“Kesetaraan Kesehatan: Bagaimana Algoritma dan Data Dapat Meringankan, Tidak Memperburuk, Membahayakan?” Rekap Panel AAAS

Kesehatan seseorang adalah subjek yang sangat pribadi, dan pergi ke dokter bisa menjadi pengalaman yang menakutkan dan menegangkan. Ini terutama berlaku untuk orang-orang yang merupakan bagian dari kelompok yang secara historis gagal oleh sistem medis. Masalah struktural dalam sistem perawatan kesehatan ini telah meresapi algoritme yang semakin banyak digunakan dalam diagnosis dan perawatan pasien. CCC menyelenggarakan panel, "Ekuitas Kesehatan: Bagaimana Algoritma dan Data Dapat Mengurangi, Tidak Memperburuk, Membahayakan?" yang menangani masalah ini. Panelis yang hadir adalah Dr. Amaka Eneanya (Fresenius Medical Care), Dr. Mona Singh (Princeton University), Dr. Melanie Moses (University of New Mexico), dan Dr. Katie Siek (Indiana University).

Dr. Eneanya memulai panel dengan membahas bagaimana sebuah persamaan secara sistematis meremehkan penyakit ginjalse di Amerika Hitam selama beberapa dekade. Dia menjelaskan bahwa di AS, semua pasien yang memiliki penyakit ginjal dimasukkan ke dalam daftar. Prevalensi penyakit telah meningkat secara keseluruhan dalam beberapa dekade terakhir, dan untuk orang kulit hitam cenderung lebih umum dan parah. 

Dr. Eneanya menguraikan perbedaan ras/etnis ini dalam faktor risiko dan hasil penyakit ginjal kronis (CKD) (Eneanya ND et al. Pendeta Alam NepH. 2021, Sistem Data Ginjal Amerika Serikat.):

• Prevalensi diabetes tertinggi di antara orang kulit hitam dibandingkan dengan kelompok ras lainnya 
  • Orang kulit hitam dan Hispanik didiagnosis pada usia yang lebih muda dibandingkan dengan orang kulit putih 
• Orang kulit hitam memiliki tingkat hipertensi yang jauh lebih tinggi dibandingkan dengan orang kulit putih 
  • Kontrol hipertensi kurang di antara orang kulit hitam dan Hispanik dibandingkan dengan orang kulit putih
• Orang kulit hitam lebih kecil kemungkinannya untuk menerima perawatan nefrologi sebelum memulai dialisis dibandingkan dengan kelompok ras lain 
• Risiko berkembangnya gagal ginjal yang membutuhkan dialisis atau transplantasi ginjal 
  • 4 kali lipat lebih tinggi pada individu Kulit Hitam versus Kulit Putih 
  • 1.3 kali lipat lebih tinggi pada orang Hispanik versus orang kulit putih 
• Orang kulit hitam lebih kecil kemungkinannya untuk menerima transplantasi ginjal dibandingkan dengan kelompok ras lain

Rasisme struktural menambah hasil kesehatan yang buruk dari penyakit terkait ginjal, Dr. Eneanya menjelaskan (Eneanya ND et al. Pendeta Alam NepH. 2021.):

Kebiasaan gaya hidup apa yang mampu Anda lakukan – seperti apa yang Anda makan, dan dampak biologis seperti stres rasisme dan diskriminasi semuanya menyebabkan perubahan metabolisme dalam tubuh, yang dapat menyebabkan penurunan fungsi ginjal.

