Pembelajaran mesin mengungkap informasi yang hilang tentang etnis dan status Aborigin dalam data kesehatan populasi: studi
Machine

Pembelajaran mesin mengungkap informasi yang hilang tentang etnis dan status Aborigin dalam data kesehatan populasi: studi


Kai On Wong menemukan bahwa pembelajaran mesin dapat digunakan untuk memprediksi latar belakang etnis dari data kesehatan masyarakat, yang akan membantu mengisi kesenjangan informasi dan pada akhirnya dapat menginformasikan kebijakan yang bertujuan untuk mengurangi kesehatan dan ketidakadilan sosial. Kredit: Universitas Alberta

Pembelajaran mesin dapat digunakan untuk mengisi celah yang signifikan dalam data kesehatan masyarakat Kanada terkait dengan etnis dan status Aborigin, menurut penelitian yang diterbitkan hari ini di PLOS ONE oleh ahli epidemiologi penelitian University of Alberta.

Kai On Wong, ilmuwan data senior di unit Bukti Dunia Nyata dari Pusat Penelitian dan Uji Klinis Alberta Utara (NACTRC), mengatakan etnis dan status Aborigin diakui sebagai penentu sosial utama kesehatan tetapi sering tidak dilaporkan dalam database besar yang melacak akut. dan penyakit kronis seperti asma, influenza, kanker, penyakit kardiovaskular, diabetes, kecacatan, dan penyakit mental.

“Jika database saat ini kekurangan informasi etnis, kami tidak akan dapat mengetahui apakah kelompok etnis tertentu memiliki tingkat penyakit yang lebih tinggi atau hasil klinis yang lebih buruk,” kata Wong, “Ini adalah cara untuk membuka dimensi yang hilang itu dari sumber data yang ada, yang mana dapat membantu kami memahami, memantau, dan menangani masalah seperti ketidakadilan sosial dan rasisme di Kanada. “

Wong membuat kerangka kerja pembelajaran mesin untuk menganalisis nama dan lokasi geografis 4,8 juta orang yang disurvei dalam sensus 1901, memeriksa fitur seperti ejaan dan fonetik untuk memprediksi apakah mereka termasuk dalam salah satu dari 13 kelompok etnis.

“Suku dan bahasa yang berbeda memiliki manifestasi fitur yang berbeda seperti bagaimana nama dibunyikan, berapa banyak huruf dalam nama, berapa banyak vokal dan urutan huruf yang unik, dan sebagainya,” kata Wong, yang membuat program dan membagikannya sebagai public GitHub repository sebagai bagian dari tesis doktoralnya di U of A School of Public Health.

“Pembelajaran mesin seperti memiliki tim agen yang diberi informasi dalam jumlah besar. Mereka diinstruksikan untuk mendeteksi dan mempertahankan pola yang berguna untuk memecahkan masalah praktis seperti memprediksi etnis dari informasi yang tersedia,” katanya.

Wong mengatakan program tersebut bekerja paling baik dalam mengidentifikasi individu keturunan China, Prancis, Jepang, dan Rusia hanya berdasarkan nama, sementara keakuratannya ditingkatkan untuk klasifikasi Aborigin ketika lokasi juga disertakan.

Baik Organisasi Kesehatan Dunia dan Pemerintah Kanada mengakui etnis dan Indigeneity sebagai penentu kesehatan, bersama dengan faktor lain seperti pendapatan, pendidikan dan jenis kelamin. Wong pertama kali tertarik pada ketidakadilan dalam perawatan kesehatan yang mempengaruhi kelompok Pribumi ketika dia menjabat sebagai ahli epidemiologi teritorial untuk Pemerintah Wilayah Barat Laut.

Wong mengatakan meski catatan kesehatan Amerika cenderung mencakup pertanyaan tentang etnis, informasi ini tidak dikumpulkan secara konsisten di database Kanada mulai dari catatan keluar rumah sakit hingga daftar kanker.

Dengan menggunakan pembelajaran mesin untuk mengungkap informasi yang hilang ini, peneliti dan pembuat kebijakan akan dapat belajar lebih banyak dari catatan yang ada daripada harus melakukan survei tingkat populasi baru, yang mahal dan memakan waktu.

“Langkah maju di masa depan adalah memvalidasi penelitian ini dengan aplikasi dunia nyata menggunakan bukti kesehatan yang ditambah dengan etnis yang dihasilkan oleh kerangka kerja pembelajaran mesin dan membandingkannya dengan literatur yang ada, khususnya tentang kesehatan dan ketidakadilan sosial,” kata Wong.

Wong merekomendasikan untuk terlebih dahulu memperbarui alat prediksi etnis menggunakan informasi sensus yang lebih baru dan menguji keakuratannya saat diterapkan pada berbagai catatan kesehatan.

“Tidak realistis mengharapkan prediksi pembelajaran mesin menjadi 100 persen akurat setiap saat,” kata Wong. “Tujuannya adalah untuk membuat prediksi yang akurat dan cukup digeneralisasi untuk membedakan pola yang mendasari dengan cara yang berarti untuk masalah atau aplikasi tertentu.”


Pembelajaran mesin membantu memprediksi tingkat kelangsungan hidup serangan jantung di luar rumah sakit


Informasi lebih lanjut:
Kai On Wong et al, Pendekatan pembelajaran mesin untuk memprediksi etnis menggunakan nama pribadi dan lokasi sensus di Kanada, PLOS ONE (2020). DOI: 10.1371 / journal.pone.0241239

Disediakan oleh Fakultas Kedokteran & Kedokteran Gigi Universitas Alberta

Kutipan: Pembelajaran mesin mengungkap informasi yang hilang tentang etnis dan status Aborigin dalam data kesehatan populasi: studi (2020, 18 November) diakses 27 November 2020 dari https://techxplore.com/news/2020-11-machine-uncovers-ethnicity-aboriginal- status.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP