Расови пристрастия в инструментите за вземане на решения в медицински грижи

Расовите пристрастия в медицинското обслужване могат да се проявят на някои неочаквани места. Например: Помислете за инструментите за клинично вземане на решения, които играят важна роля в начина, по който днешните пациенти се тестват, диагностицират и лекуват.

Тези инструменти съдържат алгоритми или стъпка по стъпка процедури, обикновено компютъризирани, за изчисляване на фактори като риск от сърдечни заболявания, необходимост от рентгенова снимка на гръдния кош и дозировка на лекарства, отпускани с рецепта. Изкуственият интелект може да се използва за преглед на здравни досиета и системи за таксуване, за да се създадат необходимите набори от данни.

На пръв поглед всички тези фактори звучат много обективно. Но последните проучвания показват, че анализът на данните, използван в тези алгоритми, може да бъде отклонен по решаващи начини спрямо определени расови и социално -икономически групи. Това може да има безброй последици по отношение на количеството и качеството на здравните грижи, които хората в тези групи получават.

Расовото пристрастие засяга най -болните пациенти

През 2019 г. беше показано, че проучване на алгоритъм, широко използван от американските болници и застрахователи за разпределяне на допълнителна помощ за управление на здравето, показва системна дискриминация на чернокожите.Инструментът за вземане на решение е по-малко вероятно да насочи чернокожите към белите хора към програми за управление на грижи за сложни медицински нужди, когато и двете расови групи са еднакво болни.

Основната причина за пристрастието е свързана с присвояването на алгоритъма на оценките на риска на пациентите въз основа на медицинските разходи за предходната година. Предположението беше, че идентифицирането на пациенти с по -високи разходи би идентифицирало тези с най -високи медицински нужди.^ Въпреки това, много чернокожи пациенти имат по -малък достъп до, по -малка възможност за плащане и по -малко доверие в медицинските грижи, отколкото белите хора, които са еднакво болни. В този случай по -ниските им медицински разходи не предвиждат точно здравословното им състояние.

Програмите за управление на грижи използват подход с висока докосване, като телефонни обаждания, домашни посещения от медицински сестри и приоритизиране на назначенията на лекари, за да се отговори на сложните нужди на най-болните пациенти. Доказано е, че програмите подобряват резултатите, намаляват посещенията в спешните отделения и хоспитализациите и намаляват медицинските разходи. Тъй като самите програми са скъпи, те се възлагат на хора с най -висок риск. Техниките за оценяване, които дискриминират най -болните чернокожи пациенти за тази грижа, могат да бъдат важен фактор за повишения им риск от смърт от много заболявания.

Расата като променлива в бъбречната болест

Алгоритмите могат да съдържат отклонения, без да включват раса като променлива, но някои инструменти умишлено използват расата като критерий. Вземете резултата от eGFR, който оценява здравето на бъбреците и се използва, за да се определи кой се нуждае от бъбречна трансплантация. В проучване от 1999 г., което определя критериите за оценка на eGFR, изследователите забелязват, че чернокожите имат средно по -високи нива на креатинин (страничен продукт от разграждането на мускулите), отколкото белите. Учените предполагат, че по -високите нива се дължат на по -високата мускулна маса при чернокожите. Следователно те коригираха оценката, което по същество означаваше, че чернокожите трябва да имат по-ниска оценка на eGFR от белите, за да бъдат диагностицирани с краен стадий на бъбречно заболяване. В резултат на това чернокожите трябваше да изчакат, докато бъбречното им заболяване достигне по -тежък стадий, за да се квалифицират за лечение.

Наскоро студент по медицина и обществено здраве в Медицинския факултет на Вашингтонския университет в Сиатъл отбеляза, че резултатите от eGFR не са точни за диагностициране на тежестта на бъбречното заболяване в черно пациенти. Тя се бори за премахване на расата от алгоритъма и спечели. UW Medicine се съгласи, че използването на раса е неефективна променлива и не отговаря на научната строгост в медицинските диагностични инструменти.

