Skip to Content
logologo
AI Incident Database
Open TwitterOpen RSS FeedOpen FacebookOpen LinkedInOpen GitHub
Open Menu
Découvrir
Envoyer
  • Bienvenue sur AIID
  • Découvrir les incidents
  • Vue spatiale
  • Vue de tableau
  • Vue de liste
  • Entités
  • Taxonomies
  • Soumettre des rapports d'incident
  • Classement des reporters
  • Blog
  • Résumé de l’Actualité sur l’IA
  • Contrôle des risques
  • Incident au hasard
  • S'inscrire
Fermer
Découvrir
Envoyer
  • Bienvenue sur AIID
  • Découvrir les incidents
  • Vue spatiale
  • Vue de tableau
  • Vue de liste
  • Entités
  • Taxonomies
  • Soumettre des rapports d'incident
  • Classement des reporters
  • Blog
  • Résumé de l’Actualité sur l’IA
  • Contrôle des risques
  • Incident au hasard
  • S'inscrire
Fermer

Incident 79: Kidney Testing Method Allegedly Underestimated Risk of Black Patients

Description: Decades-long use of the estimated glomerular filtration rate (eGFR) method to test kidney function which considers race has been criticized by physicians and medical students for its racist history and inaccuracy against Black patients.

Outils

Nouveau rapportNouveau rapportNouvelle RéponseNouvelle RéponseDécouvrirDécouvrirVoir l'historiqueVoir l'historique

Entités

Voir toutes les entités
Présumé : Un système d'IA développé et mis en œuvre par Chronic Kidney Disease Epidemiology Collaboration, a endommagé Black patients et African-American patients.

Statistiques d'incidents

ID
79
Nombre de rapports
3
Date de l'incident
1999-03-16
Editeurs
Sean McGregor, Khoa Lam
Applied Taxonomies
CSETv0, CSETv1, GMF, MIT

Classifications de taxonomie CSETv0

Détails de la taxonomie

Problem Nature

Indicates which, if any, of the following types of AI failure describe the incident: "Specification," i.e. the system's behavior did not align with the true intentions of its designer, operator, etc; "Robustness," i.e. the system operated unsafely because of features or changes in its environment, or in the inputs the system received; "Assurance," i.e. the system could not be adequately monitored or controlled during operation.
 

Unknown/unclear

Physical System

Where relevant, indicates whether the AI system(s) was embedded into or tightly associated with specific types of hardware.
 

Software only

Level of Autonomy

The degree to which the AI system(s) functions independently from human intervention. "High" means there is no human involved in the system action execution; "Medium" means the system generates a decision and a human oversees the resulting action; "low" means the system generates decision-support output and a human makes a decision and executes an action.
 

Low

Nature of End User

"Expert" if users with special training or technical expertise were the ones meant to benefit from the AI system(s)’ operation; "Amateur" if the AI systems were primarily meant to benefit the general public or untrained users.
 

Amateur

Public Sector Deployment

"Yes" if the AI system(s) involved in the accident were being used by the public sector or for the administration of public goods (for example, public transportation). "No" if the system(s) were being used in the private sector or for commercial purposes (for example, a ride-sharing company), on the other.
 

No

Data Inputs

A brief description of the data that the AI system(s) used or were trained on.
 

creatinine levels, age, sex, race

Classifications de taxonomie CSETv1

Détails de la taxonomie

Incident Number

The number of the incident in the AI Incident Database.
 

79

AI Tangible Harm Level Notes

Notes about the AI tangible harm level assessment
 

There is no AI. The harm comes from a formula that uses race as a factor.

Notes (special interest intangible harm)

Input any notes that may help explain your answers.
 

4.1 - Black patients overlooked by the calculation because of built-in points had their access to critical public healthcare reduced.

Special Interest Intangible Harm

An assessment of whether a special interest intangible harm occurred. This assessment does not consider the context of the intangible harm, if an AI was involved, or if there is characterizable class or subgroup of harmed entities. It is also not assessing if an intangible harm occurred. It is only asking if a special interest intangible harm occurred.
 

yes

Classifications de taxonomie MIT

Machine-Classified
Détails de la taxonomie

Risk Subdomain

A further 23 subdomains create an accessible and understandable classification of hazards and harms associated with AI
 

1.3. Unequal performance across groups

Risk Domain

The Domain Taxonomy of AI Risks classifies risks into seven AI risk domains: (1) Discrimination & toxicity, (2) Privacy & security, (3) Misinformation, (4) Malicious actors & misuse, (5) Human-computer interaction, (6) Socioeconomic & environmental harms, and (7) AI system safety, failures & limitations.
 
