开发一种基于机器学习的处方工具,以解决在经历创伤后获得护理的种族差异
Anthony Gebran1,2,3, Sumiran S Thakur4, Lydia R Maurer1,2
1Division of Trauma, Emergency Surgery, and Surgical Critical Care, Department of Surgery, Massachusetts General Hospital, Boston.
JAMA surgery
|August 23, 2023
概括
这项研究使用可解释的人工智能 (AI) 揭示了伤害后康复护理的种族差异. 公平性调整的AI模型成功消除了这些差异,改善了公平护理建议.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健服务研究 医疗服务研究
- 人工智能的人工智能
背景情况:
- 医学中的人工智能 (AI) 可以延续现有的偏见,包括伤害后康复服务的差异.
- 识别和解决这些偏见对于公平的医疗保健服务至关重要.
研究的目的:
- 利用可解释的人工智能来发现伤害后康复护理的种族差异.
- 开发一种基于人工智能的规范工具,以减轻所发现的差异.
主要方法:
- 一项队列研究分析了美国外科医生学院创伤质量改善计划 (2010-2016) 的数据.
- 可解释AI (最佳分类树) 预测出院处置 (家庭与急症后护理 [PAC]).
- 一个规范性优化模型对推的排放目的地进行了公平性调整.
主要成果:
- 对52,468名患者的分析显示,在PAC排放中存在显著的种族差异,种族是关键因素.
- 经公平性调整的AI模型改善了预测性能 (C统计从0.79到0.87).
- 在调整后,黑人和白人患者之间的PAC建议差异被消除了 (15.8%与15.8%对比).
结论:
- 可解释的人工智能在诊断和纠正医疗保健中的系统偏见方面是有效的.
- 公平性调整的AI模型可以识别障碍,并促进公平获得伤害后康复护理.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
14:32Using Visual and Narrative Methods to Achieve Fair Process in Clinical Care
Published on: February 16, 2011
23.7K
