探索个性化医学中人工智能的性别偏见：与跨性别群体成员的焦点小组研究

探索个性化医学中人工智能的性别偏见：与跨性别群体成员的焦点小组研究Exploring Gender Bias in AI for Personalized Medicine: Focus Group Study With Trans Community Members

环球医讯 / AI与医疗健康来源：www.jmir.org西班牙 - 英语2025-08-01 11:01:22 - 阅读时长3分钟 - 1161字

本研究通过西班牙跨性别群体的焦点小组讨论，揭示了人工智能在个性化医学中的性别偏见问题。研究发现跨性别群体面临医疗数据缺乏针对性、算法性别二元化、医疗专业人员知识不足等挑战，提出通过社区主导数据收集、增强算法透明度、建立伦理框架等解决方案。研究强调人工智能需具备性别包容性，以弥合医疗差距并提升跨性别群体生活质量，为医疗AI设计提供重要参考。

摘要

本研究通过西班牙跨性别群体的焦点小组讨论，探讨人工智能（AI）在个性化医学中的应用及其面临的性别偏见问题。研究发现，跨性别群体在医疗数据收集、算法设计和专业培训中面临系统性挑战：1）跨性别医疗数据严重缺失导致误诊风险；2）二元性别算法模型加剧身份误判；3）医疗从业者专业知识不足。参与者提出三项解决方案：建立跨性别主导的医疗数据库、开发包容性AI应用、完善性别多样性培训体系。研究强调，AI技术必须突破二元性别框架，将跨性别视角纳入医疗系统设计。

方法

研究采用沟通方法论（communicative methodology），通过平等对话确保跨性别群体全程参与。研究团队与西班牙PRISMA协会合作，制定三轮焦点小组方案，最终16名跨性别参与者完成讨论。数据分析采用ATLAS.ti编码系统，重点分析个性化医疗和AI技术两大领域，提炼出医疗护理、药物使用、数据偏见等核心编码类别。

结果

主要障碍

医疗研究缺口：跨性别医疗数据缺失导致严重误诊案例。例如某跨性别女性的医疗记录错误标注性别，导致激素治疗方案偏差。参与者强调需要建立专门针对跨性别人群的药物反应数据库。
算法偏见：语音识别技术存在二元性别刻板印象。某跨性别女性在使用语音女性化软件时，系统仍将其识别为男性。应用程序界面设计中粉色/蓝色二元色彩编码引发跨性别群体强烈反感。
专业能力不足：医疗从业者对跨性别健康需求认知有限。部分医生将跨性别者的血液检测结果错误判定为贫血，未考虑激素治疗的正常生理变化。

关键解决方案

数据包容性：建议开发包含跨性别健康指标的专用数据库。例如某跨性别女性指出需建立激素水平动态跟踪系统，实现医疗自主预约。
算法透明化：推动社区主导AI开发。参与者建议将跨性别群体纳入医疗AI设计团队，如某应用通过用户语音样本持续优化性别识别算法。
伦理框架：建立反偏见医疗体系。PRISMA协会主导的TRANSIT项目显示，持续专业培训可显著提升医疗服务质量。

讨论

研究揭示的挑战与现有文献高度吻合：1）全球医疗AI普遍存在二元性别算法缺陷；2）跨性别数据收集缺乏标准化；3）技术偏见加剧医疗不平等。本研究创新性在于提出"三支柱"解决方案：开发包容性健康应用（技术层）、建立信任机制（制度层）、促进社群互助网络（社会层）。这些发现与《联合国人工智能伦理建议》等国际规范相呼应，但指出现行法规对跨性别群体保护存在显著漏洞。