ترجمه فارسی مقاله ارزیابی و کاهش نابرابری زیرگروه‌ها در مدل‌های هوش مصنوعی: تحلیلی بر نتایج آزمایش کووید-19 کودکان

چکیده

Artificial Intelligence (AI) fairness in healthcare settings has attracted significant attention due to the concerns to propagate existing health disparities. Despite ongoing research, the frequency and extent of subgroup fairness have not been sufficiently studied. In this study, we extracted a nationally representative pediatric dataset (ages 0-17, n=9,935) from the US National Health Interview Survey (NHIS) concerning COVID-19 test outcomes. For subgroup disparity assessment, we trained 50 models using five machine learning algorithms. We assessed the models’ area under the curve (AUC) on 12 small (<15% of the total n) subgroups defined using social economic factors versus the on the overall population. Our results show that subgroup disparities were prevalent (50.7%) in the models. Subgroup AUCs were generally lower, with a mean difference of 0.01, ranging from -0.29 to +0.41. Notably, the disparities were not always statistically significant, with four out of 12 subgroups having statistically significant disparities across models. Additionally, we explored the efficacy of synthetic data in mitigating identified disparities. The introduction of synthetic data enhanced subgroup disparity in 57.7% of the models. The mean AUC disparities for models with synthetic data decreased on average by 0.03 via resampling and 0.04 via generative adverbial network methods.

چکیده به فارسی (ترجمه ماشینی)

انصاف هوش مصنوعی (AI) در تنظیمات مراقبت های بهداشتی به دلیل نگرانی از تبلیغ نابرابری های بهداشتی موجود ، مورد توجه قابل توجهی قرار گرفته است.با وجود تحقیقات مداوم ، فراوانی و میزان انصاف زیر گروه به اندازه کافی مورد مطالعه قرار نگرفته است.در این مطالعه ، ما یک مجموعه داده ملی کودکان (در سنین 0 تا 17 سال ، 9،935 نفر) از بررسی مصاحبه ملی بهداشت ایالات متحده (NHIS) در مورد نتایج آزمون COVID-19 استخراج کردیم.برای ارزیابی نابرابری زیر گروه ، ما 50 مدل را با استفاده از پنج الگوریتم یادگیری ماشین آموزش دادیم.ما منطقه مدل ها را در زیر منحنی (AUC) در 12 زیر گروه کوچک (<15 ٪ از کل N) تعریف شده با استفاده از عوامل اقتصادی اجتماعی در مقابل جمعیت کلی ارزیابی کردیم.نتایج ما نشان می دهد که نابرابری های زیر گروه در مدل ها شیوع داشت (7 /50 ٪).AUC های زیر گروه به طور کلی پایین تر بودند ، با میانگین اختلاف 0.01 ، از -0.29 تا 0.0.41.نکته قابل توجه ، نابرابری ها همیشه از نظر آماری معنی دار نبودند ، به طوری که چهار از 12 زیر گروه از نظر آماری دارای اختلافات آماری قابل توجهی در بین مدلها بودند.علاوه بر این ، ما اثربخشی داده های مصنوعی را در کاهش نابرابری های شناسایی شده بررسی کردیم.معرفی داده های مصنوعی باعث افزایش اختلاف زیر گروه در 57.7 ٪ از مدل ها می شود.ميانگين نيزي هاي AUC براي مدلها با داده هاي مصنوعی به طور متوسط ​​از طريق يك مجدداً با 0.03 كاهش يافت و 0.04 از طریق روش هاي شبكه مولد. [sc name="papertranslation"][/sc]