Weet de AI die jouw dokter gebruikt wel dat jij (g)een man bent?
- RaphaëlBoitquin
Mannen en vrouwen verschillen. Die sekseverschillen gaan verder dan voortplantingsorganen en een andere lichaamsbouw. Ze spelen ook een belangrijke rol in onze gezondheid: ze beïnvloeden hoe groot de kans is dat je een bepaalde ziekte krijgt, welke symptomen je vertoont, hoe een arts een diagnose stelt en hoe je lichaam reageert op medicatie en andere behandelingen. Misschien is dit iets wat je nog niet wist? Niet getreurd, je bent niet de enige. Ook ontwikkelaars van artificiële intelligentie (AI) die ondersteunende toepassingen bouwen voor de geneeskunde, houden niet altijd voldoende rekening met die sekseverschillen. Al heeft dat laatste wél grotere gevolgen.
Ja, maar waarom zou mijn arts AI gebruiken?
“Ik heb jammer genoeg geen glazen bol", is een uitspraak die je misschien al van je arts te horen hebt gekregen. Hier komt stilaan verandering in met artificiële intelligentie, die artsen kan helpen sneller en gerichter te beslissen.
In 2019 ontwikkelden Amerikaanse onderzoekers een AI-model dat kon voorspellen welke ziekenhuispatiënten binnen de 48 uur nierschade zouden ontwikkelen, ruim op tijd voor de artsen om te kunnen ingrijpen. Het model toonde indrukwekkende resultaten en leek een groot succes. Totdat andere onderzoekers ontdekten dat bijna alle patiënten waarop het model geleerd had, mannen waren: slechts 6,4 procent van de gebruikte patiëntgegevens kwam van vrouwen.
Wat later bleek, verraste eigenlijk niemand: het model werkte minder goed voor vrouwelijke patiënten. Niet omdat vrouwen vaak moeilijker te voorspellen zijn, maar omdat het model eenvoudigweg te weinig voorbeelden van vrouwen had gezien.
Hoe leert “dokter AI” eigenlijk en is het altijd een voorbeeldstudent?
Een AI-model leert anders dan een arts. Het volgt niet jarenlang lessen en loopt geen stage. Het leert door duizenden of zelfs miljoenen voorbeelden te bekijken. Vergelijk het met een kind dat dieren leert herkennen. Als een kind honderd foto's van koeien te zien krijgt en maar vijf van schapen, zal het uiteindelijk veel beter worden in het herkennen van koeien. Het heeft te weinig voorbeelden van schapen gezien om goed te leren wat een schaap nu typisch maakt.
Zo werkt het ook bij AI in de geneeskunde: ziet een model vooral gegevens van mannen, dan leert het vooral bij mannen signalen herkennen. Zodra hetzelfde model voorspellingen moet maken voor vrouwen, wordt de kans op fouten groter.
De kwaliteit van een AI-voorspelling hangt daarom niet alleen af van slimme computertechnieken, maar ook van de gegevens waarmee het leert.
Een arts die belangrijke verschillen tussen mannen en vrouwen niet kent, herken je waarschijnlijk doordat die geen diploma heeft. Een AI-model dat geen rekening houdt met die verschillen valt veel minder op. Vooral wanneer voorspellingen zogezegd nauwkeurig zijn, maar eigenlijk enkel correct zijn voor mannen bijvoorbeeld, kan een systeem ongemerkt zijn gang gaan.
“De kwaliteit van een AI-voorspelling hangt daarom niet alleen af van slimme computertechnieken, maar ook van de gegevens waarmee het model leert.”
Oké, maar is dat ene voorbeeld over plotse nierschade niet gewoon een uitzondering?
Dat vroegen wij ons ook af. Daarom doorzochten we 221 studies over AI-modellen voor vier veelvoorkomende aandoeningen, van nierschade tot hartstilstand. We wilden weten of mannen en vrouwen even sterk vertegenwoordigd waren in de gegevens waarmee die modellen werden gebouwd.
Telkens vonden we hetzelfde: mannen en vrouwen waren vaak niet even sterk vertegenwoordigd. Nog opvallender was hoe weinig aandacht onderzoekers besteedden aan het effect van deze verschillen. Lang niet elke studie vermeldde hoeveel gegevens van mannelijke en vrouwelijke patiënten gebruikt werden. Zelfs niet wanneer andere onderzoekers dezelfde gegevens wél hadden vermeld en deze informatie dus gewoon voorhanden was.
