MIÉRCOLES, 27 de diciembre de 2023 (HealthDay News) -- El rendimiento del modelo de aprendizaje automático (ML) para diagnosticar la vaginosis bacteriana (VB) varía entre los grupos étnicos, según un estudio publicado en la edición en línea del 17 de noviembre de la revista npj Digital Medicine.
Cameron Celeste, de la Universidad de Florida en Gainesville, y sus colegas examinaron la capacidad de cuatro algoritmos de ML para diagnosticar VB. Se investigó la equidad en la predicción de la VB asintomática utilizando datos de secuenciación de ARNr 16S de mujeres asiáticas, negras, hispanas y blancas.
Los investigadores observaron variaciones en el rendimiento de los modelos de ML de propósito general en función de la etnia. Los modelos tuvieron un desempeño menos efectivo para las mujeres hispanas y asiáticas cuando se evaluó la métrica de una tasa de falsos positivos (FP), es decir mujeres sanas que aparecieron como enfermas o falsos negativos (FN), correspondientes a mujeres con vaginosis bacteriana que aparecieron como sanas según la inteligencia artificial. En general, los modelos tuvieron el rendimiento más alto y más bajo para las mujeres blancas y asiáticas, respectivamente.
"Aquí, mostramos que varios modelos de aprendizaje supervisado funcionan de manera diferente para los grupos étnicos al evaluar métricas de uso común, como la precisión equilibrada y la precisión promedio, así como métricas más clínicamente relevantes, como FP y FN, en una cohorte de mujeres con VB asintomática", escriben los autores. "Los resultados proporcionan evidencia de que existe una discrepancia en el rendimiento del modelo entre las etnias".
