布洛克大学计算机科学助理教授Blessing Ogbuokiri因其母亲因心脏问题去世而受到启发，开始研究如何利用人工智能支持面临类似健康挑战的人们。
Ogbuokiri正在开发和评估一种机器学习模型，该模型可能能够评估老年心脏病患者因心力衰竭住院或死亡的可能性。
“我不是医生，但我希望通过我的人工智能知识来提出一种潜在的解决方案，以防止心力衰竭的发生。”负责布洛克大学负责任与应用机器学习实验室（RAML Lab）的Ogbuokiri说。
他和他的学生研究团队获得了布洛克大学新的黑人学者研究基金的支持，用于他们的研究工作。
“这项基金特别适合支持Ogbuokiri博士开展这个由他的个人经历启发并极具价值的研究项目，对尼亚加拉地区的老年人口非常有益。”代理副校长Michelle McGinn表示。“他对帮助患者的热情、技术专长以及纪念母亲的决心体现了黑人学者研究基金的精神。”
Ogbuokiri和他的团队正在训练一个机器学习模型，使其能够基于加拿大老龄化纵向研究的健康数据，识别各种变量之间的关联。这些变量包括病史、吸烟状况、身体活动水平、社会经济地位以及糖尿病等慢性疾病的存在情况。
“当我们训练好它，并且它足够聪明能够识别所有这些模式时，模型可以给我们一个预测，例如，某人有50%的几率因心力衰竭住院。”Ogbuokiri说。
他表示，团队的目标是创建一个工具，使患者和医疗专业人员能够“一键”评估心力衰竭的风险。
这种知识可以激励患者进行健康的生活方式改变，如锻炼或戒烟，或者帮助医疗专业人员采取积极措施，防止大量患者同时住院导致医疗系统不堪重负。
Ogbuokiri说，他的模型还可以改善来自黑人和寻求平等社区的患者获得早期干预的机会，这些患者在心力衰竭方面受到不成比例的影响，并且在获得医疗服务时可能面临偏见和其他障碍。
同样，这些刻板印象和有害偏见可以在训练过程中嵌入到机器学习模型中，导致机会不均等、信息扭曲和其他负面影响。
在医疗保健模型中，这可能会表现为系统性地低估某些人群（如黑人或低收入患者）的风险，从而导致在及时干预或治疗方面的差异。
Ogbuokiri说，研究人员通过“在数据预处理过程中应用偏差缓解技术，并使用指标评估模型公平性，确保跨人口群体的公平表现”来避免和减轻模型中的偏差。
(全文结束)
