在当今社会，心血管疾病的预防和治疗是医学领域的重要议题。然而，传统的风险评估模型，如弗雷明汉风险评分（FRS），在评估特定人群的风险时存在局限性，尤其是在社会经济地位较低的人群中。因此，研究人员开始探索人工智能（AI）和机器学习（ML）算法在提高风险评估准确性方面的潜力。最近的一项突破性研究表明，AI算法在增强心血管风险评估方面具有优势，特别是在解决FRS固有偏见方面。
弗雷明汉风险评分是一个广为人知的算法，用于估计个体未来10年内患心血管疾病的风险。该评分最初是基于弗雷明汉心脏研究的数据开发的，主要关注评估冠状动脉疾病的风险。然而，观察发现，FRS可能无法准确评估特定人群的风险，例如面临社会经济不利条件的人群。
人工智能和机器学习技术在解决传统风险评估模型中的公平性和偏见问题方面显示出了希望。通过利用大量数据和复杂算法，AI有潜力提供更准确的风险估计，并改善患者的治疗结果。然而，在将AI驱动的决策制定纳入临床实践之前，对这些算法进行关键评估是必要的。
本研究旨在采用公平视角，识别和理解旨在改善心血管风险评估的ML算法中的偏见来源，与FRS相比。研究人员将关注种族/民族、性别和社会阶层等方面，以评估这些算法中的偏见程度。目标是揭示和解决风险评估过程中可能出现的任何不公平差异。
将进行全面的文献搜索，以解决设计用于估计心血管疾病风险并与FRS比较性能的AI算法是否能有效解决偏见的问题。将搜索MEDLINE、Embase和IEEE等数据库的相关研究。搜索不会施加任何日期过滤器，但会应用英语语言过滤器。