儿童睡眠研究中的机器学习数据来源:在模型培训之前,评估基于电子健康记录的临床笔记中的种族/民族差异
Mattina A Davenport1,2, Joseph W Sirrianni3, Deena J Chisolm1,2
1Abigail Wexner Research Institute, Center for Child Health Equity and Outcomes Research, Nationwide Children's Hospital, Columbus, OH, United States.
Frontiers in sleep
|May 31, 2024
概括
在儿童睡眠问题如何在电子健康记录中记录下来方面存在种族和种族差异. 临床注释中的这些差异可能导致某些人群中睡眠问题的不足检测.
科学领域:
- 医疗信息学 医疗信息学
- 儿科睡眠医学 儿科睡眠医学
- 健康差距 研究 研究 研究 研究
背景情况:
- 儿童睡眠问题在各种种族和种族群体中普遍存在.
- 电子健康记录 (EHR) 数据可能包含影响睡眠问题的记录的偏见.
- 之前的研究集中在睡眠专业设置上,需要初级保健洞察力.
研究的目的:
- 在初级保健临床笔记中评估儿科睡眠问题的文档中的种族和种族差异.
- 调查用于睡眠问题检测的自然语言处理 (NLP) 训练数据中的潜在偏差.
主要方法:
- 利用一个关键词集 (178个儿童B-SATED关键词) 来查询2018-2021年儿科患者 (5-18岁) 的临床笔记.
- 雇佣最低绝对缩小和选择运营商 (LASSO) 回归以确定文档差异.
- 应用混合效应逻辑回归来分析全球睡眠维度的种族/民族变异.
主要成果:
- 在Peds B-SATED关键字和全球睡眠尺寸的文档中发现了显著的种族和种族差异.
- 记录的睡眠相关关键词的频率排名在不同种族/民族亚群中有质量差异.
结论:
- 提供者的不同文档模式可能导致少数群体中儿童睡眠问题的不足检测.
- 研究结果强调,需要在儿科初级保健中采取公平的临床文档实践.
- 结果对改善回顾性分析和NLP模型在睡眠医学中的公平性有影响.
