通过转移学习减少眼科健康差异:克服数据不平等的新型应用程序
TingFang Lee1,2, Gadi Wollstein1,3,4, Chisom T Madu1
1Department of Ophthalmology, NYU Langone Health, New York, NY, USA.
Translational vision science & technology
|December 1, 2023
概括
转移学习 (TL) 通过提高代表性不足的种族群体的预测准确性,有效地减少了医疗保健差距. 这种先进的方法提高了分析可靠性,特别是在有限的数据中,为健康不平等提供了公平的解决方案.
科学领域:
- 眼科医疗保健中的差异
- 机器学习在医学中的应用.
- 卫生公平研究 卫生公平研究
背景情况:
- 医疗保健系统表现出种族差异,导致不平等的临床数据和有偏见的预测结果.
- 跨种族群体的数据不平衡阻碍了公平的医疗保健分析和干预开发.
研究的目的:
- 通过使用先进转移学习 (TL) 方法,减少因数据不平衡而导致的医疗保健差异.
- 提高眼科护理中代表性不足的种族群体的预测准确度.
主要方法:
- 使用电子医疗记录 (N = 785) 对眼科医疗保健差异的人口层面分析.
- 应用基于回归的TL模型,将信息从白人转移到非裔美国人 (AA) 和亚洲人群.
- 与传统预测方法对比TL模型性能.
主要成果:
- 在AA和亚洲群体中观察到社会经济地位和疾病严重程度的差异.
- 与传统方法相比,TL模型在预测准确度 (较低的MAE/MSE) 中表现出明显的可比改善.
- TL确定了视野平均偏差 (MD) 变化速率的独特特征,具体适用于每个种族群体.
结论:
- 新的TL应用提高了分析可靠性,特别是对于小样本大小.
- TL提供了一种公平有效的策略,通过改善对数据不利的人群的预测来缓解医疗保健差异.
