التحيز العنصري في أدوات اتخاذ القرار المتعلقة بالرعاية الطبية

يمكن أن يظهر التحيز العنصري في الرعاية الطبية في بعض الأماكن غير المتوقعة. على سبيل المثال: ضع في اعتبارك أدوات القرار السريرية التي تلعب دورًا مهمًا في كيفية اختبار مرضى اليوم وتشخيصهم وعلاجهم.

تحتوي هذه الأدوات على خوارزميات ، أو إجراءات خطوة بخطوة ، وعادة ما تكون محوسبة ، لحساب عوامل مثل خطر الإصابة بأمراض القلب ، والحاجة إلى تصوير الصدر بالأشعة السينية ، وجرعة الأدوية الموصوفة. يمكن استخدام الذكاء الاصطناعي للبحث عن السجلات الصحية وأنظمة الفوترة لإنشاء مجموعات البيانات المطلوبة.

على السطح ، تبدو كل هذه العوامل موضوعية للغاية. لكن الدراسات الحديثة أظهرت أن تحليل البيانات المستخدمة في هذه الخوارزميات يمكن أن يكون متحيزًا بطرق حاسمة ضد مجموعات عرقية واجتماعية اقتصادية معينة. يمكن أن يكون لهذا عواقب لا تعد ولا تحصى من حيث كمية ونوعية الرعاية الصحية التي يتلقاها الأشخاص في هذه المجموعات.

يؤثر التحيز العنصري على المرضى الأكثر مرضًا

في عام 2019 ، تبين أن دراسة خوارزمية مستخدمة على نطاق واسع من قبل المستشفيات وشركات التأمين الأمريكية لتخصيص مساعدة إدارة صحية إضافية تميز بشكل منهجي ضد السود.كانت أداة القرار أقل احتمالية لإحالة السود مقارنة بالبيض إلى برامج إدارة الرعاية لتلبية الاحتياجات الطبية المعقدة عندما كانت المجموعتان العرقيتان مريضتين على قدم المساواة.

تم ربط السبب الأساسي للتحيز بتخصيص الخوارزمية لدرجات المخاطر للمرضى بناءً على التكاليف الطبية للعام السابق. كان الافتراض هو أن تحديد المرضى ذوي التكاليف المرتفعة سيحدد أولئك الذين لديهم أعلى الاحتياجات الطبية.^ ومع ذلك ، فإن العديد من المرضى السود أقل قدرة على الوصول إلى الرعاية الطبية ، وقدرة أقل على الدفع ، وثقة أقل في الرعاية الطبية من الأشخاص البيض الذين يعانون من نفس المرض. في هذه الحالة ، لم تتنبأ تكاليفهم الطبية المنخفضة بدقة بحالتهم الصحية.

تستخدم برامج إدارة الرعاية نهجًا عالي اللمسة ، مثل المكالمات الهاتفية والزيارات المنزلية من قبل الممرضات وتحديد أولويات مواعيد الطبيب لتلبية الاحتياجات المعقدة للمرضى الأكثر مرضًا. وقد ثبت أن البرامج تعمل على تحسين النتائج وتقليل زيارات غرف الطوارئ والاستشفاء وتقليل التكاليف الطبية. نظرًا لأن البرامج نفسها باهظة الثمن ، يتم تخصيصها للأشخاص الذين لديهم أعلى درجات المخاطر. قد تكون تقنيات تسجيل النقاط التي تميز ضد المرضى السود في هذه الرعاية عاملاً مهمًا في زيادة خطر الوفاة بسبب العديد من الأمراض.

العرق كمتغير في أمراض الكلى

يمكن أن تحتوي الخوارزميات على تحيز دون تضمين العرق كمتغير ، لكن بعض الأدوات تستخدم العرق عمداً كمعيار. خذ درجة معدل الترشيح الكبيبي (eGFR) ، والتي تُقيِّم صحة الكلى وتُستخدم لتحديد من يحتاج إلى زراعة الكلى. في دراسة أجريت عام 1999 والتي حددت معايير معدل eGFR ، لاحظ الباحثون أن السود لديهم ، في المتوسط ​​، مستويات أعلى من الكرياتينين (نتيجة ثانوية لانهيار العضلات) مقارنة بالبيض. افترض العلماء أن المستويات الأعلى كانت بسبب زيادة كتلة العضلات لدى السود. لذلك قاموا بتعديل النقاط ، مما يعني بشكل أساسي أن الأشخاص السود يجب أن يكون لديهم درجة أقل في معدل الترشيح الكبيبي (eGFR) من البيض ليتم تشخيصهم بمرض الكلى في المرحلة النهائية. نتيجة لذلك ، كان على السود الانتظار حتى يصل مرض الكلى لديهم إلى مرحلة أكثر خطورة من أجل التأهل للعلاج.

مؤخرا ، طالب الطب والصحة العامة في كلية الطب بجامعة واشنطن في لاحظ سياتل أن درجات معدل الترشيح الكبيبي لم تكن دقيقة لتشخيص شدة مرض الكلى في الأسود المرضى. قاتلت لإزالة العرق من الخوارزمية وفازت. وافقت UW Medicine على أن استخدام العرق كان متغيرًا غير فعال ولا يفي بالصرامة العلمية في أدوات التشخيص الطبية.

مؤشر كتلة الجسم والانحياز

حتى أبسط أداة قرار طبي لا تتضمن العرق يمكن أن تعكس التحيز الاجتماعي. مؤشر كتلة الجسم (BMI) ، على سبيل المثال ، يعتمد على حساب يضرب الوزن في الطول. يتم استخدامه لتحديد مرضى نقص الوزن وزيادة الوزن والسمنة.

