Beyond Bias Audits: Bringing Equity to the Machine Learning Pipeline

Découvrez comment exploiter l'apprentissage automatique pour des soins de santé équitables dans cette conférence de 48 minutes. Examinez les défis liés aux données cliniques hétérogènes et bruyantes, ainsi que les questions d'équité et d'impartialité dans les algorithmes médicaux. Explorez deux approches pour lutter contre les biais algorithmiques : la décomposition de la discrimination en composantes de biais, variance et bruit, et la détection précoce de la violence conjugale à partir d'indicateurs cliniques. Apprenez à repenser l'ensemble du pipeline d'apprentissage automatique avec une perspective éthique pour créer des algorithmes au service de toute la population de patients.

Introduction
Machine Learning in Healthcare
Technical Data Challenges
Healthcare is not Equitable
How to Decomposition Sources of Discrimination
Predicting Hospital Mortality from ICU Notes
Bias Variance Noise
Visual Example
Disease Subtyping
Modeling Clinical Data
Learning Latent Variables
When to ask for conditions
Heart failure observational data
Wrapup