論文の概要: When Algorithms Infer Gender: Revisiting Computational Phenotyping with Electronic Health Records Data

• arxiv url: http://arxiv.org/abs/2508.14150v2
• Date: Mon, 25 Aug 2025 21:37:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 13:17:04.024986
• Title: When Algorithms Infer Gender: Revisiting Computational Phenotyping with Electronic Health Records Data
• Title（参考訳）: アルゴリズムがジェンダーを推測する時:電子カルテデータによる計算現象の再検討
• Authors: Jessica Gronsbell, Hilary Thurston, Lillian Dong, Vanessa Ferguson, Diksha Sen Chaudhury, Braden O'Neill, Katrina S. Sha, Rebecca Bonneville,
• Abstract要約: 電子健康記録における性別に関する不完全なデータ収集の実践的な解決策として、計算的表現型付けが登場している。 このアプローチは、患者の健康記録で利用可能なデータを用いて、患者の性別を推測するアルゴリズムに依存する。 EHRに基づくバイオメディカル研究において、トランスとジェンダーを対象とする人口の可視性を改善することを目的としているが、計算的表現型付けは、重要な方法論的および倫理的懸念を提起する。
• 参考スコア（独自算出の注目度）: 0.07783271875179179
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Computational phenotyping has emerged as a practical solution to the incomplete collection of data on gender in electronic health records (EHRs). This approach relies on algorithms to infer a patient's gender using the available data in their health record, such as diagnosis codes, medication histories, and information in clinical notes. Although intended to improve the visibility of trans and gender-expansive populations in EHR-based biomedical research, computational phenotyping raises significant methodological and ethical concerns related to the potential misuse of algorithm outputs. In this paper, we review current practices for computational phenotyping of gender and examine its challenges through a critical lens. We also highlight existing recommendations for biomedical researchers and propose priorities for future work in this domain.
• Abstract（参考訳）: 電子健康記録(EHRs)における性別に関する不完全なデータ収集の実践的な解決策として、計算表現型タイピングが出現している。 このアプローチは、診断コード、薬歴、臨床ノートの情報など、患者の健康記録で利用可能なデータを用いて、患者の性別を推測するアルゴリズムに依存する。 EHRに基づくバイオメディカル研究において、トランスとジェンダーを対象とする人口の可視性を改善することを目的としているが、計算的表現型付けは、アルゴリズム出力の潜在的な誤用に関連する重要な方法論的および倫理的懸念を提起する。 本稿では,ジェンダーの計算表現の実践を概観し,その課題をクリティカルレンズを用いて検討する。 また, バイオメディカル研究者への推奨事項を強調し, この領域における今後の研究の優先事項を提案する。

関連論文リスト

• Data Augmentation in Human-Centric Vision [54.97327269866757]
  本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。 それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。 我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
  論文  参考訳（メタデータ） (2024-03-13T16:05:18Z)
• A Perspective on Individualized Treatment Effects Estimation from Time-series Health Data [2.9404725327650767]
  この研究は、論文における最新の研究を要約し、理論的な仮定、治療のタイプ、計算フレームワークを考慮してそれをレビューする。 この研究が新たな方向性を開き、エキサイティングで未研究の分野の1つを理解するためのリソースとして機能することを願っています。
  論文  参考訳（メタデータ） (2024-02-07T08:53:46Z)
• Detecting algorithmic bias in medical-AI models using trees [7.939586935057782]
  本稿では,医療AI意思決定支援システムにおけるアルゴリズムバイアスの領域を検出するための革新的な枠組みを提案する。 本手法は,医学・AIモデルにおける潜在的なバイアスを,特に敗血症予測の文脈で効果的に同定する。
  論文  参考訳（メタデータ） (2023-12-05T18:47:34Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Towards Assessing Data Bias in Clinical Trials [0.0]
  医療データセットはデータバイアスの影響を受けます。 データバイアスは現実の歪んだ見方を与え、誤った分析結果をもたらし、結果として決定を下す。 i)データセットに存在する可能性のあるデータバイアスの種類を定義し、(ii)適切なメトリクスでデータバイアスを特徴付け、定量化し、(iii)異なるデータソースに対してデータバイアスを特定し、測定し、緩和するためのガイドラインを提供する。
  論文  参考訳（メタデータ） (2022-12-19T17:10:06Z)
• Unsupervised EHR-based Phenotyping via Matrix and Tensor Decompositions [0.6875312133832078]
  本稿では,低ランク近似に基づく計算表現法について概観する。 近年,様々な制約を組み込んだ低ランクデータ近似手法が開発され,解釈可能性の向上が図られている。
  論文  参考訳（メタデータ） (2022-09-01T09:47:27Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• Sex and Gender in the Computer Graphics Research Literature [4.05984965639419]
  我々は,アルゴリズム的公正性の観点から,コンピュータグラフィックス研究文献における性別と性別の扱いを調査した。 社会における性別と性の使用に関する確立した慣行は科学的に誤りがあり、潜在的な有害な影響を伴うアルゴリズムバイアスの一形態を形成している。
  論文  参考訳（メタデータ） (2022-06-01T13:24:17Z)
• IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
  タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。 臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。 本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2021-03-29T13:04:02Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。