Diversity and Inclusion Within Datasets in Heart Failure
Notice bibliographique
Résumé
BACKGROUND: Heart failure (HF) is a life-threatening disease affecting 64 million people worldwide. Artificial intelligence (AI) technologies are being developed for use in HF to support early diagnosis and stratification of treatment. The performance characteristics of AI technologies are influenced by whether the data used during the AI lifecycle reflects the populations for which the AI is used. OBJECTIVES: The aim of the study was to identify and characterize datasets used across the lifecycle of AI technologies for HF, focusing on data diversity and inclusivity. METHODS: MEDLINE and Embase were systematically searched from January 1, 2012, until August 30, 2022, to identify articles relating to the development of AI in HF. Articles were independently screened by 2 reviewers to identify datasets. Dataset documentation was analyzed with a focus on accessibility, geographical origin, relevant metadata reporting, and dataset composition. RESULTS: The 72 datasets identified represented 23 countries and over 2 million individuals. In total, 62 (86%) datasets reported "age," 61 (85%) reported sex or gender, 21 (29%) reported race and/or ethnicity, and 8 (11%) reported socioeconomic status. In the 21 datasets that reported race and/or ethnicity, 89% of individuals represented were reported within the "White" or "Caucasian" category. Only 20 (28%) datasets were fully accessible. CONCLUSIONS: Reporting of sex, gender, and socioeconomic status in HF datasets is inconsistent. There is a need to generate datasets that are transparently reported and accessible. Although collecting and reporting demographic attributes is complex and needs to be undertaken with appropriate safeguards, it is also an essential step toward building equitable AI-based health technologies.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».