Onderzoekers focusten zich vooral op één vraag: hoe nauwkeurig voorspelt het model? Veel minder aandacht ging naar een andere vraag: werkt het model even goed voor iedereen? Sommige modellen scoorden uitstekend op technische testen met indrukwekkende voorspellende resultaten, maar waren gebouwd met gegevens waarin vrouwen slechts beperkt aanwezig waren.
Daarnaast gebruiken onderzoekers wereldwijd vaak dezelfde grote hoeveelheden gegevens uit Amerikaanse ziekenhuizen. Daardoor leren veel modellen keer op keer van ongeveer dezelfde groep patiënten, zelfs wanneer ze later worden ingezet in heel andere landen en zorgsystemen.
Een kijkje in de wachtkamer
Moet je nu bang zijn van AI bij de dokter? Niet noodzakelijk, AI heeft veel potentieel.
Het kan artsen helpen om problemen sneller op te sporen, betere voorspellingen te maken en zorg efficiënter te organiseren, maar enkel op voorwaarde dat ze leren van gegevens die de volledige wachtkamer weerspiegelen, niet slechts een deel ervan. Dat betekent dat ontwikkelaars van AI-tools en artsen nauwer moeten samenwerken. Artsen weten welke medische verschillen tussen patiënten belangrijk zijn. Ontwikkelaars moeten nagaan of hun modellen daar voldoende rekening mee houden.
Dit geldt niet alleen voor verschillen tussen mannen en vrouwen, maar ook voor andere kenmerken die invloed kunnen hebben op gezondheid, zoals etniciteit, leeftijd enzovoort.
Weet de AI van jouw dokter dus al dat jij (g)een man bent? Nog niet altijd, zo blijkt. De volgende keer dat iemand zegt dat AI de toekomst van de geneeskunde vormt, is er dus misschien één vraag die we eerst moeten stellen: “Heeft die AI eigenlijk geleerd van mensen zoals jij en ik?”
Bibliografie
1. Regitz-Zagrosek V. Sex and gender differences in health. Science & Society Series on Sex and Science. EMBO Rep. 2012;13(7):596-603.
2. Mauvais-Jarvis F, Bairey Merz N, Barnes PJ, et al. Sex and gender: modifiers of health, disease, and medicine. Lancet. 2020;396(10250):565-82.
3. Regitz-Zagrosek V, Seeland U. Sex and gender differences in clinical medicine. Handb Exp Pharmacol. 2012(214):3-22.
4. Gochfeld M. Sex Differences in Human and Animal Toxicology. Toxicol Pathol. 2017;45(1):172-89.
5. Clayton JA. Studying both sexes: a guiding principle for biomedicine. Faseb j. 2016;30(2):519-24.
6. Merone L, Tsey K, Russell D, et al. Sex Inequalities in Medical Research: A Systematic Scoping Review of the Literature. Womens Health Rep (New Rochelle). 2022;3(1):49-59.
7. Sugimoto CR, Ahn Y-Y, Smith E, et al. Factors affecting sex-related reporting in medical research: a cross-disciplinary bibliometric analysis. The Lancet. 2019;393(10171):550-9.
8. Rich-Edwards JW, Kaiser UB, Chen GL, et al. Sex and Gender Differences Research Design for Basic, Clinical, and Population Studies: Essentials for Investigators. Endocr Rev. 2018;39(4):424-39.
9. Regitz-Zagrosek V, Gebhard C. Gender medicine: effects of sex and gender on cardiovascular disease manifestation and outcomes. Nature Reviews Cardiology. 2023;20(4):236-47.
10. Kuehner C. Why is depression more common among women than among men? Lancet Psychiatry. 2017;4(2):146-58.
11. Ferretti MT, Iulita MF, Cavedo E, et al. Sex differences in Alzheimer disease - the gateway to precision medicine. Nat Rev Neurol. 2018;14(8):457-69.
12. Kelava I, Chiaradia I, Pellegrini L, et al. Androgens increase excitatory neurogenic potential in human brain organoids. Nature. 2022;602(7895):112-6.
