Équité 2.0

Différentes pistes d’amélioration de l’équité algorithmique en médecine

Pour améliorer l'équité algorithmique en santé, une revue d’études étasunienne suggère de développer l'apprentissage fédéré, l'explicabilité des modèles d'intelligence artificielle ou encore de nouveaux jeux de données prenant davantage en compte les minorités traditionnellement sous-représentées en recherche médicale.

icon réservé aux abonnésArticle réservé aux abonnés
Le 27/09/23 à 15:00 Lecture 3 min.

L'équité algorithmique, ou algorithmic fairness, est un concept « utilisé pour définir, quantifier et réduire les inégalités de prédictions issues de l'apprentissage automatique qui peuvent causer un tort disproportionné à des individus ou à des groupes d'individus ». D R

Alors que l'usage de l'intelligence artificielle (IA) se généralise en radiologie et dans d'autres spécialités médicales, les médecins doivent s'assurer que les logiciels déployés respectent l'équité algorithmique, selon un article de mise en perspective publié par des chercheurs américains le 28 juin 2023 dans Nature Biomedical Engineering [1]. Les auteurs commencent par rappeler ce qu'ils entendent par l'équité algorithmique, ou algorithmic fairness en anglais : il s'agit d'un concept « utilisé pour définir, quantifier et réduire les inégalités de prédictions issues de l'apprentissage automatique qui peuvent causer un tort disproportionné à des individus ou à des groupes d'individus ».

Le défi de la prise en compte des données médicales sensibles

Algorithme à l'efficacité variable suivant le groupe ethnique, détermination possible de l'origine des patients... Les raisons pour lesquelles l'IA peut causer un tort en santé sont nombreuses, et s'additionnent aux autres disparités de sa

Il vous reste 80% de l’article à lire

Docteur Imago réserve cet article à ses abonnés

S'abonner à l'édition
  • Tous les contenus « abonnés » en illimité
  • Le journal numérique en avant-première
  • Newsletters exclusives, club abonnés

Abonnez-vous !

Docteur Imago en illimité sur desktop, tablette, smartphone, une offre 100% numérique

Offre mensuelle 100 % numérique

23 €

par mois

S’abonner à Docteur Imago

Auteurs

François Mallordy

Journaliste rédacteur spécialisé

Voir la fiche de l’auteur

Discussion

Aucun commentaire

Laisser un commentaire

Le fil Docteur Imago

19 Mar

16:00

La réponse de perfusion à l’adénosine semble être spécifique à chaque organe, conclut une étude parue dans JNM. L’adénosine augmente la perfusion au niveau du cœur, du foie, du côlon et du duodénum, tandis que la perfusion est réduite par l’adénosine dans le cerveau, la rate, les reins, le muscle squelettique et l’os, écrivent les chercheurs.

13:25

La présentation est la clé d'une bonne compréhension des comptes rendus d'imagerie « patient-friendly », conclut une étude présentée dans JACR. Les formats « traduction complète » et « basé sur les phrases », associant des sources pour vérifier les informations sont plus efficaces qu'une simple définition des termes techniques.

7:10

Dans une étude évaluant les niveaux de référence en doses de radiation et les indicateurs de qualité d’image dans les protocoles d’imagerie thorax-abdomen en unité de soins intensifs néonatals,  des chercheurs relève que les nouveau-nés pesant entre 1000 et 1 499 g et 1 500 à 2499 g avaient des doses cutanées inférieures à celles des nouveau-nés pesant moins de 1 000 g.

18 Mar

16:54

Des chercheurs ont étudié les performances d’une méthode d’intelligence artificielle pour la segmentation automatisée du volume tumoral métabolique total (TMTV) sur des images TEP-TDM sur des patients atteints de lymphome. Il s'avère que l'IA a obtenu des résultats similaires que des experts humains. (étude)

16:50

Une étude a évalué la précision diagnostique d'un outil d'IA pour la détection des fractures de la hanche et du bassin. Il ressort que l'IA est d'une précision élevée pour les radiographies de la hanche mais moindre quand cela concerne les fractures du bassin.
Docteur Imago

GRATUIT
VOIR