Dr. Eneanya beralih ke contoh bagaimana algoritme yang saat ini digunakan oleh dokter memiliki konsekuensi di dunia nyata. Persamaan eGFR adalah algoritma yang digunakan untuk menentukan seberapa kuat fungsi ginjal pasien. EGFR yang lebih tinggi menunjukkan fungsi ginjal yang lebih baik. Tingkat eGFR pasien menentukan apakah mereka memenuhi syarat untuk perawatan tertentu, dan, mungkin yang paling penting, transplantasi ginjal. Namun, algoritme tersebut menunjukkan bahwa orang kulit hitam dan non-kulit hitam yang memiliki usia, jenis kelamin, dan ukuran kreatinin yang sama (tes darah yang mengukur fungsi ginjal) yang sama, memiliki tingkat eGFR yang berbeda. Algoritme menghitung bahwa orang kulit hitam memiliki eGFR yang lebih tinggi, fungsi ginjal yang seharusnya lebih unggul, daripada orang non-kulit hitam. Ini membatasi perawatan yang berhak mereka terima, dan berarti mereka harus lebih sakit untuk menerima bantuan yang seharusnya mereka terima.

Eneanya menjelaskan sejarah algoritme yang mengungkapkan mengapa algoritme menghitung dengan cara yang salah arah ini: sebuah studi tahun 1999 menghubungkan kreatinin serum yang lebih tinggi dengan orang kulit hitam karena asumsi yang salah bahwa mereka memiliki massa otot yang lebih tinggi. Studi ini mengembangkan persamaan eGFR pertama yang digunakan di Amerika Serikat dan memasukkan faktor perkalian "ras kulit hitam" yang menyebabkan eGFR lebih tinggi di antara individu kulit hitam. Penggunaan eGFR bermasalah karena dokter dibiarkan menilai ras seseorang berdasarkan penampilan atau catatan medis (yang mungkin mencantumkan ras sebagai asumsi sisa dari dokter sebelumnya). Juga tidak ada perbedaan untuk individu ras campuran, atau metode untuk mengklasifikasikan mereka.

Dr. Eneanya adalah seorang penulis pada sebuah artikel yang mengubah bagaimana eGFR dihitung dalam perawatan kesehatan dengan mengadvokasi persamaan yang tidak memasukkan ras ke dalam estimasi (Inker LA, Eneanya ND, et al. NEJM 2021, Delgado C, dkk. JASN 2021). Dr. Eneanya dan rekan-rekannya kembali ke studi awal tahun 1999 dan menghapus ras dari persamaan dan memasangnya kembali dengan input lain. Saat ini, ⅓ rumah sakit dan klinik di AS menggunakan persamaan baru, dan United Network for Organ Sharing (UNOS) secara khusus membatasi semua pusat transplantasi untuk menggunakan persamaan berbasis ras pada Juni 2022. Mereka melangkah lebih jauh pada bulan Januari 2023 dan menyatakan bahwa semua pusat transplantasi AS diharuskan untuk meninjau semua pasien kulit hitam dalam daftar tunggu transplantasi ginjal dan mengubah waktu daftar tunggu mereka jika dipengaruhi oleh persamaan eGFR berbasis ras. Dr. Eneanya menjelaskan bahwa sementara UNOS adalah bagian dari pemerintah federal, pemerintah tidak terlibat langsung dengan keputusan untuk melarang penggunaan persamaan berbasis ras.

Selain adopsi universal dari persamaan eGFR baru, Dr. Eneanya memiliki beberapa pendekatan masa depan yang dia lihat sebagai kunci akses yang adil untuk pengobatan penyakit ginjal:

• Kembangkan kebijakan dan proses untuk meningkatkan akses ke perawatan pencegahan penyakit ginjal kronis 
• Mengembangkan kebijakan untuk meningkatkan akses transplantasi ginjal 
• Selidiki efek lingkungan (misalnya, stres, diskriminasi) pada fungsi ginjal dan perkembangan penyakit
• Transparansi dalam membahas penentuan fungsi ginjal dengan pasien (termasuk keterbatasan persamaan eGFR)

Eneanya menjelaskan bahwa menghilangkan stereotip tentang ras kulit hitam bermuara pada menghilangkan kekeliruan dan berita palsu yang tidak memiliki dasar ilmiah. Misalnya, kurikulum sekolah kedokteran berubah untuk menunjukkan bahwa tidak ada dasar antropologis bahwa ada lebih banyak massa otot dalam satu ras daripada yang lain. Media telah melakukan pekerjaan yang baik untuk membagikan mitos yang rusak ini, dan Dr. Eneanya bahkan berkonsultasi pada episode Grey's Anatomy yang menyoroti dampak buruk dari persamaan eGFR untuk pasien kulit hitam yang membutuhkan transplantasi ginjal.