13. Natri H, Garcia AR, Buetow KH, et al. The Pregnancy Pickle: Evolved Immune Compensation Due to Pregnancy Underlies Sex Differences in Human Diseases. Trends Genet. 2019;35(7):478-88.
14. Kim HI, Lim H, Moon A. Sex Differences in Cancer: Epidemiology, Genetics and Therapy. Biomol Ther (Seoul). 2018;26(4):335-42.
15. Shah AS, Griffiths M, Lee KK, et al. High sensitivity cardiac troponin and the under-diagnosis of myocardial infarction in women: prospective cohort study. Bmj. 2015;350:g7873.
16. de Bakker M, Anand A, Shipley M, et al. Sex Differences in Cardiac Troponin Trajectories Over the Life Course. Circulation. 2023;147(24):1798-808.
17. Cirillo D, Catuara-Solarz S, Morey C, et al. Sex and gender differences and biases in artificial intelligence for biomedicine and healthcare. npj Digital Medicine. 2020;3(1):81.
18. Kufel J, Bargieł-Łączek K, Kocot S, et al. What Is Machine Learning, Artificial Neural Networks and Deep Learning?-Examples of Practical Applications in Medicine. Diagnostics (Basel). 2023;13(15).
19. Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. New England Journal of Medicine. 2019;380(14):1347-58.
20. Ono S, Goto T. Introduction to supervised machine learning in clinical epidemiology. Ann Clin Epidemiol. 2022;4(3):63-71.
21. Lee S-I, Celik S, Logsdon BA, et al. A machine learning approach to integrate big data for precision medicine in acute myeloid leukemia. Nature Communications. 2018;9(1):42.
22. Sidey-Gibbons JAM, Sidey-Gibbons CJ. Machine learning in medicine: a practical introduction. BMC Med Res Methodol. 2019;19(1):64.
23. Ma Y, Liu K, Guan Z, et al. Background Augmentation Generative Adversarial Networks (BAGANs): Effective Data Generation Based on GAN-Augmented 3D Synthesizing. Symmetry. 2018;10(12):734.
24. Christodoulou E, Ma J, Collins GS, et al. A systematic review shows no performance benefit of machine learning over logistic regression for clinical prediction models. Journal of Clinical Epidemiology. 2019;110:12-22.
25. Olson RS, Cava W, Mustahsan Z, et al. Data-driven advice for applying machine learning to bioinformatics problems. Pac Symp Biocomput. 2018;23:192-203.
26. Al Mashrafi SS, Tafakori L, Abdollahian M. Predicting maternal risk level using machine learning models. BMC Pregnancy and Childbirth. 2024;24(1):820.
27. Shim JG, Ryu KH, Cho EA, et al. Machine Learning Approaches to Predict Chronic Lower Back Pain in People Aged over 50 Years. Medicina (Kaunas). 2021;57(11).
28. Huang H, Wang J, Zhu Y, et al. Development of a Machine-Learning Model for Prediction of Extubation Failure in Patients with Difficult Airways after General Anesthesia of Head, Neck, and Maxillofacial Surgeries. Journal of Clinical Medicine. 2023;12(3):1066.
29. Goto T, Camargo CA, Jr., Faridi MK, et al. Machine Learning-Based Prediction of Clinical Outcomes for Children During Emergency Department Triage. JAMA Netw Open. 2019;2(1):e186937.
30. Gao Y, Cai G-Y, Fang W, et al. Machine learning based early warning system enables accurate mortality risk prediction for COVID-19. Nature Communications. 2020;11(1):5033.
31. Fleuren LM, Klausch TLT, Zwager CL, et al. Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy. Intensive Care Med. 2020;46(3):383-400.
32. Cirillo D, Rementeria MJ. Chapter 3 - Bias and fairness in machine learning and artificial intelligence. In: Cirillo D, Catuara-Solarz S, Guney E, editors. Sex and Gender Bias in Technology and Artificial Intelligence: Academic Press; 2022. p. 57-75.
33. Talwar A, Turner S, Maw C, et al. Sex bias consideration in healthcare machine-learning research: a systematic review in rheumatoid arthritis. BMJ Open. 2025;15(3):e086117.
34. Mittermaier M, Raza MM, Kvedar JC. Bias in AI-based models for medical applications: challenges and mitigation strategies. npj Digital Medicine. 2023;6(1):113.
