Adversarial Debiasing for Equitable and Fair Detection of Acute Coronary Syndrome Using 12-Lead ECG
Notice bibliographique
Résumé
OBJECTIVE: Acute coronary syndrome (ACS) is a life-threatening condition requiring accurate diagnosis for better outcomes. However, variability in signs and symptoms among racial subgroups could cause disparities in diagnostic accuracy. In this study, we use machine learning models to diagnose ACS, focusing on mitigating disparities and ensuring fairness between Black and non-Black populations. METHODS: We built on a state-of-the-art random forest classifier to compare three mitigation strategies. The first two approaches involved resampling or partitioning the data prior to training, while the third approach proposed an innovative framework called adversarial debiasing. To evaluate our model performance, we used the receiver operating characteristic (ROC) curve and an operating point at 80% specificity for clinical importance. RESULTS: After mitigation with adversarial debiasing, the difference in sensitivities between the two subgroups decreased from 9.8% to 1.3%. Specifically, this approach achieved areas under the ROC of 0.810 and 0.817, and sensitivities of 70.1% and 71.4%, respectively for Black and non-Black subgroups. CONCLUSION: The proposed adversarial debiasing model outperformed the other two methods in both diagnostic accuracy and effectiveness in minimizing disparities. SIGNIFICANCE: We expect this framework to achieve fair diagnostic models across diverse demographic populations globally and be generalizable to other outcomes.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».