Dr. Singh melanjutkan perbincangan tentang kesenjangan kesehatan dengan menjelaskan bahwa di AS, orang kulit hitam memiliki tingkat kematian akibat kanker yang lebih tinggi dibandingkan dengan orang kulit putih. Fakta ini mencontohkan bahwa ada banyak tantangan yang harus dihadapi oleh para profesional medis dan peneliti komputasi, ada juga banyak peluang untuk mengembangkan metode yang tidak memperlebar kesenjangan yang ada. 

Dr. Singh pertama kali menjelaskan biologi kanker: “Kanker adalah penyakit di mana sel-sel kita mengalami mutasi yang memungkinkan mereka tumbuh tak terkendali. Jadi Jika kita ingin memahami dasar-dasar molekuler kanker pada SATU individu mana pun, kita dapat melihat genom sel kankernya dan sel non-kankernya, serta urutannya. Setelah kami mengurutkan sel normal dan kanker, kami dapat membandingkan genom, dan mengungkap mutasi mana yang kami peroleh dalam sel kanker, dan ini mungkin memberi kami petunjuk tentang perubahan apa yang mungkin relevan untuk kanker individu tersebut. Inilah tepatnya yang telah dilakukan dalam 15 tahun terakhir ini, di mana tumor dari puluhan ribu orang telah diurutkan, dan mutasi di dalamnya teridentifikasi.”

Hampir semua orang mengenal seseorang yang telah didiagnosis menderita kanker, dan tidak ada obat universal. Namun, Dr. Singh selanjutnya membahas janji onkologi presisi, di mana seorang ilmuwan mengurutkan tumor pasien, mengidentifikasi mutasi DNA mereka, dan melakukan analisis komputasi untuk menentukan perubahan mana yang dapat ditargetkan. Imunoterapi adalah pendekatan untuk memanfaatkan sistem kekebalan tubuh seseorang untuk menargetkan tumornya. Imunoterapi yang menjanjikan dan akan datang adalah merancang vaksin yang dipersonalisasi untuk setiap individu dan vaksin ini membangkitkan respons kekebalan terhadap tumor mereka.

Dr. Singh menjelaskan cara kerjanya adalah bahwa setiap sistem kekebalan tubuh kita memiliki 6 salinan berbeda dari gen kelas I kompleks histokompatibilitas utama klasik (MHC). Ada lebih dari 13,000 varian MHC yang berbeda dari gen ini, sehingga setiap orang memiliki rangkaian gen MHC yang berbeda. Beberapa mutasi dalam sel kanker menghasilkan protein "asing" dan beberapa di antaranya dapat diikat oleh MHC seseorang. Kompleks MHC yang terikat dengan fragmen protein turunan kanker ini dikenali oleh sel imun dan dapat mengaktifkan respons imun. Ini sangat personal karena tumor setiap individu dapat memiliki mutasi yang berbeda dan setiap individu memiliki MHC yang berbeda. Para ilmuwan menggunakan pembelajaran mesin untuk memprediksi varian MHC apa yang mengikat peptida mana, yang diharapkan akan meningkatkan kemanjuran imunoterapi dan pada akhirnya mengarah pada desain vaksin neoantigen yang dipersonalisasi.

