تعتبر مشكلة انحياز الاختيار (Selection Bias) من التحديات الرئيسية التي تواجه تطبيقات التعلم الآلي في مجالات مثل الرعاية الصحية. فعندما تُستخدم نماذج تم تدريبها على بيانات منحازة في مجموعات سكانية أوسع، قد تؤدي التقديرات غير الدقيقة إلى أضرار حقيقية، خاصة في البيئات عالية المخاطر. يكمن جوهر المشكلة في أن طرق تقييم أداء النموذج الحالية تتطلب توفر معرفة واضحة بالآلية التي تسبب الانحياز، وهو ما يكون غالبًا غير متاح.

لذلك، نقترح أسلوبًا جديدًا لحساب تقدير فعالية النماذج في ظل وجود انحياز الاختيار. هذا الأسلوب يوفر حداً حدياً أعلى يُظهر الأداء الأسوأ المحتمل للنموذج عندما تكون البيانات المتعلقة بالآلية السكانية المدروسة محتملة لرصد تام.لقد أظهرنا فعالية ومصداقية طريقتنا من خلال تجارب أجريت على بيانات صناعية كاملة، وأخرى شبه صناعية مستمدة من برنامج All of Us Research، بالإضافة إلى حالات حقيقة من انحياز الاختيار في قاعدة بيانات MIMIC-IV.

يقدم هذا العمل أداة مبدئية وعملية لتقدير تأثير انحياز الاختيار في إعدادات يمكن أن تكون معقدة، مما يمكّن الممارسين من بناء نماذج أكثر أمانًا وقابلية للتعميم في مجال الرعاية الصحية وغيرها من المجالات. حان الوقت لإعادة التفكير في كيفية مساهمة تقنيات الذكاء الصناعي في تحسين الصحة العامة بشكل آمن ومؤثر.