  1. Discrimination and Toxicity

Entity

Which, if any, entity is presented as the main cause of the risk
 

Human

Timing

The stage in the AI lifecycle at which the risk is presented as occurring
 

Post-deployment

Intent

Whether the risk is presented as occurring as an expected or unexpected outcome from pursuing a goal
 

Unintentional

Rapports d'incidents

Chronologie du rapport

Incident OccurrenceUne campagne d'un an pour éliminer les préjugés racistes des tests rénaux gagne du terrain+1
Examen de l'impact potentiel de l'utilisation du multiplicateur racial dans le calcul du taux de filtration glomérulaire estimé sur les résultats des soins afro-américains
Une campagne d'un an pour éliminer les préjugés racistes des tests rénaux gagne du terrain

Une campagne d'un an pour éliminer les préjugés racistes des tests rénaux gagne du terrain

statnews.com

Examen de l'impact potentiel de l'utilisation du multiplicateur racial dans le calcul du taux de filtration glomérulaire estimé sur les résultats des soins afro-américains

Examen de l'impact potentiel de l'utilisation du multiplicateur racial dans le calcul du taux de filtration glomérulaire estimé sur les résultats des soins afro-américains

link.springer.com

Comment un algorithme a bloqué les greffes de rein aux patients noirs

Comment un algorithme a bloqué les greffes de rein aux patients noirs

wired.com

Une campagne d'un an pour éliminer les préjugés racistes des tests rénaux gagne du terrain
statnews.com · 2020
Traduit par IA

Pendant des années, les médecins et les étudiants en médecine, dont beaucoup sont noirs, ont averti que le test rénal le plus largement utilisé – dont les résultats sont basés sur la race – est raciste et dangereusement inexact. Leurs appel…

Examen de l'impact potentiel de l'utilisation du multiplicateur racial dans le calcul du taux de filtration glomérulaire estimé sur les résultats des soins afro-américains
link.springer.com · 2020
Traduit par IA

CONTEXTE : Pour faire progresser l'équité en santé, il faut réduire les disparités dans les soins. Les patients afro-américains atteints d'insuffisance rénale chronique (IRC) ont de moins bons résultats, y compris le placement de l'accès à …

Comment un algorithme a bloqué les greffes de rein aux patients noirs
wired.com · 2020
Traduit par IA

LES NOIRS AUX ÉTATS-UNIS souffrent davantage de maladies chroniques et reçoivent des soins de santé inférieurs à ceux des Blancs. Les mathématiques faussées racialement peuvent aggraver le problème.

Les médecins prennent souvent des décisio…

Variantes

Une "Variante" est un incident qui partage les mêmes facteurs de causalité, produit des dommages similaires et implique les mêmes systèmes intelligents qu'un incident d'IA connu. Plutôt que d'indexer les variantes comme des incidents entièrement distincts, nous listons les variations d'incidents sous le premier incident similaire soumis à la base de données. Contrairement aux autres types de soumission à la base de données des incidents, les variantes ne sont pas tenues d'avoir des rapports en preuve externes à la base de données des incidents. En savoir plus sur le document de recherche.

Incidents similaires

Par similarité textuelle

Did our AI mess up? Flag the unrelated incidents

Algorithmic Health Risk Scores Underestimated Black Patients’ Needs

A Health Care Algorithm Offered Less Care to Black Patients

Oct 2019 · 7 rapports
Justice Department’s Recidivism Risk Algorithm PATTERN Allegedly Caused Persistent Disparities Along Racial Lines

Flaws plague a tool meant to help low-risk federal prisoners win early release

Jan 2022 · 1 rapport
Researchers find evidence of racial, gender, and socioeconomic bias in chest X-ray classifiers

Researchers find evidence of racial, gender, and socioeconomic bias in chest X-ray classifiers

Oct 2020 · 1 rapport
Incident précédentProchain incident

Incidents similaires

Par similarité textuelle

Did our AI mess up? Flag the unrelated incidents

Algorithmic Health Risk Scores Underestimated Black Patients’ Needs

A Health Care Algorithm Offered Less Care to Black Patients

Oct 2019 · 7 rapports
Justice Department’s Recidivism Risk Algorithm PATTERN Allegedly Caused Persistent Disparities Along Racial Lines

Flaws plague a tool meant to help low-risk federal prisoners win early release

Jan 2022 · 1 rapport
Researchers find evidence of racial, gender, and socioeconomic bias in chest X-ray classifiers

Researchers find evidence of racial, gender, and socioeconomic bias in chest X-ray classifiers

Oct 2020 · 1 rapport

Recherche

  • Définition d'un « incident d'IA »
  • Définir une « réponse aux incidents d'IA »
  • Feuille de route de la base de données
  • Travaux connexes
  • Télécharger la base de données complète

Projet et communauté

  • À propos de
  • Contacter et suivre
  • Applications et résumés
  • Guide de l'éditeur

Incidents

  • Tous les incidents sous forme de liste
  • Incidents signalés
  • File d'attente de soumission
  • Affichage des classifications
  • Taxonomies

2024 - AI Incident Database

  • Conditions d'utilisation
  • Politique de confidentialité
  • Open twitterOpen githubOpen rssOpen facebookOpen linkedin
  • ecd56df