35. Google Developers. Machine Learning Crash Course, Datasets: Dividing the original dataset: Google LCC; 2025 [24 April 2025]. Available from: https://developers.google.com/machine-learning/crash-course/overfitting/dividing-datasets.
36. Seyyed-Kalantari L, Zhang H, McDermott MBA, et al. Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations. Nature Medicine. 2021;27(12):2176-82.
37. Oikonomou EK, Williams MC, Kotanidis CP, et al. A novel machine learning-derived radiotranscriptomic signature of perivascular fat improves cardiac risk prediction using coronary CT angiography. Eur Heart J. 2019;40(43):3529-43.
38. Betai D, Ahmed AS, Saxena P, et al. Gender Disparities in Cardiovascular Disease and Their Management: A Review. Cureus. 2024;16(5):e59663.
39. Tomašev N, Glorot X, Rae JW, et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 2019;572(7767):116-9.
40. Cao J, Zhang X, Shahinian V, et al. Generalizability of an acute kidney injury prediction model across health systems. Nat Mach Intell. 2022;4(12):1121-9.
41. Khwaja A. KDIGO clinical practice guidelines for acute kidney injury. Nephron Clin Pract. 2012;120(4):c179-84.
42. Lin Y, Shi T, Kong G. Acute Kidney Injury Prognosis Prediction Using Machine Learning Methods: A Systematic Review. Kidney Medicine. 2025;7(1):100936.
43. Wu VC, Wu CH, Huang TM, et al. Long-term risk of coronary events after AKI. J Am Soc Nephrol. 2014;25(3):595-605.
44. Güzel C, Yeşiltaş S, Daşkaya H, et al. The effect of gender on acute kidney injury developing in the intensive care unit. Hippokratia. 2019;23(3):126-30.
45. Loutradis C, Pickup L, Law JP, et al. Acute kidney injury is more common in men than women after accounting for socioeconomic status, ethnicity, alcohol intake and smoking history. Biology of Sex Differences. 2021;12(1):30.
46. Wang Y, Huang X, Xia S, et al. Gender differences and risk factors for acute kidney injury following cardiac surgery: A single center retrospective cohort study. Heliyon. 2023;9(12):e22177.
47. (NINDS) NIoNDaS. Traumatic Brain Injury (TBI) - NINDS 2025 [updated July 21, 2025. Available from: https://www.ninds.nih.gov/health-information/disorders/traumatic-brain-injury-tbi.
48. Dewan MC, Rattani A, Gupta S, et al. Estimating the global incidence of traumatic brain injury. J Neurosurg. 2019;130(4):1080-97.
49. Injury GBDTB, Spinal Cord Injury C. Global, regional, and national burden of traumatic brain injury and spinal cord injury, 1990-2016: a systematic analysis for the Global Burden of Disease Study 2016. Lancet Neurol. 2019;18(1):56-87.
50. Courville E, Kazim SF, Vellek J, et al. Machine learning algorithms for predicting outcomes of traumatic brain injury: A systematic review and meta-analysis. Surg Neurol Int. 2023;14:262.
51. Levin HS, Temkin NR, Barber J, et al. Association of Sex and Age With Mild Traumatic Brain Injury–Related Symptoms: A TRACK-TBI Study. JAMA Network Open. 2021;4(4):e213046-e.
52. Faul M, Coronado V. Chapter 1 - Epidemiology of traumatic brain injury. In: Grafman J, Salazar AM, editors. Handbook of Clinical Neurology. 127: Elsevier; 2015. p. 3-13.
53. Frost RB, Farrer TJ, Primosch M, et al. Prevalence of Traumatic Brain Injury in the General Adult Population: A Meta-Analysis. Neuroepidemiology. 2012;40(3):154-9.
54. Haynes N, Goodwin T. Literature Review of Sex Differences in mTBI. Military Medicine. 2021;188(5-6):e978-e84.
55. Gupte R, Brooks W, Vukas R, et al. Sex Differences in Traumatic Brain Injury: What We Know and What We Should Know. J Neurotrauma. 2019;36(22):3063-91.
56. Hessulf F, Bhatt DL, Engdahl J, et al. Predicting survival and neurological outcome in out-of-hospital cardiac arrest using machine learning: the SCARS model. EBioMedicine. 2023;89:104464.
