Suche
Mein Konto
Käsitlege meditsiinilises tehisintellektis ebatäpseid rassi ja etnilise kuuluvuse andmeid
Elektroonilistes tervisekaartides (EHRS) leitud rassi- ja rahvusandmete ebatäpsus võib patsientide ravile negatiivselt mõjuda, kuna tehisintellekti (AI) integreeritakse üha enam tervishoidu. Kuna haiglad ja teenusepakkujad koguvad selliseid andmeid ebajärjekindlalt ja neil on raskusi üksikute patsientide täpse klassifitseerimisega, võivad nende andmekogumite põhjal koolitatud tehisintellektisüsteemid pärida ja säilitada rassilised eelarvamused. Ajakirjas PLOS Digital Health avaldatud uues väljaandes nõuavad bioeetika- ja õiguseksperdid rassiliste ja etniliste andmete kogumise meetodite viivitamatut standardimist ning arendajaid, et tagada rassiliste ja etniliste andmete kvaliteet meditsiinilistes tehisintellektisüsteemides. …
Käsitlege meditsiinilises tehisintellektis ebatäpseid rassi ja etnilise kuuluvuse andmeid
Elektroonilistes tervisekaartides (EHRS) leitud rassi- ja rahvusandmete ebatäpsus võib patsientide ravile negatiivselt mõjuda, kuna tehisintellekti (AI) integreeritakse üha enam tervishoidu. Kuna haiglad ja teenusepakkujad koguvad selliseid andmeid ebajärjekindlalt ja neil on raskusi üksikute patsientide täpse klassifitseerimisega, võivad nende andmekogumite põhjal koolitatud tehisintellektisüsteemid pärida ja säilitada rassilised eelarvamused.
Ajakirjas PLOS Digital Health avaldatud uues väljaandes nõuavad bioeetika- ja õiguseksperdid rassiliste ja etniliste andmete kogumise meetodite viivitamatut standardimist ning arendajaid, et tagada rassiliste ja etniliste andmete kvaliteet meditsiinilistes tehisintellektisüsteemides. Uuringus sünteesitakse muret selle üle, miks patsientide rassilised andmed EHR-ides ei pruugi olla täpsed, selgitatakse välja parimad tavad tervishoiusüsteemide ja meditsiiniliste tehisintellekti teadlaste jaoks andmete täpsuse parandamiseks ning pakutakse meditsiinilise tehisintellekti arendajatele uut malli, mis võimaldab läbipaistvalt põhjendada oma rassi- ja etniliste andmete kvaliteeti.
Juhtautor Alexandra Tsalidis, MBE, märgib, et "AI arendajad, kes järgivad meie soovitust nende rassiliste ja etniliste andmete kogumise kohta, mitte ainult ei suurenda meditsiinilise AI läbipaistvust, vaid aitavad ka patsientidel ja reguleerivatel asutustel hinnata tööriistade ohutust."
Tehisintellekti mudelite rassiline eelarvamus on suur probleem, kuna tehnoloogia integreerub üha enam tervishoiusse. See artikkel pakub konkreetset meetodit, mida saab nende probleemide lahendamiseks rakendada. “
Francis Shen, JD, PhD, vanemautor
Kuigi tuleb teha rohkem tööd, pakub artikkel lähtepunkti, mille soovitas kaasautor Lakshmi Bharadwaj, MBE. "Avatud dialoog parimate tavade üle on oluline samm ja meie pakutavad lähenemisviisid võivad oluliselt parandada."
Uuringut toetas NIH sild tehisintellekti programm (BRIDG2AI) ja NIH Brain Neuroethics stipendium (R01MH134144).
Allikad:
Tsalidis, A., Bharadwaj, L. ja Shen, F. X. (2025). Rassi- ja etnilise päritolu andmete standardimine ja täpsus: meditsiinilise tehisintellekti võrdõiguslikkuse mõju. PLOS Digital Health. doi.org/10.1371/journal.pdig.0000807.