ترجمه فارسی مقاله تخصیص تطبیقی ​​منابع استخدامی برای بهبود نمایندگی گروهی در مجموعه داده‌های زیست‌پزشکی مشارکتی

چکیده

Large participatory biomedical studies, studies that recruit individuals to join a dataset, are gaining popularity and investment, especially for analysis by modern AI methods. Because they purposively recruit participants, these studies are uniquely able to address a lack of historical representation, an issue that has affected many biomedical datasets. In this work, we define representativeness as the similarity to a target population distribution of a set of attributes and our goal is to mirror the U.S. population across distributions of age, gender, race, and ethnicity. Many participatory studies recruit at several institutions, so we introduce a computational approach to adaptively allocate recruitment resources among sites to improve representativeness. In simulated recruitment of 10,000-participant cohorts from medical centers in the STAR Clinical Research Network, we show that our approach yields a more representative cohort than existing baselines. Thus, we highlight the value of computational modeling in guiding recruitment efforts.

چکیده به فارسی (ترجمه ماشینی)

مطالعات بزرگ زیست پزشکی مشارکتی ، مطالعاتی که افراد را برای پیوستن به مجموعه داده ها جذب می کنند ، به ویژه برای تجزیه و تحلیل با روش های مدرن هوش مصنوعی ، محبوبیت و سرمایه گذاری را به دست می آورند.از آنجا که آنها به طور هدفمند شرکت کنندگان را استخدام می کنند ، این مطالعات به طور منحصر به فرد قادر به عدم نمایش تاریخی هستند ، موضوعی که بسیاری از مجموعه داده های زیست پزشکی را تحت تأثیر قرار داده است.در این کار ، ما نمایندگی را شباهت به توزیع جمعیت هدف مجموعه ای از ویژگی ها تعریف می کنیم و هدف ما آینه کاری جمعیت ایالات متحده در توزیع سن ، جنس ، نژاد و قومیت است.بسیاری از مطالعات مشارکتی در چندین موسسه استخدام می شوند ، بنابراین ما یک رویکرد محاسباتی را برای تخصیص تخصیص منابع استخدام در بین سایت ها برای بهبود نمایندگی معرفی می کنیم.در استخدام شبیه سازی شده از 10،000 گروه شرکت کننده از مراکز پزشکی در شبکه تحقیقات بالینی Star ، ما نشان می دهیم که رویکرد ما یک گروه نماینده تر از خطوط موجود است.بنابراین ، ما ارزش مدل سازی محاسباتی را در هدایت تلاش های استخدام برجسته می کنیم.