机器学习持有的承诺帮助研究人员创造更多的包容,动态系统,帮助临床医生提供更好的护理,提高病人的经验和成果。但是数据被用来创建这些系统从当前电子健康记录(病历),和工程助理教授玛吉德拉诺在他们的新研究发现,这意味着麻烦——性的麻烦。

与“麻烦:性/性别滑移、性混乱,和性困扰机器学习中使用电子健康记录,“发表在《模式,德拉诺及其同事坎德拉阿尔伯特发现,而不是纠正存在的问题,从电子病历数据可能只是让这些问题。

“性别和性吸引力的用于研究,假设是,他们是一个“干净”的领域使用。然而,我们认为性/性别需要考虑上下文,可能更像一个家庭历史领域,”德拉诺说。对于糖尿病患者,例如,增加数据丰富不仅表明病人有糖尿病但包括信息类型的糖尿病、诊断、日期和最近的血液测试结果。

通过这种研究,德拉诺和艾伯特已经确定了三个概念最能捕捉最常见的问题在性和性别研究:性/性别滑移、性混乱,和性困扰。

性/性别滑移是把性条款和性别。例如,当一个人的性别被确定为男性或女性,而不是男人或女人。男性和女性的术语来定义性,而不是性别。

混乱的想法任何性变量,如出生时性别分配或当前的性,拥有不同的含义和解释,不对应于特定的身体部位或活跃的荷尔蒙。

最后,性痴迷是最有帮助的变量定义一个人的性别或性就是性分配在出生时。或者,正如德拉诺解释说,“性痴迷是社会的想法,即使某些部分与性/性别的复杂性,医疗系统“双下降”更简单的表示。”

德拉诺说,最常见的问题是性/性别滑脱,但这是因为性生活混乱和困扰没有明确人员很难识别。

“如果一个研究员没有说他们是如何使用性在一项研究中,除非他们把性与性别等常见的错误,我们不能确定,性混乱发生,”德拉诺解释道。“这也是对性着迷:出生时的想法性分配的重要性(大于)其他变量只是在几个相关论文具体明确电子医疗纪录。”

德拉诺的工作了Afsaneh Rigot设计模型和系统,倡导人们性别和性的边缘而不是中心。

“定心反式和非二进制的人,而不是看到他们作为一个极端例子被忽略,可以向每个人都提供更好的卫生保健。将取决于上下文相关信息,但信息,如患者目前或过去是否采取激素,有一定的手术,等等,将是有益的,”德拉诺说。“这就是所谓的一个器官的一种实现库存,临床医生可以查看病人的器官的存在与否。这是有助于快速确定,例如,如果一个病人目前子宫或睾丸。”

已经取得了重要的成就在试图促进一个更复杂的性别和性的理解当前的医疗数据采集实践,包括的创建NIH的性与性别少数研究办公室电子病历使用在某些情况下,要求收集性取向和性别身份的信息(SOGI),和去年的卫生和人类服务宣布SOGI数据将被包括在美国数据核心,集医疗记录系统的标准。德拉诺的研究显示虽然有用,这些措施是不够的,机器学习的研究人员需要停止依靠出生时性别分配完全并开始占丰富的性别经验。

她希望这个研究能鼓励临床医生和其他研究人员牢记上下文和病人的目标发展最好的系统或提供最好的照顾。

“假设你在做什么?其它变量的变量是“站在”?这些变量是实际测量测量你认为他们是什么?如果你不知道,你需要采取什么步骤来发现的?你怎么能扩大你的网络更好地指导自己?”德拉诺问道。“所有的改变需要从回答这些问题。随着每个字段的发展更好的理解,可以改进和建议,和所有的病人将会受益。”