Машинное обучение и искусственный интеллект обладают значительным потенциалом для изменения онкологической практики через индивидуализированную помощь пациентам, однако критически важно обеспечить справедливое распределение этих преимуществ. Существует множество примеров ИИ-инструментов, демонстрирующих смещение (bias) в отношении традиционно недофинансируемых или маргинализированных групп. Надлежащая валидация эффективности моделей в различных популяциях требует строгого статистического дизайна и интерпретации. Ключевым недостающим компонентом в текущих оценках справедливости является чёткое, предварительно определённое описание доказательств, необходимых для заключения о справедливости ИИ-инструмента.

Авторы предлагают встроить оценку справедливости ИИ-модели в статистическую систему тестов эквивалентности (equivalence testing framework). Этот подход обеспечивает априорное определение справедливости и явное правило принятия решения для заключения с высокой степенью уверенности, что производительность модели находится в пределах предварительно установленного порога. Система также предоставляет расчёты мощности и размера выборки для поддержки фазы дизайна оценки справедливости, которые авторы разработали для случая моделирования бинарного исхода и бинарной классификации. В качестве демонстрации использовано правило «четырёх пятых» (four-fifths rule) для установки границ эквивалентности, однако подчёркивается необходимость клинического и этического контекста для выбора этих границ на практике.

Используя две опубликованные онкологические модели, авторы показывают, что реалистичный размер выборки может быть достаточным для некоторых метрик производительности и недостаточным для других. Также рассмотрены вопросы мощности и размера выборки для асимметричных мер ассоциации и результаты невозможности (impossibility results) для оценки справедливости.

Оценки справедливости производительности ИИ должны проектироваться целенаправленно таким образом, чтобы целевые метрики и границы эквивалентности были заранее определены, а размер выборки был достаточным для заключения о справедливости.