57. Gräsner J-T, Wnent J, Herlitz J, et al. Survival after out-of-hospital cardiac arrest in Europe - Results of the EuReCa TWO study. Resuscitation. 2020;148:218-26.
58. Mentzelopoulos SD, Couper K, Voorde PVd, et al. European Resuscitation Council Guidelines 2021: Ethics of resuscitation and end of life decisions. Resuscitation. 2021;161:408-32.
59. Bolijn R, Sieben CHAM, Kunst AE, et al. Sex differences in incidence of out-of-hospital cardiac arrest across ethnic and socioeconomic groups: A population-based cohort study in the Netherlands. International Journal of Cardiology. 2021;343:156-61.
60. Khazaal F, Arabi A, Patel A, et al. Gender Association with Incidence, Clinical Profile, and Outcome of Out-of-Hospital Cardiac Arrest: A Middle East Perspective. Heart Views. 2022;23(2):67-72.
61. Barber MRW, Drenkard C, Falasinnu T, et al. Global epidemiology of systemic lupus erythematosus. Nat Rev Rheumatol. 2021;17(9):515-32.
62. Feng X, Zou Y, Pan W, et al. Associations of clinical features and prognosis with age at disease onset in patients with systemic lupus erythematosus. Lupus. 2014;23(3):327-34.
63. Doria A, Zen M, Canova M, et al. SLE diagnosis and treatment: when early is early. Autoimmun Rev. 2010;10(1):55-60.
64. Dai X, Fan Y, Zhao X. Systemic lupus erythematosus: updated insights on the pathogenesis, diagnosis, prevention and therapeutics. Signal Transduction and Targeted Therapy. 2025;10(1):102.
65. Adamichou C, Genitsaridi I, Nikolopoulos D, et al. Lupus or not? SLE Risk Probability Index (SLERPI): a simple, clinician-friendly machine learning-based model to assist the diagnosis of systemic lupus erythematosus. Ann Rheum Dis. 2021;80(6):758-66.
66. Liu C, Zhou Y, Zhou Y, et al. Identification of crucial genes for predicting the risk of atherosclerosis with system lupus erythematosus based on comprehensive bioinformatics analysis and machine learning. Computers in Biology and Medicine. 2023;152:106388.
67. Barr E, Popkin R, Roodzant E, et al. Gender as a social and structural variable: research perspectives from the National Institutes of Health (NIH). Transl Behav Med. 2024;14(1):13-22.
68. Page MJ, McKenzie JE, Bossuyt PM, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. Bmj. 2021;372:n71.
69. Ouzzani M, Hammady H, Fedorowicz Z, et al. Rayyan—a web and mobile app for systematic reviews. Systematic Reviews. 2016;5(1):210.
70. Vasey B, Nagendran M, Campbell B, et al. Reporting guideline for the early stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. BMJ. 2022;377:e070904.
71. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:q902.
72. Moons KG, de Groot JA, Bouwmeester W, et al. Critical appraisal and data extraction for systematic reviews of prediction modelling studies: the CHARMS checklist. PLoS Med. 2014;11(10):e1001744.
73. LLC G. Google Sheets. Mountain View, CA: Google LLC; 2025.
74. Corp I. IBM SPSS Statistics for Windows. 30.0.0.0 ed. Armonk, NY: IBM Corp.; 2024.
75. Team RC. R: A language and environment for statistical computing. 4.5.1 ed. Vienna, Austria: R Foundation for Statistical Computing; 2024.
76. Delgadillo J. Machine learning: A primer for psychotherapy researchers. Psychotherapy Research. 2021;31(1):1-4.
77. OpenAI. ChatGPT (versie GPT-4o en GPT-5): OpenAI; 2025 [Available from: https://chat.openai.com/.
78. Microsoft. Microsoft Copilot (GPT-5, Enterprise-versie): Microsoft Corporation; 2025 [Available from: https://copilot.microsoft.com/.
79. Harford S, Darabi H, Del Rios M, et al. A machine learning based model for Out of Hospital cardiac arrest outcome classification and sensitivity analysis. Resuscitation. 2019;138:134-40.
