EUVIMEDEUVIMED entdecken
Open Access · CC BY 4.0

Sensitivity and calibration disparities of a race-blind machine learning model for periodontitis across racial and ethnic groups

Unterschiede in Sensitivität und Kalibrierung eines rasseblinden Machine-Learning-Modells für Parodontitis über rassische und ethnische Gruppen hinweg

Maria Fernanda Escalante Freitez

SAP Artificial Intelligence in Dentistry · 14.09.2026 · 2 · 142

DOI: 10.62486/aid2026142 ↗

Auf einen Blick

Ein rasseblindes logistisches Regressionsmodell zeigte zur Parodontitis-Vorhersage deutliche Unterschiede zwischen rassischen und ethnischen Gruppen. Die Kalibrierung blieb in allen Gruppen unter 12,2 %.

Fragestellung

Wie fair ist ein rasseblindes Machine-Learning-Modell zur Vorhersage von Parodontitis über rassische und ethnische Gruppen hinweg?

Methode

Logistische Regression mit Daten von NHANES 2009–2014; Bewertung von Diskrimination, Sensitivität, Spezifität, Kalibrierung und Demographic Parity innerhalb der Gruppen.

Ergebnisse

12.630 Erwachsene ab 30 Jahren. AUC 0,656. Sensitivität 54,1 % bis 79,2 %, Spezifität 46,0 % bis 73,9 %; Equal-Opportunity-Gap 25,1 Prozentpunkte, Demographic-Parity-Gap 29,5 Punkte.

Schlussfolgerung der Autor:innen

Das rasseblinde Parodontitis-Modell zeigte trotz vergleichbarer Kalibrierung deutliche Unterschiede in Sensitivität und Spezifität zwischen rassischen und ethnischen Gruppen durch Proxy-Variablen.

Kernaussagen

  • AUC des Modells: 0,656
  • Sensitivität und Spezifität variierten zwischen den Gruppen deutlich
  • Kalibrierungsfehler in allen Gruppen unter 12,2 %

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Fachartikel in der Zeitschrift SAP Artificial Intelligence in Dentistry, online erschienen am 14.09.2026. Verfasst von Maria Fernanda Escalante Freitez. Die Arbeit nennt 31 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Introduction

Machine learning models are increasingly proposed for periodontitis prediction, but their fairness across racial and ethnic groups is rarely quantified.

Methods

A race-blind logistic regression model was trained on 12,630 adults aged 30 years and older from NHANES 2009-2014 to predict periodontitis, and its discrimination, sensitivity, specificity, calibration, and demographic parity were evaluated within each racial and ethnic group.

Results

The model discriminated periodontitis with an overall area under the curve of 0.656. Sensitivity ranged from 54.1% to 79.2% and specificity from 46.0% to 73.9% across groups, yielding an equal-opportunity gap of 25.1 percentage points and a demographic-parity gap of 29.5 points, while calibration error remained below 12.2% in every group.

Conclusions

A race-blind periodontitis model produced marked disparities in sensitivity and specificity across racial and ethnic groups through proxy variables, despite comparable calibration.

Zitieren

APA

Freitez, M. F. E. (2026). Sensitivity and calibration disparities of a race-blind machine learning model for periodontitis across racial and ethnic groups. SAP Artificial Intelligence in Dentistry, 2, 142. https://doi.org/10.62486/aid2026142

Vancouver

Freitez MFE. Sensitivity and calibration disparities of a race-blind machine learning model for periodontitis across racial and ethnic groups. SAP Artificial Intelligence in Dentistry. 2026;2:142. doi:10.62486/aid2026142

BibTeX
@article{Freitez2026,
  author = {Freitez, Maria Fernanda Escalante},
  title = {Sensitivity and calibration disparities of a race-blind machine learning model for periodontitis across racial and ethnic groups},
  journal = {SAP Artificial Intelligence in Dentistry},
  year = {2026},
  volume = {2},
  pages = {142},
  doi = {10.62486/aid2026142}
}
Kostenlos starten →