医疗保健组织在提供医疗服务、激励熟练工人以及在社区中充当社会安全网方面发挥着关键作用。它们与生命科学组织一道，站在解决卫生公平问题的第一线。
凭借在数据内容和知识方面的十年经验，专注于文档处理、人工智能解决方案和自然语言解决方案，我努力将我的技术和行业专业知识应用于医疗保健中最重要的多样性、公平性和包容性问题。
以下是我在工作中经常听到的五个问题:
1.什么是数字鸿沟?它如何影响医疗保健消费者?
这个国家仍然有太多的人在家里没有可靠的计算设备和互联网接入。如果我们回顾大流行之初，我们可以看到这一点明显的缓解。转向虚拟学校的最大障碍是孩子们家里没有设备或可靠的互联网。
我们还清楚地看到，这种差距对生活在弱势社区的低收入人群的影响尤为严重。
问题是两者都有可负担性和可获得性。
结果，从医疗保健的角度来看，没有可靠的互联网接入的人获得用于管理自己健康的信息的机会更少。
他们很难找到适合自己的医生。他们获得有关他们的保险单和保险范围的信息受到了更多的限制。她们获得远程保健服务和在家看病的能力较差。
所有这一切都是因为我们正在使用数字和互联网连接工具来改善医疗保健和患者的结果。但最终，数字鸿沟意味着我们正在为那些已经获得最好结果的人群取得边际收益，而没有从最需要支持的人群那里获得显著收益。
2.在医疗保健领域使用AI/ML时，组织如何保持道德立场?
关注内在偏见，即影响个人决策方式的潜意识刻板印象。人们有来自环境的内在偏见，需要有意识的承认和关注。机器学习模型也会发现这些偏见。这是因为模型是在关于人类历史决策的数据上训练的，所以人类的偏见就显现出来了(甚至可以被放大)。在使用模型之前，理解它来自哪里、它是如何训练的以及为什么要创建它是至关重要的。
AI/ML在医疗保健中的道德使用需要仔细关注细节，并经常对机器决策进行人工审查为了建立信任。
3.hco如何管理数据中的固有偏见?有可能消除它吗?
在这一点上，我们正在努力管理偏见，而不是消除它。这对于训练机器学习模型和正确解释结果至关重要。我们通常建议使用适当的工具来帮助检测模型预测中的偏差，并使用这些检测来驱动再训练和重新预测。
下面是一些最简单的工具:
- 翻转有问题的参数并重试。
- 确定如果这个人是白人男性，模型是否会做出不同的预测。
- 使用这些额外的数据点来为人类的决策提供建议。
特别是在医疗保健领域，参与其中的人至关重要。在某些情况下，受保护阶层的成员身份会改变预测，因为它是关键遗传因素(男性或女性，白人或黑人)的代表。在审查贷款申请时，计算机可以很容易地纠正偏见。然而，在评估心脏病发作风险时，有一些特定的健康因素可以通过种族或性别来预测。
4.为什么在这个领域教育数据科学家很重要?
数据科学家需要意识到潜在的问题，并尽可能地从模型训练集中忽略受保护的类信息。这在医疗保健领域是很难做到的，因为这些信息可以用来预测结果。
数据科学家需要了解出现问题的可能性，并接受过识别问题模式的培训。这也是为什么对数据科学家来说，了解他们正在构建模型的医学或科学领域非常重要。
他们需要了解他们所使用的数据的背景以及他们所做的预测了解受保护阶层的驱动结果是预期的还是意外的。
5:有哪些工具可以识别AI/ML模型中的偏见，组织如何选择正确的工具?
IBM OpenScale、Amazon Sagemaker Clarify、谷歌What-if和Microsoft Fairlearn等工具是在训练期间检测模型偏差的一个很好的起点，有些工具可以在运行时这样做(包括纠正或识别模型行为随时间变化的能力)。这些工具能够进行偏差检测、模型解释和可观察性，对于将AI/ML引入现场临床和非临床医疗保健环境至关重要。
医疗保健领导者求助于我们
Perficient致力于使组织能够提升多样性、公平性和包容性在他们的公司里。我们的医疗实践由了解该行业面临的独特挑战的专家组成。美国10个最大的医疗系统和10个最大的医疗保险公司依靠我们来支持他们的端到端数字成功。现代医疗保健也承认我们是第四大医疗保健IT咨询公司．
我们为客户的项目提供务实的、基于战略的专业知识。我们的工作得到了关注——不仅是得到了认可和认可的行业组织的关注奖我们的工作也是靠顶的技术合作伙伴他们知道我们的团队将可靠地交付复杂的、改变游戏规则的实现。最重要的是，我们客户通过与我们一次又一次的合作来证明他们对我们的信任。我们为90%的回头率感到非常自豪，因为这代表了我们在团队和每个客户中每天努力建立的信任和协作文化。
Perficient在医疗保健行业拥有20多年的经验，是一家值得信赖的端到端全球数字咨询公司。联系我们了解我们如何帮助您为您的组织规划和实施成功的DE&I计划。
