机器学习算法的预测准确度的种族和民族差异 通过使用国家数据库开发的机器学习算法,用于全关节形术后的30天并发症

科学领域:

• 整形外科手术 整形外科手术
• 在医疗保健中的数据科学.
• 健康 公平 卫生 公平

背景情况:

• 机器学习 (ML) 算法在预测全关节整形术 (TJA) 的结果方面表现有前途.
• 然而,它们在种族和少数民族人口中的表现仍未得到充分研究.
• 这项研究通过评估不同TJA患者群体的ML预测能力来解决这一差距.

研究的目的:

• 评估ML算法在预测TJA后30天并发症方面的性能.
• 在种族和少数民族患者队伍中专门评估这些算法.
• 在不同的人口群体中识别ML模型准确度的潜在差异.

主要方法:

• 一项回顾性队列研究分析了从2013年到2020年接受初级TJA的267,194名患者.
• 开发和测试了两个ML算法,即基于历史图的梯度提升 (HGB) 和随机森林 (RF).
• 模型的表现被评估在种族和种族子组使用歧视,校准和准确度指标.

主要成果:

• 在非西班牙裔白人人口中,ML模型取得了很好的表现 (AUC > 0.8).
• 在白人西班牙裔,黑人,黑人西班牙裔和亚洲非西班牙裔群体中,歧视明显减少 (AUC 0.75-0.79).
• 在美国印第安人群中观察到最差的表现 (AUC 0.67-0.68),尽管大多数少数群体的校准良好.

结论:

• 在当前的医疗保健数据上训练时,ML算法对种族和民族少数群体TJA并发症的预测能力较差.
• 少数群体在大型数据集中的代表性不足可能导致模型准确性降低.
• 公平意识的发展和更大,更多样化的数据集对于在TJA中准确和公平的ML预测至关重要.