80. Wang R, Zeng X, Long Y, et al. Prediction of Mortality in Geriatric Traumatic Brain Injury Patients Using Machine Learning Algorithms. Brain Sciences. 2023;13(1).
81. Andaur Navarro CL, Damen JAA, Takada T, et al. Completeness of reporting of clinical prediction models developed using supervised machine learning: a systematic review. BMC Med Res Methodol. 2022;22(1):12.
82. Goetz L, Seedat N, Vandersluis R, et al. Generalization—a key challenge for responsible AI in patient-facing clinical applications. npj Digital Medicine. 2024;7(1):126.
83. Bark D, Boman M, Depreitere B, et al. Refining outcome prediction after traumatic brain injury with machine learning algorithms. Sci Rep. 2024;14(1):8036.
84. Lee HJ, Kim H, Kim YT, et al. Prediction of Life-Threatening Intracranial Hypertension during the Acute Phase of Traumatic Brain Injury Using Machine Learning. IEEE Journal of Biomedical and Health Informatics. 2021;25(10):3967-76.
85. Zhao C-C, Nan Z-H, Li B, et al. Development and validation of a novel risk-predicted model for early sepsis-associated acute kidney injury in critically ill patients: a retrospective cohort study. BMJ Open. 2025;15(1):e088404.
86. Almaghlouth I, Pullenayegum E, Gladman DD, et al. Propensity Score Methods in Rare Disease: A Demonstration Using Observational Data in Systemic Lupus Erythematosus. The Journal of Rheumatology. 2021;48(3):321-5.
87. Wang L, Wang F-S, Gershwin ME. Human autoimmune diseases: a comprehensive update. Journal of Internal Medicine. 2015;278(4):369-95.
88. Johnson AEW, Bulgarelli L, Shen L, et al. MIMIC-IV, a freely accessible electronic health record dataset. Scientific Data. 2023;10(1):1.
89. Pollard TJ, Johnson AEW, Raffa JD, et al. The eICU Collaborative Research Database, a freely available multi-center database for critical care research. Scientific Data. 2018;5(1):180178.
90. Deschepper M, Colpaert K. Creating awareness of the heterogeneity of the intensive care unit population and its impact on generalizability of results and transportability of models. Intensive and Critical Care Nursing. 2024;80:103565.
91. Gravesteijn BY, Nieboer D, Ercole A, et al. Machine learning algorithms performed no better than regression models for prognostication in traumatic brain injury. J Clin Epidemiol. 2020;122:95-107.
92. Lee SH, Lee CH, Hwang SH, et al. A Machine Learning-Based Prognostic Model for the Prediction of Early Death After Traumatic Brain Injury: Comparison with the Corticosteroid Randomization After Significant Head Injury (CRASH) Model. World Neurosurg. 2022;166:e125-e34.
93. Li J, Gong M, Joshi Y, et al. Machine Learning Prediction Model for Acute Renal Failure After Acute Aortic Syndrome Surgery. Frontiers in Medicine. 2022;8:728521.
94. Wu X, Sun Y, Xu X, et al. Mortality Prediction in Severe Traumatic Brain Injury Using Traditional and Machine Learning Algorithms. Journal of Neurotrauma. 2023;40(13-14):1366-75.
95. Zhang Y, Yang D, Liu Z, et al. An explainable supervised machine learning predictor of acute kidney injury after adult deceased donor liver transplantation. J Transl Med. 2021;19(1):321.
96. Mekkodathil A, El-Menyar A, Naduvilekandy M, et al. Machine Learning Approach for the Prediction of In-Hospital Mortality in Traumatic Brain Injury Using Bio-Clinical Markers at Presentation to the Emergency Department. Diagnostics. 2023;13(15).
97. He Z-L, Zhou J-B, Liu Z-K, et al. Application of machine learning models for predicting acute kidney injury following donation after cardiac death liver transplantation. Hepatobiliary & Pancreatic Diseases International. 2021;20(3):222-31.
98. Mahajan P, Uddin S, Hajati F, et al. Ensemble Learning for Disease Prediction: A Review. Healthcare (Basel). 2023;11(12).
99. Bienefeld N, Boss JM, Lüthy R, et al. Solving the explainable AI conundrum by bridging clinicians’ needs and developers’ goals. npj Digital Medicine. 2023;6(1):94.