Variasi gen MHC sangat bervariasi di seluruh dunia, Dr. Singh menjelaskan. Sebagian besar alel MHC tidak memiliki data pengikatan yang terkait dengannya, dan alel yang memiliki data tentang pengikatannya bias mendukung beberapa kelompok ras. Saat menguji kumpulan data, penting untuk tidak hanya berfokus pada kinerja secara keseluruhan, tetapi juga mempertimbangkan subpopulasi data sehingga setiap orang memiliki akses yang sama terhadap manfaat potensial dari penelitian ini.

Set pelatihan harus dianalisis untuk bias sebelum diterapkan. Selain itu, metode untuk memperkirakan kinerja pada data yang tidak terlihat dapat mengungkap bias pada data yang dilatihkan. Mengumpulkan data dengan cara yang tidak bias sangat penting untuk membatasi peluang bias nantinya dalam penggunaan algoritme. Area untuk pekerjaan masa depan pada topik ini berfokus pada prosedur pelatihan alternatif, dan strategi algoritmik untuk pengumpulan data yang ditargetkan. Secara keseluruhan, sangat penting untuk memprioritaskan pengembangan pendekatan pengobatan presisi yang adil sehingga terapi dan penelitian di hilir dapat dilakukan secara merata.

Dr. Moses berbicara selanjutnya dan dia mengontekstualisasikan bagaimana algoritme pengikat eGFR dan MHC-peptida masuk ke dalam ekosistem yang lebih besar tentang bagaimana algoritme medis memengaruhi hasil sosial. Dia menjelaskan bahwa para ilmuwan menggunakan algoritme dan AI untuk memprediksi hasil yang kami minati dari proxy yang dapat diukur dengan mudah, dan proxy tersebut bisa jadi tidak akurat. Untuk membuat algoritme medis menjadi lebih rumit, mereka terus berinteraksi satu sama lain dengan cara yang tidak dapat diprediksi sehingga algoritme lengkap pada diagnosis pasien biasanya tidak jelas. Oleh karena itu, sangat penting untuk menggunakan algoritme dengan hati-hati, terutama karena jika algoritme gagal, algoritme dapat sangat berbahaya bagi yang paling rentan.

Mencari tahu siapa yang terkena dampak algoritme dan mengapa merupakan bagian penting dari ekuitas medis. Dr. Moses mengambil langkah mundur dan mendefinisikan ekuitas. Grafik umum digunakan untuk membedakan ekuitas dari kesetaraan, dengan individu dengan 3 ketinggian berbeda berjuang untuk melihat pertandingan bisbol dan cara berbeda untuk mendukungnya, cacat bahkan pada gambar ke-3 yang menghilangkan penghalang karena itu menunjukkan bahwa ada sesuatu yang melekat pada orang tersebut untuk mengapa mereka membutuhkan dukungan daripada alasan sosial yang mungkin telah menyebabkan ketidaksetaraan sejak awal.

Dr. Moses menunjukkan grafik alternatif untuk mendefinisikan seperti apa keadilan dalam masyarakat dengan ketidakadilan sistemik (Hak Cipta 2020 oleh Nicolás E. Barceló dan Sonya Shadravan (Artis: Aria Ghalili)):

Grafik ini mengungkapkan bahwa tidak semua orang bisa mendapatkan keuntungan hanya dari penghalang yang dihilangkan, tetapi ada masalah yang mengakar yang perlu ditangani untuk mencapai keadilan.

Ilmuwan komputasi harus selalu mengingat konteks penting ini, Dr. Moses berpendapat. Seringkali sulit untuk mengidentifikasi asumsi yang ada dalam pembuatan algoritme, bahkan dengan algoritme yang paling sederhana sekalipun. Juga mudah untuk menggunakan korelasi statistik untuk memprediksi hasil dan menganggap bahwa korelasi sama dengan sebab-akibat, tetapi itu adalah kekeliruan.

