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).