适应性招聘资源分配,以提高参与式生物医学数据集中的队列代表性
Victor A Borza1, Andrew Estornell2,3, Ellen Wright Clayton1
1Vanderbilt University, Nashville, TN.
概括
大规模的参与式生物医学研究可以使用计算方法来改善代表性. 这种方法适应性地将资源分配到各个站点,以创建更多多样化的数据集用于AI分析.
科学领域:
- 生物医学研究的研究.
- 数据科学是数据科学.
- 计算生物学是一种计算生物学.
背景情况:
- 参与式生物医学研究对于人工智能分析越来越受欢迎.
- 历史生物医学数据集往往缺乏跨人口的代表性.
- 确保数据集的代表性对于公平的AI应用至关重要.
研究的目的:
- 定义和提高大型参与式生物医学研究的代表性.
- 为了反映美国人口分布的关键属性 (年龄,性别,种族,种族).
- 引入适应性招聘资源分配的计算方法.
主要方法:
- 在多个站点之间开发了适应性招聘资源分配的计算方法.
- 模拟了招募1万名参与者的队伍.
- 用STAR临床研究网络中的医疗中心进行模拟.
主要成果:
- 与现有方法相比,拟议的计算方法显著提高了队列代表性.
- 模拟表明了适应性资源分配在反映目标人口分布方面的有效性.
- 在模拟的招聘场景中实现了更具代表性的队列.
结论:
- 计算建模为优化生物医学研究的招聘策略提供了有价值的工具.
- 适应性资源分配可以提高大型参与式数据集的代表性.
- 这项工作突出了人工智能驱动的研究更公平的生物医学数据的途径.
相关概念视频
01:12Analysis of Population Pharmacokinetic Data
682
Analysis of population pharmacokinetic data involves studying the behavior of drugs within diverse populations to understand their pharmacokinetic parameters. Traditional pharmacokinetic methods typically involve collecting samples from a few individuals and estimating these parameters. While these methods are commonly used, they have limitations in capturing the variability in drug response among individuals or heterogeneous populations. Population pharmacokinetics is employed to address these...
682
01:29Bias in Epidemiological Studies
1.3K
Biases can arise at various stages of research, from study design and data collection to analysis and interpretation. Recognizing and addressing these biases is essential to ensure the validity and reliability of epidemiological findings.Broadly speaking, biases in epidemiology fall into three main categories: selection bias, information bias, and confounding. A more detailed description of possible biases is:
1.3K