Understanding the bias in machine learning systems for cardiovascular disease risk assessment: The first of its kind review
Notice bibliographique
Résumé
Artificial Intelligence (AI), in particular, machine learning (ML) has shown promising results in coronary artery disease (CAD) or cardiovascular disease (CVD) risk prediction. Bias in ML systems is of great interest due to its over-performance and poor clinical delivery. The main objective is to understand the nature of risk-of-bias (RoB) in ML and non-ML studies for CVD risk prediction. PRISMA model was used to shortlisting 117 studies, which were analyzed to understand the RoB in ML and non-ML using 46 and 32 attributes, respectively. The mean score for each study was computed and then ranked into three ML and non-ML bias categories, namely low-bias (LB), moderate-bias (MB), and high-bias (HB), derived using two cutoffs. Further, bias computation was validated using the analytical slope method. Five types of the gold standard were identified in the ML design for CAD/CVD risk prediction. The low-moderate and moderate-high bias cutoffs for 24 ML studies (5, 10, and 9 studies for each LB, MB, and HB) and 14 non-ML (3, 4, and 7 studies for each LB, MB, and HB) were in the range of 1.5 to 1.95. BiasML < Biasnon-ML by ∼43%. A set of recommendations were proposed for lowering RoB. ML showed a lower bias compared to non-ML. For a robust ML-based CAD/CVD prediction design, it is vital to have (i) stronger outcomes like death or CAC score or coronary artery stenosis; (ii) ensuring scientific/clinical validation; (iii) adaptation of multiethnic groups while practicing unseen AI; (iv) amalgamation of conventional, laboratory, image-based and medication-based biomarkers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».