ランダム化臨床試験における公平性,多様性,包摂性を高めるためのAI/MLベースの戦略

科学分野:

• クリニック・トライアル 臨床試験
• 健康の平等,健康の平等について
• 医療における人工知能

背景:

• ランダム化臨床試験 (RCT) は,医療治療の評価に不可欠ですが,重要な人口統計の過小評価に苦しんでいます.
• 代表のギャップ (女性,高齢者,マイノリティ,社会経済的に不利な立場) は,一般化を制限し,健康格差を悪化させる可能性があります.
• 既存の試験方法論は,多様な患者集団における包括性と公平性を確保するために苦労しています.

研究 の 目的:

• 臨床試験のライフサイクルを通じて,公平性,多様性,包摂 (EDI) を統合するための概念的枠組みを提案する.
• 人工知能 (AI) と機械学習 (ML) を活用して,代表の格差をなくし,臨床研究における公平性を高める.
• 臨床試験におけるEDIの運用を,高度な技術と方法論的アプローチを通じて実現する.

主な方法:

• インクルーシブデザインのための予測モデリングを統合したAI/MLベースのフレームワークを開発しました.
• 組み込みの適応試験設計とリアルタイムの多様性監視機能.
• AIの責任ある展開のための倫理的,法的保障を備えた継続的なバイアス検出メカニズムが含まれています.

主要な成果:

• 分析により,現在のRCTにおける人口統計学的有意な不足が確認され,介入の必要性が強調された.
• 提案されたAI/MLフレームワークは,予測モデリング,適応設計,バイアスモニタリングを使用してEDIを運用します.
• 臨床試験における科学的妥当性と倫理的整合性の両方を強化するための経路を示した.

結論:

• AI/MLのフレームワークを通じてEDIを組み込むことは,医療証拠の信頼性を高めるために不可欠です.
• フレームワークは,臨床研究における継続的な代表性のギャップに対処するための体系的なアプローチを提供します.
• この研究は,研究者がより公平で科学的に厳格な臨床試験を実施するための構造化された経路を提供します.