[ad_1]

تصویر

تصویر: Kai On Wong دریافت که می توان از یادگیری ماشینی برای پیش بینی قومیت از داده های بهداشت عمومی استفاده کرد ، که به پر کردن یک شکاف اطلاعاتی و در نهایت اطلاع رسانی سیاست ها کمک می کند بیشتر

اعتبار: دانشگاه آلبرتا

بر اساس مطالعه ای که امروز منتشر شده است ، می توان از یادگیری ماشینی برای پر کردن شکاف قابل توجهی در داده های بهداشت عمومی کانادا مربوط به قومیت و وضعیت بومی ها استفاده کرد. PLOS ONE توسط یک اپیدمیولوژیست تحقیقاتی در دانشگاه آلبرتا.

Kai On Wong ، دانشمند ارشد داده در مرکز آزمایشات بالینی و تحقیقات در شمال آلبرتا (NACTRC) ، گفت که قومیت و وضعیت بومی به عنوان عوامل اصلی تعیین کننده سلامت شناخته می شوند ، اما اغلب چنین نیستند گزارش شده در پایگاه داده های بزرگ که بیماری های حاد و مزمن مانند آسم ، آنفلوانزا ، سرطان ، بیماری های قلبی عروقی ، دیابت ، ناتوانی و بیماری های روانی را ردیابی می کنند.

وونگ گفت: “اگر در حال حاضر هیچ اطلاعاتی در مورد قومیت در پایگاه داده وجود نداشته باشد ، نمی توانیم بگوییم كه آیا برخی از گروه های قومی میزان بیماری بیشتری دارند یا نتایج بالینی ضعیف تری دارند.” منابع داده موجود ، که می تواند به ما در درک ، نظارت و رسیدگی به مواردی مانند نابرابری اجتماعی و نژادپرستی در کانادا کمک کند. ”

وونگ یک چارچوب یادگیری ماشینی برای تجزیه و تحلیل نام ها و موقعیت های جغرافیایی 4.8 میلیون نفری که در سرشماری سال 1901 مورد بررسی قرار گرفتند ، ایجاد کرد و ویژگی هایی مانند هجی و آوایی را مورد بررسی قرار داد تا پیش بینی کند که آیا آنها به یکی از 13 گروه قومی تعلق دارند.

وونگ که این برنامه را ایجاد کرد و آن را به عنوان یک مخزن عمومی در GitHub به اشتراک گذاشت ، گفت: “گروه های مختلف قومی و زبانی دارای ویژگی های متفاوتی هستند از جمله چگونگی به صدا آمدن نام ، چند حرف در نام ، چند واکه و توالی منحصر به فرد حروف و غیره.” به عنوان بخشی از پایان نامه دکترای خود در دانشگاه بهداشت عمومی دانشگاه علوم پزشکی.

وی گفت: “یادگیری ماشینی مانند داشتن تیمی از كارگزاران است كه اطلاعات عظیمی در اختیار آنها قرار می گیرد. به آنها دستور داده می شود كه مدلهای مفیدی را برای حل مشكلات عملی مانند پیش بینی قومیت از اطلاعات به راحتی در دسترس پیدا كنند و حفظ كنند.”

وونگ گفت این برنامه بهترین عملکرد را در شناسایی افراد از میراث چینی ، فرانسوی ، ژاپنی و روسی فقط بر اساس نام دارد ، در حالی که هنگام طبقه بندی مکانها دقت برای طبقه بندی بومیان بهبود یافته است.

هم سازمان بهداشت جهانی و هم دولت كانادا قومیت و بومی بودن را به عنوان عوامل تعیین كننده سلامت ، همراه با سایر عوامل مانند درآمد ، تحصیلات و جنسیت به رسمیت می شناسند. ونگ اولین بار وقتی به عنوان اپیدمیولوژیست فعلی در دولت سرزمین های شمال غربی خدمت می کرد ، به نابرابری های بهداشتی که بر گروه های محلی تأثیر می گذارد علاقه مند شد.

وونگ گفت که اگرچه سوابق بهداشتی ایالات متحده معمولاً شامل س questionsالاتی در مورد قومیت است ، اما این اطلاعات به طور مداوم در پایگاه های اطلاعاتی کانادا جمع نمی شود ، از سوابق ترخیص بیمارستان تا ثبت سرطان.

با استفاده از یادگیری ماشینی برای کشف این اطلاعات از دست رفته ، محققان و سیاست گذاران می توانند به جای انجام نظرسنجی های جدید مبتنی بر جمعیت ، که گران و وقت گیر هستند ، از سوابق موجود بیشتر بیاموزند.

وونگ گفت: “یک گام به جلو برای تأیید این مطالعه با کاربردهای دنیای واقعی ، با استفاده از شواهد بهداشتی همراه با قومیت تولید شده توسط چارچوب یادگیری ماشین و مقایسه آن با ادبیات موجود ، به ویژه در مورد نابرابری های بهداشتی و اجتماعی است.”

ونگ توصیه می کند ابتدا ابزار پیش بینی قومیت را با استفاده از اطلاعات جدیدتر سرشماری و آزمایش صحت آن هنگام استفاده در پرونده های مختلف بهداشتی ، به روز کنید.

وونگ گفت: “انتظار اینکه پیش بینی های یادگیری ماشین در هر زمان 100٪ دقیق باشد ، غیر واقعی است.” “هدف این است که پیش بینی هایی انجام شود که به اندازه کافی دقیق و کلی باشند تا مدل های اساسی را به روشی معنی دار برای یک مسئله یا کاربرد خاص متمایز کند.”

###

بودجه تحقیقات وونگ توسط م Instituteسسه تحقیقات بهداشتی فردریک بانتینگ کانادا و جایزه چارلز برای بهترین تحقیقات دکترا ، جایزه دکترای رئیس دانشگاه آلبرتا و بورس دکترا ملکه الیزابت دوم و م Amسسه هوش مکانیکی آمی تأمین شد.

سلب مسئولیت: AAAS و EurekAlert! هیچ مسئولیتی در قبال صحت گزارشهای خبری منتشر شده در EurekAlert ندارند! از طریق موسسات کمک کننده یا استفاده از هرگونه اطلاعات از طریق سیستم EurekAlert.

[ad_2]

منبع: kolah-news.ir

ایندکسر