Why federated learning will do little to overcome the deeply embedded biases in clinical medicine
Notice bibliographique
Résumé
We read with great interest the article by van Genderen et al. [1] which provides a contemporary and comprehensive overview of the potential of federating data access and data sharing in intensive care.Importantly, the authors list the perpetuation of biases encoded in clinical care practice as a major potential shortcoming.Furthermore, they state that this could be mitigated by "ensuring an adequate representation of hospitals from various regions worldwide could lead to more diverse and inclusive health datasets."We agree that the use of diverse and inclusive health datasets should be promoted as a necessary first step to build fair machine learning algorithms.However, we do not believe that this will be sufficient to overcome the deeply embedded biases in medicine from a knowledge system that is designed around a majoritized few.Even with high quality data from the intensive care units from across the world, the social patterning of the data generation process can still produce artificial intelligence (AI) that is bound to preserve and even scale existing disparities in care with resulting inequities in patient outcomes.There are numerous examples of data issues that stem from the social patterning of the data capture and data generation process (Fig. 1).These include, but are certainly not limited to, (1) the differential performance of medical devices used to measure physiologic signals
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,113 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,005 | 0,012 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,031 | 0,052 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,006 |
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 source (Gemma direct ou Codex distillé), 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 ».