في عالم الرعاية الصحية، تبرز مشاكل التحيز في صنع القرار الأوتوماتيكي باستخدام سجلات الصحة الإلكترونية (Electronic Healthcare Records - EHR) كعائق كبير أمام تحقيق العدالة في تقديم الرعاية. غالبًا ما تركز الاستراتيجيات التقليدية على تقليل التحيزات الناتجة عن سمات فردية مثل الجنس أو العرق، متجاهلة بذلك الفئات التقاطعية التي قد تتشكل من تقاطعات متعددة مثل العرق والجنس والاثنية. هذه الاستراتيجيات الفردية تصبح غير ذات صلة عند النظر إلى الفئات التقاطعية بسبب أنماط التحيز المتنوعة التي تظهر في هذه المجموعات.

تضيف الطبيعة المتعددة الأنماط للبيانات الكبيرة المستقاة من سجلات الصحة الإلكترونية، بما في ذلك النصوص وسلاسل الزمن والجداول والصور، مستوى آخر من التعقيد. فقد تؤثر هذه البيانات على الجماعات الأقل تمثيلاً بطرق مختلفة حسب نمط البيانات المستخدم.

استنادًا إلى مجموعة من بيانات متعددة الأنماط، وهي MIMIC-Eye1 وMIMIC-IV ED، قامت هذه الدراسة بخطوات هامة لكشف التحيزات المحتملة التي تؤثر على التنبؤات في مجالات الرعاية الصحية. استخدم الباحثون نماذج لغوية طبية مسبقة التدريب مثل MedBERT وClinical BERT وClinical BioBERT لاستكشاف التحيزات وتصميم استراتيجيات تخفيف فعالة على مستوى الفئات التقاطعية.

أظهرت النتائج أن الاستراتيجيات المحددة لفئات معينة ناجحة عبر مجموعات بيانات مختلفة، مما يعزز من فعاليتها في معالجة التحيزات التقاطعية في بيئات متعددة الأنماط. إن نجاح هذه الدراسة يمثل خطوة هامة نحو تحسين نتائج الرعاية الصحية وتقليل الفجوات في تقديمها.