIA ... Annual Symposium proceedings. AMIA Symposium·2026

Same journal

Improving electronic health record processing of large language models via retrieval-augmented generation: A case study on dietary supplements.

AMIA ... Annual Symposium proceedings. AMIA Symposium·2026

Same journal

Developing a User-Centered Mobile Application Prototype: Bridging Lower-Limb Fracture Care from Skilled Nursing Facility and Back to the Community.

AMIA ... Annual Symposium proceedings. AMIA Symposium·2026

Same journal

KERAP: A Knowledge-Enhanced Reasoning Approach for Accurate Zero-shot Diagnosis Prediction Using Multi-agent LLMs.

AMIA ... Annual Symposium proceedings. AMIA Symposium·2026

Same journal

Automating Adjudication of Cardiovascular Events Using Large Language Models.

AMIA ... Annual Symposium proceedings. AMIA Symposium·2026

Same journal

Predictive Factors and State-Level Barriers to Postpartum Birth Control Usage in the United States: Insights from PRAMS Phase 8.

AMIA ... Annual Symposium proceedings. AMIA Symposium·2026

Ver todos los artículos relacionados

ACERCA DE JoVE

Visión General Liderazgo Blog Centro de Ayuda JoVE

AUTORES

Proceso de Publicación Consejo Editorial Alcance y Políticas Revisión por Pares Preguntas Frecuentes Enviar

BIBLIOTECARIOS

Testimonios Suscripciones Acceso Recursos Consejo Asesor de Bibliotecas Preguntas Frecuentes

INVESTIGACIÓN

JoVE Journal Methods Collections JoVE Encyclopedia of Experiments Archivo

EDUCACIÓN

JoVE Core JoVE Business JoVE Science Education JoVE Lab Manual Centro de Recursos para Profesores Sitio de Profesores

Términos y Condiciones de Uso

Política de Privacidad

Search research articles

Videos de Experimentos Relacionados

Des sesgo multianual en inteligencia artificial clínica

Md Rahat Shahriar Zawad¹, Irene Y Chen^2,3, Peter Washington³

¹University of Hawaii at Manoa, USA.

AMIA ... Annual Symposium proceedings. AMIA Symposium

|February 23, 2026

Resumen

Este resumen es generado por máquina.

Este estudio presenta un marco de des sesgo multianual para mejorar la equidad en el aprendizaje automático clínico, optimizando simultáneamente múltiples métricas de equidad. El nuevo método reduce eficazmente la paridad demográfica y el trato erróneo dispar mientras mantiene el rendimiento del modelo.

Palabras clave:

aprendizaje automático equidad algorítmica inteligencia artificial clínica des sesgo multianual paridad demográfica trato erróneo dispar

Videos de Experimentos Relacionados

Área de la Ciencia:

Aprendizaje automático; Informática clínica; Equidad algorítmica

Sus antecedentes:

Los modelos de aprendizaje automático clínico pueden presentar sesgos, lo que afecta a la equidad de los resultados sanitarios.; Los métodos actuales de des sesgo a menudo se centran en optimizar una única métrica de equidad, lo que puede pasar por alto otros tipos de sesgo.

Objetivo del estudio:

Introducir y evaluar un nuevo marco de des sesgo multianual para el aprendizaje automático clínico.; Optimizar conjuntamente múltiples definiciones de equidad, específicamente la paridad demográfica (DP) y el trato erróneo dispar (DM).

Principales métodos:

Se desarrolló un marco de des sesgo multianual que amplía el des sesgo adversarial.; Se emplearon dos adversarios que representan la DP y la DM para la optimización conjunta.; Se evaluó el marco en dos conjuntos de datos clínicos (Enfermedad Cardíaca UCI, Enfermedad de Parkinson) y dos conjuntos de datos de referencia (COMPAS, Ingresos Adultos).

Principales resultados:

El enfoque multianual redujo con éxito la DP en 0,03-0,22 y la DM en 0,02-0,12 en los conjuntos de datos.; Las puntuaciones F1 se mantuvieron dentro del 0-16% de los modelos base, lo que indica una mínima pérdida de rendimiento.; La eficacia fue mayor en los conjuntos de datos con representación equilibrada entre los atributos protegidos.

Conclusiones:

El des sesgo multianual ofrece un enfoque más completo para mitigar el sesgo en el ML clínico que la optimización de métricas únicas.; El marco demuestra potencial para mejorar la equidad en aplicaciones de IA sanitaria.; Las características del conjunto de datos, en particular la representación de etiquetas en los atributos protegidos, influyen en la eficacia del des sesgo adversarial.