Artificial Intelligence (AI) and machine learning (ML) algorithms are widely used to help decision makers both in the public and private sector. Many works express concerns on the ethical side and on the opacity of the data used by ML algorithms; this work analyzes the measurements methods, the origins of the bias and the remedies of the work by Obermeyer et al. (2019) on a medical assistance algorithm used to calculate risk scores.

L'intelligenza artificiale (AI) e gli algoritmi di machine learning (ML) sono ampiamente utilizzati nel settore pubblico e nel privato per aiutare in decisioni chiave. Molti studi hanno riportato preoccupazioni sul piano etico e sulla poca trasparenza dei dati utilizzati da algoritmi ML; questo elaborato analizza i metodi di misurazione, le cause del bias e le contromisure per evitarlo del lavoro di Obermeyer et al. (2019) su un algoritmo utilizzato a livello sanitario per il calcolo del livello di rischio di pazienti.

Bias negli algoritmi di Machine Learning - Il caso degli algoritmi per l'assistenza sanitaria negli Stati Uniti

MONACO, FRANCESCO PIO
2021/2022

Abstract

Artificial Intelligence (AI) and machine learning (ML) algorithms are widely used to help decision makers both in the public and private sector. Many works express concerns on the ethical side and on the opacity of the data used by ML algorithms; this work analyzes the measurements methods, the origins of the bias and the remedies of the work by Obermeyer et al. (2019) on a medical assistance algorithm used to calculate risk scores.
2021
Bias in Machine Learning algorithms - The case of medical assistance algorithms in the United States
L'intelligenza artificiale (AI) e gli algoritmi di machine learning (ML) sono ampiamente utilizzati nel settore pubblico e nel privato per aiutare in decisioni chiave. Molti studi hanno riportato preoccupazioni sul piano etico e sulla poca trasparenza dei dati utilizzati da algoritmi ML; questo elaborato analizza i metodi di misurazione, le cause del bias e le contromisure per evitarlo del lavoro di Obermeyer et al. (2019) su un algoritmo utilizzato a livello sanitario per il calcolo del livello di rischio di pazienti.
Machine Learning
Fairness
AI
Health Disparities
File in questo prodotto:
File Dimensione Formato  
Monaco_Francesco_Pio.pdf

accesso aperto

Dimensione 2.63 MB
Formato Adobe PDF
2.63 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/33543