Dr. Moses melanjutkan dengan memberikan contoh nyata dari algoritma yang tidak adil yang digunakan di masyarakat saat ini di domain lain. Misalnya, algoritme dalam sistem peradilan pidana yang menggantikan uang jaminan untuk penahanan pra-sidang. Maksudnya adalah agar proses tersebut menjadi metode yang digerakkan oleh data dan tidak memihak untuk menahan mereka yang berbahaya atau berisiko tinggi agar tidak muncul untuk diadili. Namun, algoritme memiliki banyak kekurangan baik dalam kemampuan algoritme untuk membuat prediksi yang adil dan akurat maupun bias sistem yang menjadi bagian dari algoritme, termasuk input yang bias dan interpretasi output yang bias. Contoh lain bagaimana bias rasial diabadikan dalam sistem peradilan pidana oleh algoritme adalah perangkat lunak pengenalan wajah. Meskipun pengenalan wajah terbukti kurang akurat dalam mengidentifikasi wajah wanita berkulit gelap, wajah pria berkulit hitamlah yang paling sering salah diidentifikasi oleh algoritme ini yang menyebabkan penangkapan palsu. Ini menunjukkan bagaimana bias yang paling memengaruhi satu kelompok (wanita kulit hitam) dalam hal klasifikasi yang akurat, dapat memiliki dampak terbesar pada kelompok lain (pria kulit hitam) karena bias dalam sistem peradilan pidana.

Algoritme dapat memperburuk bias manusia, dan juga dapat diabaikan jika tidak memperkuat penilaian yang akan Anda buat tanpa berkonsultasi dengan algoritme. Ini juga berlaku dalam algoritme bias dalam kedokteran. Misalnya, oksimeter denyut kurang akurat dalam mendeteksi kadar oksigen pada kulit yang lebih gelap, yang dapat menyebabkan penyakit pernapasan seperti COVID parah tidak terdiagnosis. Menggunakan jumlah uang yang dihabiskan untuk perawatan kesehatan sebagai proksi seberapa sehat seseorang adalah ukuran lain yang tidak adil. Contoh-contoh yang dijelaskan oleh Dr. Eneanya dan Dr. Singh, ginjal eGFR mengabaikan gangguan ginjal pada orang Afrika-Amerika, dan kumpulan data genom yang mewakili keturunan Eropa secara berlebihan, adalah contoh menonjol lainnya dari algoritme bias dalam kedokteran yang memiliki konsekuensi hilir yang berbahaya bagi orang yang terkena dampaknya. Persamaan eGFR digunakan untuk mengidentifikasi tahanan yang cukup sakit untuk dibebaskan dari penjara selama COVID, yang mengakibatkan seorang pria Afrika-Amerika ditolak pembebasannya karena fungsi ginjalnya terlalu tinggi.

Umpan balik dapat meningkatkan algoritme, atau memperburuk kerusakannya. Algoritma bukanlah jalan satu arah, karena bertujuan untuk memprediksi perilaku dari data dan prediksi satu tahun memengaruhi data tahun berikutnya. Algoritma harus bertujuan untuk mengurangi bias dari waktu ke waktu; misalnya, sidang jaminan harus membantu terdakwa muncul di persidangan daripada memprediksi kegagalan; kepolisian harus bertujuan untuk mengurangi kejahatan dan penangkapan palsu. Algoritma yang digunakan lintas domain tidak boleh kaku karena akan ada umpan balik antara orang, algoritme, dan konteks sosial.

Moses juga mengusulkan jalur tambahan ke depan: menghilangkan bias dari kumpulan data, mempertanyakan asumsi, membalikkan (bukan memperkuat) bias sistemik, mengevaluasi dengan keragaman perspektif, menuntut algoritme yang transparan & dapat dijelaskan, dan menggunakan penerapan bertahap dan adaptif. Persepsi umum adalah bahwa algoritme entah bagaimana menghilangkan bias, tetapi pada kenyataannya algoritme sering mengkodifikasi bias dan kita perlu berhati-hati terhadap algoritme dan hasilnya.

