人工智能算法中的社会偏见旨在改善与弗雷明汉风险评分相对的心血管风险评估:系统审查的协议
Ivneet Garcha1, Susan Paula Phillips2
1Medicine, Queen's University, Kingston, Ontario, Canada ivneet.garcha@queensu.ca.
人工智能 (AI) 和机器学习 (ML) 可能会改善心血管疾病 (CVD) 风险评估,但算法的偏差需要进行批判性评估. 这项研究检查了AI/ML偏差在心血管疾病风险预测与弗雷明汉风险评分 (FRS) 相比.
科学领域:
- 心脏病学 心脏病学
- 生物医学信息学 生物医学信息学
- 健康 公平 卫生 公平
背景情况:
- 预防心血管疾病 (CVD) 需要准确的风险评估.
- 像弗雷明汉风险评分 (FRS) 这样的现有模型表现出偏见,特别是在社会经济弱势群体中.
- 人工智能 (AI) 和机器学习 (ML) 提供了解决风险预测中的健康公平差距的潜力.
研究的目的:
- 批判性地评估AI和ML算法用于CVD风险评估.
- 与FRS相比,在ML算法中识别和分析偏见的来源 (种族/族裔,性别,社会层级).
- 确定AI算法是否解决了FRS中存在的固有偏见.
主要方法:
- 在MEDLINE,Embase和IEEE数据库中进行了全面的文献搜索.
- 包括对AI/ML算法进行心血管疾病风险预测 (冠状动脉疾病,心力衰竭,心律失常,中风,全球心血管疾病风险) 的研究,将性能与FRS进行比较.
- 在没有日期限制的情况下,对符合条件的研究进行结构化叙事审查分析 (仅限英语).
主要成果:
- 该审查将综合AI/ML算法的性能与FRS用于CVD风险预测的研究结果.
- 分析将集中在识别和量化ML模型中的种族/种族,性别和社会层面相关的偏见.
- 该研究旨在确定AI/ML模型在多大程度上减轻或加剧了心血管疾病风险评估中的现有不平等现象.
结论:
- 人工智能和机器学习为公平的心血管疾病风险评估提供了希望,但严格的评估至关重要.
- 了解和减轻AI/ML算法的偏差对于临床实施至关重要.
- 这一系统性审查将为开发更公平,更准确的CVD风险预测工具提供信息.
更多相关视频
07:51Hydra, a Computer-Based Platform for Aiding Clinicians in Cardiovascular Analysis and Diagnosis
Published on: September 26, 2018
05:51Assessing the Accuracy of Fitness Smartwatch Data for Cardiovascular and Physical Activity Monitoring: A Validation Study in Digital Health
Published on: February 21, 2025
相关概念视频
Bias in Epidemiological Studies
Pre-Procedural Guidelines for Assessing Blood Pressure
Blood Studies for Cardiovascular System I: Cardiac Biomarkers
The essential diagnostic tools for detecting myocardial necrosis and monitoring individuals suspected of having acute coronary syndrome (ACS) include:
Troponins
Troponins, particularly cardiac troponins I and T, are the most precise and sensitive markers of myocardial injury. They are detectable within 4-6 hours of myocardial injury and remain...
Imaging Studies for Cardiovascular System VI: Calcium -Scoring CT
Coronary Artery Disease I: Introduction
Relative Risk
