Salud

Lacuna Fund tiene por objeto subsanar la brecha en las disparidades de salud mediante el fomento de colaboraciones interdisciplinarias que creen, expandan o incorporen conjuntos de datos de capacitación y evaluación etiquetados. En última instancia, el objetivo de esta información es ayudar a proveedores y pacientes a tomar decisiones que conduzcan a resultados más equitativos en la atención médica.

El valor del aprendizaje automático (ML, por sus siglas en inglés) en la atención médica reside en su capacidad para procesar enormes conjuntos de datos que superan a la capacidad humana y luego convertir de manera confiable el análisis de dichos datos en conocimientos clínicos que ayuden a los médicos a planificar y brindar atención, lo que en definitiva conduce a mejores resultados, menores costos de atención y mayor satisfacción del paciente. [1]

Sin embargo, ha surgido una importante inquietud en torno a la implementación del ML con respecto al sesgo en los conjuntos de datos que informan a los algoritmos encargados de comunicar el diagnóstico y el tratamiento. Los conjuntos de datos de atención médica a menudo carecen de una representación amplia entre los grupos demográficos y socioeconómicos. Al abordar esta representación, también es posible que los datos no sean totalmente precisos, lo que da como resultado una noción incorrecta de las diferencias entre los grupos. Además, es probable que los datos actuales pasen por alto importantes datos socioeconómicos, ambientales y de otra índole que pueden determinar los resultados de salud. La mejora de estos conjuntos de datos puede perfeccionar los modelos de aprendizaje automático y, en última instancia, los resultados de salud. [2]

Financiación de Lacuna

Lacuna Fund busca Expresiones de interés (EOI, por sus siglas en inglés) de equipos multidisciplinarios para desarrollar conjuntos de datos de capacitación y evaluación abiertos y accesibles para aplicaciones de ML que aborden las desigualdades en los resultados de la atención médica en los Estados Unidos y en los países de ingresos bajos y medios (LMIC, por sus siglas en inglés) a nivel mundial. El propósito de esta convocatoria de EOI es identificar ideas prometedoras e invitar a los equipos a presentar propuestas completas.

Nuestro objetivo es apoyar la creación, el aumento o la incorporación de conjuntos de datos que sean representativos de las poblaciones afectadas y, por lo tanto, estén menos sesgados y tengan más probabilidades de generar resultados de salud equitativos. Dadas las desigualdades históricas relacionadas con la raza en los EE. UU., nos interesan los conjuntos de datos que podrían ayudar a reducir las disparidades raciales en los resultados de la atención médica en dicho país y los conjuntos de datos capaces de mitigar las desigualdades en los resultados de la atención médica relacionados con la identidad en los LMIC (por ejemplo, etnia, afiliación tribal, género, etc.). Sabemos que la falta de diversidad en términos de sexualidad, edad, capacidad, ubicación geográfica e incluso el tipo de entorno de atención (por ejemplo, sistema de salud comunitario frente a sistema médico académico general; pacientes hospitalizados frente a pacientes ambulatorios), puede hacer que un conjunto de datos sea menos representativo y dar lugar a resultados injustos para subgrupos de una población. Alentamos a que los solicitantes consideren adoptar un enfoque interseccional mediante la inclusión de datos para múltiples grupos desatendidos, o que expliquen por qué cierto tipo de diversidad es importante para garantizar resultados equitativos para un caso de uso específico.

Nuestro Panel Asesor Técnico, que es responsable de identificar las brechas de datos, desarrollar la EOI y revisar y seleccionar propuestas, ha identificado las necesidades de conjuntos de datos que se pueden utilizar para abordar una disparidad de salud en las siguientes áreas:

  • cáncer
  • enfermedades infecciosas
  • enfermedades crónicas

Sin embargo, las EOI de Lacuna Fund se mantienen deliberadamente abiertas para propiciar ideas nuevas e innovadoras que quizás no hayamos identificado. Los solicitantes también pueden argumentar por qué un conjunto de datos en otra área podría reducir de manera significativa las desigualdades en materia de salud.

El Panel Asesor Técnico reconoce un gran valor en desbloquear, aumentar o incorporar conjuntos de datos existentes y también está abierto a propuestas para crear nuevos conjuntos de datos. Fundamentalmente, queremos asegurarnos de que el conjunto de datos subyacente no tenga fallas esenciales para evitar la perpetuación del sesgo. Todos los enfoques que se describen a continuación resultan de interés:

  • Agrupar datos existentes de sistemas de atención médica, compañías de seguros de salud o intermediarios de datos de salud para que los investigadores puedan revelar y corregir sesgos algorítmicos (por ejemplo, MIMIC, PhysioNet).
  • Subsanar las brechas/hacer que los conjuntos de datos existentes sean más representativos (por ejemplo, imágenes de cáncer de piel, radiografías de pulmón para detectar la COVID-19, etc.).
  • Vincular conjuntos de datos clínicos existentes con datos sobre determinantes sociales de la salud a fin de crear conjuntos de datos informativos más sólidos.
  • Limpiar los conjuntos de datos existentes para garantizar la precisión de los datos sobre raza, etnia, género, discapacidad, etc.

Los solicitantes seleccionados propondrán la creación, expansión o incorporación de conjuntos de datos que se puedan utilizar para abordar múltiples preguntas de investigación y corregir un sesgo o una disparidad.

Solicitud abierta para EOI

Vea la información sobre cómo postularseaquí.

Patrocinadores

La solicitud de 2021 de EOI para crear o incorporar conjuntos de datos que puedan subsanar una brecha, corregir un sesgo o abordar una disparidad en la salud cuenta con el respaldo de The Rockefeller Foundation, Google.org, Wellcome Trust y Gordon and Betty Moore Foundation.

[1] Corbett, Ed. “Real-World Benefits of Machine Learning in Healthcare.” Health Catalyst, 19 de noviembre de 2020, www.healthcatalyst.com/clinical-applications-of-machine-learning-in-healthcare

[2] Wawira Gichoya J, McCoy LG, Celi LA, et al. “Equity in essence: a call for operationalising fairness in machine learning for healthcare”. BMJ Health & Care Informatics 2021;28:e100289. doi:10.1136/bmjhci-2020-100289