আইকাহান সিনাই আইকাহান স্কুল অফ মেডিসিনের গবেষকদের একটি দল মেশিন-অ্যাডিং লার্নিং অ্যালগরিদম গঠনের জন্য ব্যবহৃত ডেটা সেটগুলিতে পক্ষপাতিত্বগুলি সনাক্ত করতে এবং হ্রাস করার জন্য একটি নতুন পদ্ধতি তৈরি করেছে যা রোগ নির্ণয় এবং চিকিত্সার সিদ্ধান্তের যথার্থতাকে প্রভাবিত করতে পারে। ফলাফল 4 সেপ্টেম্বর অনলাইন ইস্যুতে প্রকাশিত হয়েছিল মেডিকেল ইন্টারনেট গবেষণা জার্নাল (Doi: 10.2196 / 71757)।
সমস্যাটি সমাধানের জন্য, তদন্তকারীরা এউইসিটি তৈরি করেছেন, এটি একটি সরঞ্জাম যা কৃত্রিম বুদ্ধিমত্তা মডেল (এআই) এবং স্বয়ংক্রিয় শিক্ষার প্রশিক্ষণের জন্য ব্যবহৃত হওয়ার আগে স্বাস্থ্যসেবা ডেটা সেটগুলিতে পক্ষপাতগুলি সনাক্ত এবং সংশোধন করতে সহায়তা করে। তদন্তকারীরা বিভিন্ন ধরণের স্বয়ংক্রিয় শিক্ষার মডেল ব্যবহার করে মেডিকেল চিত্র, রোগী ফাইল এবং একটি বড় জনস্বাস্থ্য জরিপ, জাতীয় স্বাস্থ্য ও পুষ্টি পরীক্ষার সমীক্ষা সহ বিভিন্ন ধরণের স্বাস্থ্য তথ্য সম্পর্কে একুইট পরীক্ষা করেছিলেন। সরঞ্জামটি এই ডেটা সেটগুলিতে উভয়ই সুপরিচিত এবং পূর্বে অবহেলিত পক্ষপাতগুলি সনাক্ত করতে সক্ষম হয়েছিল।
এআই সরঞ্জামগুলি ক্রমবর্ধমান স্বাস্থ্যসেবাতে সিদ্ধান্তগুলি সমর্থন করার জন্য ব্যবহৃত হয়, রোগ নির্ণয় থেকে শুরু করে ব্যয় পূর্বাভাস পর্যন্ত। তবে এই সরঞ্জামগুলি কেবল তাদের প্রশিক্ষণের জন্য ব্যবহৃত ডেটা হিসাবে সুনির্দিষ্ট। কিছু নির্দিষ্ট জনসংখ্যার গোষ্ঠী ডেটা সেটে অনুপাতে প্রতিনিধিত্ব করা যাবে না। এছাড়াও, তদন্তকারীদের মতে অনেকগুলি শর্ত আলাদাভাবে উত্থিত হতে পারে বা গ্রুপগুলির মধ্যে খুব বেশি নির্ণয় করতে পারে। এই জাতীয় ডেটাতে প্রশিক্ষিত স্বয়ংক্রিয় লার্নিং সিস্টেমগুলি ভুল-নির্ণয় এবং অনৈচ্ছিক ফলাফলের মতো উপ-অনুকূল যত্নের একটি প্রতিক্রিয়া লুপ তৈরি করে ভুলউরিগুলি চিরস্থায়ী এবং প্রশস্ত করতে পারে।
আমাদের লক্ষ্য ছিল একটি ব্যবহারিক সরঞ্জাম তৈরি করা যা বিকাশকারীদের এবং স্বাস্থ্য ব্যবস্থাকে তাদের ডেটাগুলিতে উপস্থিত রয়েছে কিনা তা সনাক্ত করতে এবং এটি প্রশমিত করার ব্যবস্থা গ্রহণ করতে সহায়তা করতে পারে। আমরা গ্যারান্টিতে সহায়তা করতে চাই যে এই সরঞ্জামগুলি কেবল ডেটার সর্বাধিক প্রতিনিধিত্বকারী গোষ্ঠীর জন্য নয়, সবার জন্য ভাল কাজ করে। “”
ফারিস গুলামালি, এমডি, প্রথম লেখক
গবেষণা দলটি জানিয়েছে যে এইসিটিটি সহজ পদ্ধতির থেকে শুরু করে উন্নত সিস্টেমগুলিতে যারা বড় -ভাষার মডেলগুলি খাওয়ায় তাদের মতো বিস্তৃত স্বয়ংক্রিয় শিক্ষার মডেলগুলির সাথে অভিযোজিত। এটি ছোট এবং জটিল ডেটা সেটগুলিতে প্রয়োগ করা যেতে পারে এবং কেবল ইনপুট ডেটা যেমন পরীক্ষাগার ফলাফল বা চিকিত্সা চিত্রগুলি নয়, পূর্বাভাসযুক্ত ডায়াগনস্টিকস এবং ঝুঁকি স্কোর সহ আউটপুটগুলিও মূল্যায়ন করতে পারে।