100. Abujaber A, Fadlalla A, Gammoh D, et al. Using trauma registry data to predict prolonged mechanical ventilation in patients with traumatic brain injury: Machine learning approach. PLoS One. 2020;15(7):e0235231.
101. Lyu X, Fan B, Hüser M, et al. An Empirical Study on KDIGO-Defined Acute Kidney Injury Prediction in the Intensive Care Unit. 2024.
102. Xu Q, Wu X, Chen X, et al. Diagnosis and activity prediction of SLE based on serum Raman spectroscopy combined with a two-branch Bayesian network. Front Immunol. 2025;16:1467027.
103. Austin PC, Mamdani MM, Stukel TA, et al. The use of the propensity score for estimating treatment effects: administrative versus clinical data. Stat Med. 2005;24(10):1563-78.
104. Gulamali F, Sawant AS, Liharska L, et al. Detecting, Characterizing, and Mitigating Implicit and Explicit Racial Biases in Health Care Datasets With Subgroup Learnability: Algorithm Development and Validation Study. J Med Internet Res. 2025;27:e71757.
105. Ciobanu-Caraus O, Aicher A, Kernbach JM, et al. A critical moment in machine learning in medicine: on reproducible and interpretable learning. Acta Neurochir (Wien). 2024;166(1):14.
106. Gramespacher H, Schmieschek MHT, Warnke C, et al. Analysis of Cerebral CT Based on Supervised Machine Learning as a Predictor of Outcome After Out-of-Hospital Cardiac Arrest. Neurology. 2024;103(1):e209583.
107. Section 2: AKI Definition. Kidney Int Suppl (2011). 2012;2(1):19-36.
108. Susantitaphong P, Cruz DN, Cerda J, et al. World incidence of AKI: a meta-analysis. Clin J Am Soc Nephrol. 2013;8(9):1482-93.
109. Golestaneh L, Basalely A, Linkermann A, et al. Sex, Acute Kidney Injury, and Age: A Prospective Cohort Study. Am J Kidney Dis. 2025;85(3):329-38.e1.
110. Nguyen R, Fiest KM, McChesney J, et al. The International Incidence of Traumatic Brain Injury: A Systematic Review and Meta-Analysis. Canadian Journal of Neurological Sciences / Journal Canadien des Sciences Neurologiques. 2016;43(6):774-85.
111. Brazinova A, Rehorcikova V, Taylor MS, et al. Epidemiology of Traumatic Brain Injury in Europe: A Living Systematic Review. J Neurotrauma. 2021;38(10):1411-40.
112. Taylor CA, Bell JM, Breiding MJ, et al. Traumatic Brain Injury-Related Emergency Department Visits, Hospitalizations, and Deaths - United States, 2007 and 2013. MMWR Surveill Summ. 2017;66(9):1-16.
113. Zylyftari N, Wissenberg M, Gnesin F, et al. Sex differences in out-of-hospital cardiac arrest. Eur Heart J Open. 2025;5(3):oeaf047.
114. Scquizzato T, Gamberini L, D'Arrigo S, et al. Incidence, characteristics, and outcome of out-of-hospital cardiac arrest in Italy: A systematic review and meta-analysis. Resusc Plus. 2022;12:100329.
115. Smith A, Masters S, Ball S, et al. The incidence and outcomes of out-of-hospital cardiac arrest in metropolitan versus rural locations: A systematic review and meta-analysis. Resuscitation. 2023;185:109655.
116. Albrecht K, Troll W, Callhoff J, et al. Sex- and gender-related differences in systemic lupus erythematosus: a scoping review. Rheumatol Int. 2025;45(7):160.
117. Tian J, Zhang D, Yao X, et al. Global epidemiology of systemic lupus erythematosus: a comprehensive systematic analysis and modelling study. Ann Rheum Dis. 2023;82(3):351-6.
118. Nusbaum JS, Mirza I, Shum J, et al. Sex Differences in Systemic Lupus Erythematosus: Epidemiology, Clinical Considerations, and Disease Pathogenesis. Mayo Clin Proc. 2020;95(2):384-94.
119. Lu LJ, Wallace DJ, Ishimori ML, et al. Review: Male systemic lupus erythematosus: a review of sex disparities in this disease. Lupus. 2010;19(2):119-29.
