ترجمه فارسی مقاله ارزیابی تأثیر سوگیری پالس اکسیمتری در یادگیری ماشین تحت تفکر خلاف واقع

چکیده

Algorithmic bias in healthcare mirrors existing data biases. However, the factors driving unfairness are not always known. Medical devices capture significant amounts of data but are prone to errors; for instance, pulse oximeters overestimate the arterial oxygen saturation of darker-skinned individuals, leading to worse outcomes. The impact of this bias in machine learning (ML) models remains unclear. This study addresses the technical challenges of quantifying the impact of medical device bias in downstream ML. Our experiments compare a “perfect world”, without pulse oximetry bias, using SaO2 (blood-gas), to the “actual world”, with biased measurements, using SpO2 (pulse oximetry). Under this counterfactual design, two models are trained with identical data, features, and settings, except for the method of measuring oxygen saturation: models using SaO2 are a “control” and models using SpO2 a “treatment”. The blood-gas oximetry linked dataset was a suitable test-bed, containing 163,396 nearly-simultaneous SpO2 – SaO2 paired measurements, aligned with a wide array of clinical features and outcomes. We studied three classification tasks: in-hospital mortality, respiratory SOFA score in the next 24 hours, and SOFA score increase by two points. Models using SaO2 instead of SpO2 generally showed better performance. Patients with overestimation of O2 by pulse oximetry of > 3% had significant decreases in mortality prediction recall, from 0.63 to 0.59, P < 0.001. This mirrors clinical processes where biased pulse oximetry readings provide clinicians with false reassurance of patients' oxygen levels. A similar degradation happened in ML models, with pulse oximetry biases leading to more false negatives in predicting adverse outcomes.

چکیده به فارسی (ترجمه ماشینی)

تعصب الگوریتمی در مراقبت های بهداشتی ، تعصب داده های موجود را نشان می دهد.با این حال ، عواملی که ناعادلانه رانندگی می کنند همیشه مشخص نیستند.دستگاه های پزشکی مقادیر قابل توجهی از داده ها را ضبط می کنند اما مستعد خطاها هستند.به عنوان مثال ، اکسیمتر پالس اشباع اکسیژن شریانی افراد دارای پوست تیره را بیش از حد ارزیابی می کند و منجر به نتایج بدتر می شود.تأثیر این تعصب در مدل های یادگیری ماشین (ML) نامشخص است.این مطالعه به چالش های فنی تعیین تأثیر تعصب دستگاه پزشکی در ML پایین دست می پردازد.آزمایشات ما “دنیای کامل” ، بدون تعصب پالس اکسی متری ، با استفاده از SAO2 (گاز خون) را با “دنیای واقعی” با اندازه گیری های مغرضانه ، با استفاده از SPO2 (پالس اکسی متری) مقایسه می کند.تحت این طراحی ضد خلاف واقع ، دو مدل با داده ها ، ویژگی ها و تنظیمات یکسان آموزش داده می شوند ، به جز روش اندازه گیری اشباع اکسیژن: مدل هایی با استفاده از SAO2 یک “کنترل” و مدل هایی با استفاده از SPO2 “درمان” هستند.مجموعه داده های مرتبط با اکسی متری خون یک تختخواب مناسب بود که حاوی 163،396 اندازه گیری زوجی SPO2 تقریباً شبیه به SPO2-SAO2 بود که با طیف گسترده ای از ویژگی ها و نتایج بالینی تراز شده است.ما سه وظیفه طبقه بندی را مطالعه کردیم: مرگ و میر در بیمارستان ، نمره مبل تنفسی در 24 ساعت آینده و نمره مبل با دو امتیاز افزایش می یابد.مدل های با استفاده از SAO2 به جای SPO2 به طور کلی عملکرد بهتری نشان می دهند.بیماران با برآورد بیش از حد O2 توسط پالس اکسی متری> 3 ٪ کاهش معنی داری در فراخوان پیش بینی مرگ و میر داشتند ، از 0.63 به 0.59 ، P <0.001.این فرآیندهای بالینی را آینه می دهد که در آن قرائت های پالس اکسی متری مغرضانه به پزشکان اطمینان می دهد که میزان اکسیژن بیماران را به پزشکان اطمینان می دهد.تخریب مشابه در مدلهای ML اتفاق افتاد ، با تعصبات اکسی متری پالس منجر به منفی بیشتر در پیش بینی پیامدهای نامطلوب می شود. [sc name="papertranslation"][/sc]