অধ্যয়নের ফলাফলগুলি এও পরামর্শ দেয় যে বিকাশকারী, গবেষক এবং নিয়ামকদের জন্য এউসিটি কার্যকর হতে পারে। এটি অ্যালগরিদমগুলির বিকাশের সময়, স্থাপনার আগে নিরীক্ষণের সময়, বা এআই স্বাস্থ্যসেবার ইক্যুইটি উন্নত করার জন্য বিস্তৃত প্রচেষ্টার প্রসঙ্গে ব্যবহার করা যেতে পারে।
“অ্যাকুইটির মতো সরঞ্জামগুলি আরও ন্যায়সঙ্গত এআই সিস্টেমগুলি তৈরির দিকে গুরুত্বপূর্ণ পদক্ষেপ, তবে এগুলি কেবল সমাধানের অংশ,” উইন্ড্রেনিচ ডিজিটাল হেলথ ইনস্টিটিউটের সভাপতি এমপিএইচ, এমপি, এমডি, এমডি, এবং আইসিএএইচএন মেডিসিনের প্রফেসর ড। মাউন্ট সিনাই হেলথ সিস্টেমের আইকাহান স্পারোলে চিফ এআই অফিসার এআই মেডিসিনের অফ মেডিসিন। “যদি আমরা এই প্রযুক্তিগুলি সত্যই সমস্ত রোগীদের পরিবেশন করতে চাই তবে আমাদের অবশ্যই স্বাস্থ্যসেবাতে ডেটা সংগ্রহ, ব্যাখ্যা করা এবং প্রয়োগ করা হয়েছে এমনভাবে বিস্তৃত পরিবর্তনের সাথে প্রযুক্তিগত অগ্রগতিগুলি সংযুক্ত করতে হবে। ফাউন্ডেশনটি গুরুত্বপূর্ণ, এবং এটি ডেটা দিয়ে শুরু হয়» »» »»
মাউন্ট সিনাই হেলথ সিস্টেমের ক্লিনিকাল ডিরেক্টর এবং মাউন্ট সিনাই হাসপাতালের সভাপতি ডেভিড এল রেইচ এমডি ব্যাখ্যা করেছেন, “এই গবেষণাটি স্বাস্থ্যসেবাতে এবং সিদ্ধান্ত গ্রহণের সরঞ্জাম হিসাবে নয়, তবে আমরা যে অনেক সম্প্রদায়ের পরিবেশন করি তাদের স্বাস্থ্যের উন্নতি করে এমন একটি ইঞ্জিন হিসাবে একটি গুরুত্বপূর্ণ বিবর্তনকে প্রতিফলিত করে।” “ডেটা সেটের ক্ষেত্রে অন্তর্নিহিত পক্ষপাতগুলি সনাক্ত করে এবং সংশোধন করে, আমরা রোগীর যত্নের উপর প্রভাব ফেলার আগে আমরা সমস্যার মূলের কাছে পৌঁছেছি This এভাবেই আমরা এআই -তে সম্প্রদায়ের একটি বিস্তৃত আত্মবিশ্বাস প্রতিষ্ঠা করি এবং আমরা নিশ্চিত করি যে ফলাফলগুলি সমস্ত রোগীদের জন্য ফলাফলের উন্নতি করে, এবং যারা ডেটাতে সবচেয়ে বেশি প্রতিনিধিত্ব করে তা নয়।
নিবন্ধটি “উপগোষ্ঠীগুলির শেখার সাথে স্বাস্থ্যসেবা ডেটা সেটগুলিতে অন্তর্নিহিত এবং সুস্পষ্ট বর্ণগত পক্ষপাতিত্বের সনাক্তকরণ, বৈশিষ্ট্য এবং সংশ্লেষের শিরোনাম রয়েছে: অ্যালগরিদমের বিকাশ এবং বৈধতা অধ্যয়ন”।
জার্নালে তালিকাভুক্ত এই গবেষণার লেখকরা হলেন ফারিস গুলামালি, আশ্বিন শ্রীকান্ত সাওয়ান্ত, লোরা লিহারস্কা, ক্যারল হরওভিটস, লিলি চ্যান, প্যাট্রিসিয়া কোভ্যাচ, ইরা হোফার, করান্দীপ সিং, লিন রিচার্ডসন, এমমানুয়েল মেনসান্দান, আলেকজান্দার চার্নি, ন্যাডকেনার, ন্যাডের্ন।
এই গবেষণাটি ন্যাশনাল সেন্টার ফর অ্যাডভান্সিং ট্রান্সলেশনাল সায়েন্সেস এবং জাতীয় স্বাস্থ্য ইনস্টিটিউটস দ্বারা অর্থায়ন করা হয়েছিল।
