MétaCan
Menu
Retour à la cohorte
Enregistrement W4412163813 · doi:10.1158/1557-3265.aimachine-b002

Abstract B002: Fairness by Design: End-to-End Bias Evaluation for LLM-Generated Data

2025· article· en· W4412163813 sur OpenAlexaboutno aff
Melissa Estévez, Olive Mbah, Asad Sheikh, Patrick Ward, Evan Vietorisz, Megan W. Hildner, Lauren Dyson, Nisha Singh, Aaron B. Cohen

Notice bibliographique

RevueClinical Cancer Research · 2025
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueEthics and Social Impacts of AI
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEnd-to-end principleComputer scienceEnd userMedicineComputer networkWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Abstract Background: Because LLMs are often pre-trained on data that reflects systemic inequities, they are prone to reinforcing existing biases, so it is critical to assess their performance in order to prevent downstream harms. We propose an approach that comprehensively evaluates data quality, and apply it in assessing subgroup bias in the context of extracting clinical variables. Methods: A LLM was developed to extract initial and metastatic (met) breast cancer (BC) dx and date from the electronic health record (EHR). To assess quality, we leveraged three tools: variable metrics, verification checks and replication. For variable metrics, a test set of 772 patients (pts) underwent duplicate abstraction. We calculated recall and precision for both the abstractor and LLM for correctly identifying dx and date (within 30 days). For verification checks and replication, a LLM-curated BC cohort (N=935,240) was compared to a human abstracted cohort (N=56,861) from the Flatiron Health Research Database. Verification checks assessed how often pts received definitive surgery or radiation after met dx (clinically unexpected). Replication assessed overall survival (OS) using the Kaplan-meier method comparing OS estimates from LLM-identified vs. abstraction-identified BC dx date. To assess bias, we stratified performance by race/ethnicity (Latinx, White, Black) and age (<50, 50-64, 65-75, 75+). Results: For initial dx, LLM performance differed by race/ethnicity with higher recall among Black (+4.7%, CI:2.7%, 6.7%) and higher precision among Latinx (+1.2%, CI:0.2%, 2.3%) compared to White pts. We saw lower recall among pts 75+ (-7.1%, CI:-13.9%, -0.4%) compared to pts 50-64. We saw similar trends in abstractor performance except for pts 75+, with higher recall among Black (+1.2%, CI:0.2%, 2.2%) and higher precision among Latinx (+2.3%, CI:0.9%, 3.7%) compared to White pts. Performance of extracting both dx status and associated date did not vary across race/ethnicity or age groups. Verification checks showed no variation by race/ethnicity or age, except among pts 75+ among whom we saw a higher rate of surgery after met dx (21%) compared to those with expected sequence (15%, SMD=0.22). Finally, OS from initial and met dx aligned between abstracted- and LLM-generated datasets, except for the Latinx group, where confidence intervals did not overlap for 5-year OS (LLM:0.71 CI:0.70-0.71; abstracted:0.73 CI:0.71-0.75), but absolute differences were small. Discussion: Using Flatiron’s quality assessment framework enabled a nuanced evaluation of bias in EHR data curation. We observed small but present subgroup differences across both abstraction and LLM curation approaches, which may reflect clinical or documentation complexity. LLMs showed lower recall for patients 75+, warranting validation on a larger test set. As LLMs become increasingly central to RWD, proactively assessing and addressing bias is critical. These insights can inform improvements to the modeling process (i.e., new prompts) to enhance curation fairness. Citation Format: Melissa Estevez, Olive Mbah, Asad Sheikh, Patrick Ward, Evan Vietorisz, Megan Hildner, Lauren Dyson, Nisha Singh, Aaron B. Cohen. Fairness by Design: End-to-End Bias Evaluation for LLM-Generated Data [abstract]. In: Proceedings of the AACR Special Conference in Cancer Research: Artificial Intelligence and Machine Learning; 2025 Jul 10-12; Montreal, QC, Canada. Philadelphia (PA): AACR; Clin Cancer Res 2025;31(13_Suppl):Abstract nr B002.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,549
score de la tête « metaresearch » (Gemma)0,717
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Méthodes · Signal consensuel: Méthodes
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,451
Score d'incertitude au seuil0,557

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,5490,717
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0040,010
Bibliométrie0,0030,003
Études des sciences et des technologies0,0030,009
Communication savante0,0060,005
Science ouverte0,0050,007
Intégrité de la recherche0,0070,006
Charge utile insuffisante (le modèle a refusé de juger)0,0200,002

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.

Tête enseignante Opus0,872
Tête enseignante GPT0,718
Écart entre enseignants0,154 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeSimulation ou modélisation
DomaineMéthodes
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical Cancer ResearchMême sujetEthics and Social Impacts of AITravaux en français237 207