Audit des données de santé : développer une meilleure IA pour les systèmes humains
Les systèmes d’apprentissage automatique en soins de santé ne tiennent souvent pas leurs promesses, car nous ne disposons pas de moyens précis pour caractériser le comportement des humains et des algorithmes dans des contextes réels. Sans une telle compréhension, il est difficile de concevoir des systèmes qui complètent de manière fiable le jugement humain. Dans cette présentation, Divya Shanmugam abordera les méthodes d’étude de la prise de décision humaine et algorithmique en soins de santé, en mettant l’accent sur la manière dont le comportement humain façonne les données observées et sur la façon dont la performance des algorithmes peut être évaluée dans le cadre des contraintes du monde réel. Ensemble, ces axes de recherche illustrent comment une meilleure caractérisation des données, des décisions et des algorithmes peut soutenir des systèmes d’apprentissage automatique qui améliorent plus efficacement les soins.
À propos de la conférencière :
Divya Shanmugam est boursière de la Bibliothèque nationale de médecine à l’Université Columbia, où elle travaille à rendre les systèmes d’apprentissage automatique plus équitables et plus fiables, en particulier dans le domaine des soins de santé. Ses travaux ont été présentés lors de conférences de premier plan sur l’apprentissage automatique, notamment NeurIPS, CVPR et CHI, et ont fait l’objet d’un article dans The New York Times. Ses recherches ont été soutenues par une bourse de recherche de deuxième cycle de la Fondation nationale des sciences (NSF), et elle a été reconnue comme une « étoile montante » dans le domaine de l’EECS. Elle a obtenu son doctorat et son baccalauréat en informatique au MIT.
A propos de la série :
La série de conférences « Les grandes idées sur les données de santé » rassemble des voix de premier plan issues de la recherche, des politiques, des soins de santé et du secteur public afin d’explorer comment les données administratives peuvent être utilisées pour faire progresser l’équité en santé au Canada. Au moyen de présentations qui suscitent la réflexion, les conférencier-e-s examinent l’utilisation responsable des données désagrégées — notamment en fonction du sexe et du genre, de la race et de l’origine ethnique, du handicap, du revenu, du logement, de la langue et d’autres déterminants sociaux de la santé. Iels mettent également en lumière les méthodes de recherche émergentes et les pratiques en matière d’analyse des données qui intègrent l’inclusion, la diversité, l’équité, l’accessibilité et les perspectives communautaires dans les algorithmes, l’analyse distribuée, la participation communautaire et les outils d’évaluation de l’équité.
Vous avez raté une séance ? Regardez les enregistrements des webinaires précédents. Lien externe. S’ouvre dans une nouvelle fenêtre. et explorez les idées qui façonnent l’avenir de la recherche équitable sur les données de santé.