Bagian terakhir dari panel adalah Q&A. Moderator Dr. Siek memulai sesi dengan bertanya, “bagaimana algoritme dan data tidak memperburuk kerugian?”

• Dr. Eneanya: Jika seorang peneliti berhenti dengan ras saat mencari pembeda dalam suatu algoritme, itu malas dan tidak valid secara ilmiah. Secara genetik, manusia terlihat lebih mirip di antara ras daripada di dalam. Lebih penting untuk memikirkan karakteristik biologis yang benar-benar berdampak pada sistem manusia seperti ginjal. Misalnya, saat menguji oksimeter denyut, peneliti harus berkonsultasi dengan dokter kulit untuk menguji dan memvalidasi oksimeter denyut berdasarkan warna kulit yang berbeda – daripada menggunakan satu jenis perangkat untuk orang dengan warna kulit berbeda.
• Dr. Moses: Kita harus menggunakan pendekatan yang sama untuk memvalidasi algoritme setelah digunakan. Mengenali ras sebagai konstruksi sosial memungkinkan untuk melihat studi buta ras berdampak. Penting untuk mencari perbedaan antar kelompok untuk mengidentifikasi perbedaan potensial yang diperkuat oleh algoritme. Harus mengevaluasi apakah algoritme meminimalkan masalah, atau membuatnya lebih baik?
• Dr. Singh: Ras tidak boleh digunakan sebagai input, tetapi dapat digunakan untuk mengevaluasi output untuk bias. Jika kita tidak memikirkan ras, kita bahkan tidak dapat mengatakan ada perbedaan kesehatan. Mengumpulkan data genom dan mengkategorikan berdasarkan keturunan juga merupakan metodologi yang cacat. Kami harus memastikan untuk mengevaluasi apakah metode bekerja dengan baik di seluruh populasi.
• Dr. Eneanya: Saat kita melakukan diversifikasi populasi penelitian, kita perlu menjauh dari sekadar membawa kelompok orang kulit putih atau kulit hitam. Kita perlu melihat lebih banyak perbedaan dalam kelompok-kelompok ini seperti faktor-faktor seperti status sosial, jenis kelamin, seksualitas, dll. Kita perlu melihat gambaran keseluruhan dan bukan hanya kumpulan data keragaman berdasarkan ras.
• Dr. Moses: Algoritma adalah jenis alat yang seharusnya membantu kita melakukan itu, ada banyak strategi komputasi potensial yang dapat membantu.
• Dr. Singh: Saya setuju bahwa algoritme memainkan peran besar di sini, jadi bagaimana kami memprioritaskan pengumpulan data? Kita perlu memikirkan bagaimana kita melakukannya dengan sangat hati-hati.

Seorang anggota audiens kemudian bertanya, "Mengingat desakan besar untuk mengembangkan algoritme berdasarkan kumpulan data saat ini dengan bias, apakah ada cara untuk menangkal bias dalam algoritme selain menghilangkan bias dalam kumpulan data?" 

• Dr. Singh: Sulit untuk mengatasi bias dalam kumpulan data; ini adalah area penelitian aktif. Sangat mudah untuk over atau under data sampel. Ada berbagai cara untuk melatih model ML di mana tujuan keseluruhan (biasanya fungsi yang Anda coba minimalkan, biasanya menggunakan seluruh kumpulan data) adalah seperti apa pengoptimalan seharusnya.
• Eneanya: Banyak algoritme medis dianggap perlu memasukkan ras agar lebih tepat.. Namun, orang perlu memeriksa secara kritis mengapa ras diperkenalkan? Menghapus ras sebagai variabel mungkin tidak mengubah kinerja algoritme sebanyak yang Anda pikirkan. Apakah ada artinya (secara klinis) ketika hasilnya hanya berubah sedikit setelah menghapus variabel seperti ras?
• Dr. Singh: Ini tidak berarti apa-apa ketika perangkat pelatihan Anda dan perangkat yang Anda gunakan sangat berbeda.

