ILRaziskovalci z Univerze Johns Hopkins in ameriške uprave za hrano in zdravila (FDA) so razvili novo orodje, imenovano G-AUDIT, za odkrivanje skritih pristranskosti v medicinskih zbirkah podatkov o umetni inteligenci. Medicinski sistemi umetne inteligence so kljub njihovemu potencialu za izboljšanje zdravstvenega varstva pokazali znatne vrzeli v zmogljivosti in implicitne pristranskosti, pogosto zaradi nereprezentativnih podatkov o usposabljanju. Študija poudarja primere, ko modeli umetne inteligence napačno povezujejo nepomembne značilnosti, kot so oznake kliničnikov ali razlike v opremi za slikanje, z zdravstvenimi stanji, kar vodi do pristranskih napovedi in potencialnih zdravstvenih razlik. Za razliko od prejšnjih pristopov, ki se osredotočajo na prilagajanje modelov umetne inteligence, ima G-AUDIT za cilj identificirati problematične vzorce v zbirkah podatkov pred začetkom usposabljanja, s čimer pomaga preprečiti napačno vedenje umetne inteligence v aplikacijah v resničnem svetu.
Ocena pristranskosti (Sredina): Članek predstavlja tehnično razpravo o pristranskosti medicinske umetne inteligence brez očitnega ideološkega okvirja. Medtem ko ima vprašanje pristranskosti umetne inteligence širše družbene posledice, članek ne zavzema partizanskega stališča ali poudarja specifičnih političnih agend.
