Много наград и многое другое → а также иметь медицинскую степень → так хорошо для традиционной системы образования.
Хорошие навыки презентации.
Некоторые из алгоритмов нанесут ущерб отрасли здравоохранения → и мы должны это знать → и предотвратить это.
Нам нужны хорошие данные → хорошие данные.
Некоторые из методов → мы собираемся классифицировать изображения. (это всего лишь один из алгоритмов, которые появятся в отрасли).
Но мы поговорим о некоторых других методах → эти методы не медицинский алгоритм, а скорее алгоритм политики. (управление здоровьем населения). (системы здравоохранения заинтересованы в управлении населением → и это может нанести ущерб пациенту).
Если у вас сложные заболевания → у вас ничего не получится → и будут плохие результаты. (Потому что как медицинская, так и политическая сложность).
Как мы можем улучшить это? → Координация помощи может быть одним из ответов. (кто-то может просто позвонить вам и проблема будет решена → это персонализированная медицина и не только).
И такие телефонные звонки → действительно работают! → это супер круто. (эти программы хороши для пациента и не только).
Но эти программы очень дорогие → это много всего → таргетинг имеет решающее значение. (поэтому нам нужен какой-то метод масштабирования) → и похоже, что есть алгоритм, ориентированный на пациента → но тот, кто отмечен, может быть предвзятым.
Эти алгоритмы будут использоваться → для генерации прогнозов.
Будет разница в расовом соотношении. (трудно попасть в данные → это непростая задача).
В любом алгоритме будет некоторая предвзятость. (в данном случае кто попадает в специальную программу). (для каждого пациента генерируется оценка риска →).
Опять же, в данных много белых людей → это повлияет на общие проблемы. (черные пациенты имеют худшее здоровье, чем → белые люди → и это может быть связано со многими причинами).
Итак → в основном, чернокожие, которые не вошли в программу.
Но мы можем использовать биомаркеры.
У чернокожих более нестабильное кровяное давление. (эти предубеждения могут возникнуть, если мы не будем осторожны на этапе сбора данных).
Разница в цене между белым и черным.
Могут быть какие-то экономические причины, почему это происходит → так что кто знает, почему это происходит. (это не простая проблема → скорее очень сложная проблема → которую нужно решать нескольким людям).
Более здоровые белые → заменяют больных чернокожих.
Таким образом, первоначальный алгоритм будет изменен → сначала мы ранжируем по состоянию здоровья, а затем учитываем другие вещи.
Теперь → добавлено больше черных пациентов! → меньше предвзятости → это была проблема алгоритма → которая была создана из-за проблемы сбора данных → и это в основном экономическая проблема.
Существует стоимость создания алгоритма →, который оптимизирует точность. (это очень сложная проблема → какой-то специалист по данным → может → просто оптимизировать для точности) → но это может иметь некоторые последствия.
Социальную политику трудно решить.
Формулировка проблемы → может вызвать много проблем в долгосрочной перспективе → поэтому рекомендуется быть очень осторожным с этим.
Даже то, как создается функция потерь → вызовет много разных проблем → и это может быть связано с математической проблемой. (переобучение — это общая проблема → и это традиционная проблема машинного обучения).
Итак, компания начала работать с этой командой → и у них есть команда. (очень хорошее сотрудничество). (есть несколько способов убрать расовую предвзятость → без сбора дополнительных данных).