Gendered Innovations: impatto sui modelli di analisi clinica

La progettazione dei sistemi diagnostici e di elaborazione dei dati clinici ha storicamente trascurato le differenze tra le variabili di sesso e genere, generando modelli algoritmici spesso soggetti a bias sistematici. Questo elaborato esplora l'impatto del framework metodologico delle Gendered Innovations applicato ai modelli di Machine Learning e ai sistemi automatizzati in ambito medico. L'obiettivo principale è dimostrare come l'integrazione e la rigorosa separazione di tali variabili nell'addestramento degli algoritmi predittivi ottimizzi l'accuratezza dei sistemi di supporto alle decisioni. A validazione di questa tesi, viene analizzato un caso studio basato su una coorte nazionale, il quale indaga gli effetti divergenti del sesso biologico e del genere socioculturale sulle patologie cardiometaboliche. L'analisi evidenzia, in particolare, come la patologia diabetica presenti associazioni opposte rispetto al sesso e al genere, dimostrando che la mancata distinzione tra i dati biologici e le abitudini sociali dei pazienti introduce distorsioni significative nella valutazione del rischio medico. L'elaborato conferma concretamente che mantenere separati questi due costrutti è un requisito fondamentale nella gestione dei dataset clinici, permettendo di mitigare i bias strutturali e promuovendo lo sviluppo di futuri algoritmi e sistemi di analisi più equi, precisi e affidabili.