Dr. Siek mengajukan pertanyaan lain kepada panelis, “Jika kita dapat melakukan ini lagi, apa yang akan kita lakukan secara berbeda?”

• Dr. Eneanya: Berhenti dengan ras saat mengevaluasi alasan perbedaan hasil kesehatan seharusnya tidak terjadi. Misalnya dengan kadar kreatinin, kita harus memikirkan apa lagi yang dapat memengaruhi kreatinin? Kami membutuhkan kumpulan data yang lebih baik, yang membutuhkan pembangunan kepercayaan di komunitas. Ini dapat terlihat seperti meningkatkan keragaman populasi percobaan, mengevaluasi seperti apa staf studi Anda, dll. Hibah Institut Kesehatan Nasional semakin membutuhkan mitra berbasis komunitas dan spesialis ekuitas kesehatan sebagai bagian dari tim peneliti. Kami perlu mengubah perangkat lama, tetapi juga perlu membangun perangkat yang lebih baik di masa mendatang. Kami hanya dapat melakukan banyak hal dengan mencoba mengkonfigurasi ulang apa yang ada di luar sana.
• Dr. Moses: Di luar apa yang dapat kami lakukan jika kami memulai kembali, saya suka menganggap algoritme sebagai cermin masyarakat. Mereka dilatih oleh semua orang di internet. Dengan menggunakan itu sebagai input ke tingkat algoritme berikutnya, kita dapat menentukan di mana bias itu, mengapa bias itu ada, dan apa dampaknya di masa depan. Kita perlu bertanya bagaimana menggunakan alat kuantitatif ini untuk mengetahui cara memperbaiki situasi ini daripada memperburuknya.
• Dr. Singh: Banyak genom yang telah dikumpulkan tidak mewakili populasi secara keseluruhan. Kita harus mulai dengan keterlibatan dari berbagai kalangan.

Pertanyaan audiens terakhir adalah: “Sampai kita mencapai titik di mana kita memiliki gambaran genom lengkap dari semua manusia, akan ada antusiasme untuk menggunakan ML dan algoritme. Apa hal nyata di tingkat tinjauan sejawat yang dapat kami lakukan sekarang sehingga kami tidak perlu memperbaikinya dalam 30 tahun?”

• Dr. Eneanya: Sempurna adalah musuh kebaikan. Kami harus melakukan yang terbaik yang kami bisa. Kami dapat mengidentifikasi bias, lalu melakukan yang terbaik untuk bergerak maju. Hambatan ada yang tidak ada hubungannya dengan algoritma klinis. Hanya memperbaiki algoritme eGFR dengan menyingkirkan ras tidak akan menyelesaikan disparitas penyakit ginjal. Banyak pekerjaan yang harus dilakukan pada aspek multivariabel dari represi.
• Dr. Musa: Pekerjaan yang Anda [Dr. Eneanya] telah dilakukan untuk merekayasa ulang algoritme untuk semua persis bagaimana untuk bergerak maju. Kami harus memperbaiki sistem. Juga menggunakan fakta bahwa itu harus diperbaiki; mudah untuk melihat bias yang tertulis ke dalam persamaan. Persamaan ginjal berfungsi sebagai cermin bagi masyarakat yang mengizinkan ras dikodekan dengan cara yang merugikan orang Afrika-Amerika selama beberapa dekade. Bias dalam persamaan itu eksplisit dan disengaja. Akan jauh lebih sulit untuk mengidentifikasi bias dalam algoritme yang lebih kompleks di masa mendatang.

Nantikan rekap panel yang disponsori AAAS 2023 CCC lainnya!

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
• Sumber: https://feeds.feedblitz.com/~/733934357/0/cccblog~Health-Equity-How-Can-Algorithms-and-Data-Mitigate-Not-Exacerbate-Harms-AAAS-Panel-Recap/