NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson Hastalığı'nın (PD) erken tespiti, tedaviye erken erişim sağlayarak hasta sonuçlarını iyileştirebilir. PD'yi tahmin etmek için makine öğreniminin kullanımını, parmak ve el hareket kalıplarını değerlendiren testler yoluyla yapılandırılmış fare ve tuş presi verilerini ölçen bir web uygulamasından kaydedilen verileri kullanarak araştırıyoruz. Özellikle uygulamamızla ilgili olan cihaz tipi ve el ile ilgili demografik önyargı ve önyargının etkisini değerlendiriyoruz. 251 katılımcıdan (99 PD, 152 PD Olmayan) veri topladık. Rasgele bir orman modeli kullanarak, %84 F1 puanı, %86 hassasiyet ve %92 özgüllük gözlemledik. Gruplar arasında sadece F1-skor farkları incelendiğinde, önemli bir yanlılık görülmez. Bununla birlikte, algoritmik adalet metriklerini kullanarak daha derinlemesine bir analiz yapmak, olumlu tahmin ve hata oranlarıyla ilgili önyargıyı ortaya çıkarır. Özellikle, cinsiyet ve etnisitenin PD tahmini almada istatistiksel olarak anlamlı bir etkisi olmadığını bulduk. Bununla birlikte, farklı etki ve eşitlenmiş oran adalet ölçümleri ile kanıtlandığı gibi, cihaz tipi ve baskın el ile ilgili önyargıları PD tanısı alma açısından gözlemliyoruz. Bu çalışma, masaüstü veya dizüstü bilgisayar gibi tüketici cihazlarını kullanan uzaktan dijital sağlık teşhislerinin, cihaz tipi ve el becerisi gibi algoritmik adalette temellenen faktörlerle ilgili geleneksel olmayan ancak önemli önyargılar sergileyebileceğini göstermektedir.
Özgün kaynak özetini okuyun
Early detection of Parkinson’s Disease (PD) can enable early access to care, improving patient outcomes. We investigate the use of machine learning to predict PD using data recorded from a web application measuring structured mouse and keypress data through tests assessing finger and hand movement patterns. We evaluate the impact of demographic bias and bias related to device type and handedness, which are particularly relevant to our application. We collected data from 251 participants (99 PD, 152 Non-PD). Using a random forest model, we observed an 84% F1 score, 86% sensitivity, and 92% specificity. When examining only F1-score differences across groups, no significant bias appears. However, conducting a more in-depth analysis using algorithmic fairness metrics uncovers bias regarding the positive prediction and error rates. In particular, we found that sex and ethnicity have no statistically significant impact on receiving a PD prediction. However, we observe biases regarding device type and dominant hand in terms of receiving a PD diagnosis, as evidenced by disparate impact and equalized odds fairness metrics. This work demonstrates that remote digital health diagnostics using consumer devices like desktops or laptops can exhibit nontraditional yet significant biases concerning understudied factors in algorithmic fairness such as device type and handedness.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.