ترجمه فارسی مقاله کاهش پیشقدر جنسیتی در مدل‌های تشخیص الگوی تنفسی COPD مبتنی بر داده‌های صوتی و COVID-19

چکیده

In the healthcare industry, researchers have been developing machine learning models to automate diagnosing patients with respiratory illnesses based on their breathing patterns. However, these models do not consider the demographic biases, particularly sex bias, that often occur when models are trained with a skewed patient dataset. Hence, it is essential in such an important industry to reduce this bias so that models can make fair diagnoses. In this work, we examine the bias in models used to detect breathing patterns of two major respiratory diseases, i.e., chronic obstructive pulmonary disease (COPD) and COVID-19. Using decision tree models trained with audio recordings of breathing patterns obtained from two open-source datasets consisting of 29 COPD and 680 COVID-19-positive patients, we analyze the effect of sex bias on the models. With a threshold optimizer and two constraints (demographic parity and equalized odds) to mitigate the bias, we witness 81.43% (demographic parity difference) and 71.81% (equalized odds difference) improvements. These findings are statistically significant.

چکیده به فارسی (ترجمه ماشینی)

در صنعت مراقبت های بهداشتی ، محققان در حال تهیه مدل های یادگیری ماشین برای تشخیص خودکار بیماران مبتلا به بیماری های تنفسی بر اساس الگوهای تنفس خود هستند.با این حال ، این مدل ها تعصبات جمعیتی ، به ویژه تعصب جنسی را در نظر نمی گیرند ، که اغلب در هنگام آموزش مدل ها با یک مجموعه داده بیمار مبتلا به بیمار اتفاق می افتد.از این رو ، در چنین صنعت مهمی برای کاهش این تعصب ضروری است تا مدل ها بتوانند تشخیص عادلانه ای را انجام دهند.در این کار ، تعصب در مدل های مورد استفاده برای تشخیص الگوهای تنفس دو بیماری عمده تنفسی ، یعنی بیماری انسداد مزمن ریوی (COPD) و COVID-19 را بررسی می کنیم.با استفاده از مدلهای درخت تصمیم گیری که با ضبط های صوتی الگوهای تنفسی به دست آمده از دو مجموعه داده منبع باز متشکل از 29 بیمار COPD و 680 بیمار Covid-19 مثبت آموزش داده شده است ، ما تأثیر تعصب جنسی را بر روی مدل ها تجزیه و تحلیل می کنیم.با یک بهینه ساز آستانه و دو محدودیت (برابری جمعیت شناختی و شانس برابر) برای کاهش تعصب ، شاهد پیشرفت 81.43 ٪ (اختلاف برابری جمعیتی) و 71.81 ٪ (اختلاف شانس برابر) هستیم.این یافته ها از نظر آماری معنی دار هستند.