في عام 1985 ، ربطت المعاهد الوطنية للصحة تعريف السمنة بمؤشر كتلة الجسم للفرد ، وفي عام 1998 وضعت لجنة خبراء إرشادات استنادًا إلى مؤشر كتلة الجسم الذي نقل 29 مليون أمريكي ممن تم تصنيفهم سابقًا على أنهم وزن طبيعي أو مجرد زيادة في الوزن إلى يعانون من زيادة الوزن والسمنة التصنيفات.وفقًا لمعايير مؤشر كتلة الجسم ، فإن غالبية السود واللاتينيين والبيض يعانون الآن من زيادة الوزن أو السمنة. نسب السمنة لعام 2018 متساوية تقريبًا للرجال السود واللاتينيين والبيض (تتراوح من 31.2٪ إلى 34.2٪). لكن النسب المئوية للنساء المصنفات بالسمنة حسب مؤشر كتلة الجسم هي: 

• 44.2%-أسود
• 35.4%-أصل اسباني
• 28.7%-أبيض

جو من الخزي وعدم الثقة

إن تصنيف مثل هذه النسب الكبيرة من السكان على أنها زيادة الوزن أو السمنة قد خلق جوًا من الخزي وعدم الثقة بين المرضى والأطباء. يشتكي الأشخاص ذوو الوزن المرتفع من أن الأطباء لا يعالجون المشكلات الصحية أو المخاوف التي جلبتهم للفحص. بدلاً من ذلك ، يلقي الأطباء باللوم على وزن المريض في مشكلاتهم الصحية ويدفعون بفقدان الوزن كحل. يساهم هذا في تجنب المرضى من ذوي الأصول الأسبانية وممارسي الرعاية الصحية ممارسين الرعاية الصحية ، وبالتالي قد يفوتون فرصًا لمنع المشكلات أو اكتشافها مبكرًا.

علاوة على ذلك ، أصبح من الواضح بشكل متزايد أن زيادة الوزن أو السمنة ليست دائمًا مشكلة صحية. معدلات بعض الحالات الخطيرة ، مثل الاستشفاء لـ COVID-19 ، وارتفاع ضغط الدم ، وأمراض القلب ، والسكتة الدماغية ، ومرض السكري من النوع 2 ، وأمراض أخرى ، تكون أعلى بين أولئك الذين يعانون من السمنة المفرطة.^  ولكن بالنسبة للحالات الأخرى - مثل التعافي من الإصابة الخطيرة والسرطان وجراحة القلب - يتمتع الأشخاص ذوو الوزن المرتفع بمعدلات بقاء أفضل.  

إرشادات كندية جديدة ومحسنة

في الواقع ، تؤكد إرشادات السمنة الجديدة للأطباء الكنديين ، والتي نُشرت في أغسطس 2020 ، على أنه يجب على الأطباء التوقف عن الاعتماد على مؤشر كتلة الجسم وحده في تشخيص المرضى. يجب تشخيص الأشخاص على أنهم يعانون من السمنة فقط إذا كان وزن أجسامهم يؤثر على صحتهم البدنية أو العقلية ، وفقًا للإرشادات الجديدة. يجب أن يكون العلاج شاملاً ولا يستهدف فقط فقدان الوزن. وتشير الدلائل الإرشادية أيضًا إلى أن: "الأشخاص الذين يعانون من السمنة يواجهون تحيزًا ووصمة عار كبيرة ، مما يساهم في زيادة معدلات الاعتلال والوفيات بغض النظر عن الوزن أو مؤشر كتلة الجسم".

تقليل التحيز في أدوات القرار

الخوارزميات الطبية ليست النوع الوحيد من الخوارزميات التي يمكن أن تكون متحيزة. في عام 2018 ، على سبيل المثال ، توقفت أمازون عن استخدام أداة توظيف أظهرت تحيزًا ضد النساء. الأداة ، التي حللت 10 سنوات من بيانات التوظيف خلال فترة كانت أمازون وظفت فيها رجالًا في الغالب ، استخدمت هذا التاريخ لتعليم نفسها تفضيل المرشحين الذكور.

في مجال الرعاية الصحية ، غالبًا ما يعتمد التعلم الآلي على السجلات الصحية الإلكترونية. قد يتلقى المرضى الفقراء والأقليات رعاية مكسورة ويتم فحصهم في مؤسسات متعددة. من المرجح أن يتم رؤيتهم في العيادات التعليمية حيث قد يكون إدخال البيانات أو التفكير السريري أقل دقة. وقد لا يتمكن المرضى من الوصول إلى بوابات المرضى عبر الإنترنت وتوثيق النتائج. نتيجة لذلك ، قد تحتوي سجلات هؤلاء المرضى على بيانات مفقودة أو خاطئة. وبالتالي ، قد ينتهي الأمر بالخوارزميات التي تحرك التعلم الآلي إلى استبعاد المرضى الفقراء والأقليات من مجموعات البيانات والرعاية اللازمة.

الخبر السار هو أن الوعي بالتحيزات في خوارزميات الرعاية الصحية قد نما في السنوات القليلة الماضية. يتم فحص مدخلات البيانات والنتائج للتحيز العنصري والعرقي والدخل والجنس والعمر. عندما يتم التعرف على الفوارق ، يمكن مراجعة الخوارزميات ومجموعات البيانات نحو موضوعية أفضل.