Análise de equidade em algoritmos de IA na área da saúde: um estudo sobre viés de dados, medidas de pós-processamento e correlações de atributos
Carregando...
Data
2023-12-11
Autores
Martini, Vitor Galioti [UNIFESP]
Orientadores
Berton, Lilian [UNIFESP]
Tipo
Trabalho de conclusão de curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Resumo
A equidade em algoritmos de Inteligência Artificial aplicados à área da saúde é um
campo de estudo em constante evolução, com implicações significativas para a qualidade e
a justiça dos cuidados de saúde. Este trabalho se concentra na aplicação da análise de dados
para investigar vieses em um conjunto de dados de saúde e examinar como diferentes técnicas de pós-processamento, que são pouco utilizadas e discutidas na literatura, se comparada
às técnicas de pré-processamento, podem ser utilizadas para abordar esses vieses. Para isso,
foi aplicado um algoritmo de aprendizado de máquina adequado ao dataset de saúde selecionado, o Stroke Prediction, que se concentra na prevenção de Acidente Vascular Cerebral
(AVC). Depois disso, foram identificados e analisados os possíveis vieses e sua correlação com os dados, e em seguida, técnicas de pós-processamento foram aplicadas com o
objetivo de diminuir estes vieses, e a eficácia dessas técnicas foi analisada. Constatou-se
que, embora todas as técnicas de pós-processamento adotadas reduzissem os vieses, isso
ocorreu à custa de uma diminuição na acurácia e precisão da classificação. Dentre elas, a
técnica EqOddsPostprocessing da biblioteca AIF360 demonstrou o menor impacto tanto na
acurácia quanto na precisão do modelo. Contudo, um desafio persistente na área é alcançar um equilíbrio entre equidade, acurácia e precisão, demonstrando que estes elementos
nem sempre são facilmente conciliáveis. Este estudo visa oferecer uma visão abrangente da
equidade em algoritmos de IA na área da saúde, destacando os desafios e as oportunidades
associadas à mitigação de vieses através do pós-processamento.