自适应招募资源分配以提升参与式生物医学数据集中队列的代表性

大型参与式生物医学研究——即招募个体加入数据集的研究——正日益受到欢迎和投资，特别是用于现代 AI 方法的分析。因为这些研究有目的地招募参与者，所以它们能够独特地解决历史代表性不足的问题，而这一问题影响了许多生物医学数据集。在本工作中，我们将代表性定义为一组属性与目标总体分布的相似性，我们的目标是在年龄、性别、种族和族裔的分布上与美国人口保持一致。许多参与式研究在多个机构招募，因此我们引入了一种计算方法来自适应地在各站点间分配招募资源以提升代表性。在来自 STAR 临床研究网络的医疗中心进行 10,000 名参与者队列的模拟招募中，我们表明我们的方法比现有基线产生了更具代表性的队列。因此，我们强调了计算方法在指导招募工作中的价值。