Sociodemographic Reporting in Artificial Intelligence Studies of Retinal Diseases
Notice bibliographique
Résumé
TOPIC: Artificial intelligence (AI) holds promise for retinal disease diagnosis and management, but its application may exacerbate existing disparities in eye health if equity considerations are not addressed. CLINICAL RELEVANCE: The lack of sociodemographic diversity in training datasets and poor reporting of participant characteristics may limit the generalizability and fairness of AI algorithms in retinal care. Assessing these gaps is essential for equitable implementation. METHODS: A comprehensive literature search was conducted using Ovid MEDLINE, Ovid Embase, and the Cochrane Central Register of Controlled Trials from January 1, 2018, to July 29, 2023. Sociodemographic reporting was evaluated using an equity framework. Study characteristics, geographic diversity, and algorithm performance stratified by demographic subgroups were analyzed. RESULTS: A total of 360 studies met inclusion criteria, the majority of which were retrospective (79.2%), imaging-based (99.4%) studies using fundus photos (51.9%) or OCT (43.1%) data from online databases (55.6%) or clinical charts (42.2%). Geographic diversity of studies was minimal, with only a few of the studies using clinical chart data that were collected in countries within the African (0.3%), Eastern Mediterranean (5.0%), and South-East Asian Region (6.7%). Sociodemographic reporting was limited, with 30.8% of studies reporting gender or sex, and only 8.9% reporting race or ethnicity of participants. Only 11.1% of studies tested AI algorithm performance by gender or sex, and 1.7% by race or ethnicity. The quality of racial and ethnic data reporting was poor overall, with significant gaps in how data were collected, determined, and classified. CONCLUSION: Artificial intelligence-related retinal studies have limited equity considerations, particularly with regards to underrepresentation of diverse sociodemographic groups and insufficient racial and ethnic data reporting. Enhanced diversity in study populations and improved data collection and reporting methodologies are needed to ensure AI algorithms are trained and perform comparably across heterogeneous populations affected by retinal diseases. FINANCIAL DISCLOSURE(S): The authors have no proprietary or commercial interest in any materials discussed in this article.
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 | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».