Индекс на телесна маса и отклонение

Дори най -простият инструмент за вземане на медицински решения, който не включва раса, може да отразява социалните пристрастия. Индексът на телесна маса (ИТМ) например се основава на изчисление, което умножава теглото по ръст. Използва се за идентифициране на пациенти с наднормено тегло, наднормено тегло и затлъстяване.

През 1985 г. Националните здравни институти обвързват определението за затлъстяване с ИТМ на индивида, а през 1998 г. експертна група въвежда насоки въз основа на ИТМ, който премести 29 милиона американци, които преди това са били класифицирани като нормално тегло или просто с наднормено тегло, в наднормено тегло и затлъстяване категории.Според стандартите за ИТМ, по -голямата част от чернокожите, латиноамериканците и белите хора вече са с наднормено тегло или със затлъстяване. Процентите за затлъстяване през 2018 г. са приблизително равни за чернокожите, испанците и белите мъже (вариращи от 31,2% до 34,2%). Но процентите на жените, които са обозначени със затлъстяване от ИТМ, са: 

• 44.2%- Черен
• 35.4%- испански
• 28.7%- Бял

Атмосфера на унижение и недоверие

Брандирането на толкова голям процент от населението като наднормено тегло или затлъстяване създаде атмосфера на срам и недоверие между пациентите и лекарите. Хората с по-високо тегло се оплакват, че лекарите не се справят със здравословните проблеми или притеснения, които ги доведоха за преглед. Вместо това, лекарите обвиняват теглото на пациента за техните здравословни проблеми и настояват загубата на тегло като решение. Това допринася за това чернокожите и латиноамериканските пациенти да избягват лекарите и по този начин може би пропускат възможностите да предотвратят проблемите или да ги хванат рано.

Освен това става все по -ясно, че наднорменото тегло или затлъстяването не винаги са здравословен проблем. Цените за някои сериозни състояния, като хоспитализация за COVID-19, високо кръвно налягане, сърдечни заболявания, инсулт, диабет тип 2 и други заболявания, са по-високи сред хората със затлъстяване.^  Но при други състояния - като възстановяване от сериозни наранявания, рак и сърдечна операция - хората с по -високо тегло имат по -добри нива на оцеляване.  

Нови, подобрени канадски насоки

Всъщност новите насоки за затлъстяването за канадските клиницисти, публикувани през август 2020 г., подчертават, че лекарите трябва да спрат да разчитат само на ИТМ при диагностицирането на пациенти. Според новите насоки хората трябва да бъдат диагностицирани със затлъстяване само ако телесното им тегло влияе върху тяхното физическо здраве или психическо благосъстояние. Лечението трябва да бъде цялостно, а не само насочено към загуба на тегло. Насоките също така отбелязват, че: „Хората, които живеят със затлъстяване, са изправени пред значителни пристрастия и стигма, които допринасят за повишаване на заболеваемостта и смъртността, независимо от теглото или индекса на телесна маса“.

Намаляване на пристрастията в инструментите за вземане на решения

Медицинските алгоритми не са единственият тип алгоритъм, който може да бъде предубеден. През 2018 г. например Amazon спря да използва инструмент за подбор на персонал, който показва пристрастност срещу жените. Инструментът, който анализира 10 години данни за наемане през период, когато Amazon предимно наемаше мъже, беше използвал тази история, за да се научи да предпочита кандидатите от мъжки пол.

В здравеопазването машинното обучение често разчита на електронни здравни досиета. Бедните и малцинствените пациенти могат да получат счупени грижи и да бъдат наблюдавани в множество институции. Те са по -склонни да се наблюдават в учебни клиники, където въвеждането на данни или клиничните разсъждения могат да бъдат по -малко точни. И пациентите може да нямат достъп до онлайн портали за пациенти и да документират резултатите. В резултат на това в записите на тези пациенти може да има липсващи или грешни данни. По този начин алгоритмите, които управляват машинното обучение, могат да изключат бедните и малцинствените пациенти от наборите от данни и необходимите грижи.

Добрата новина е, че през последните няколко години осъзнатостта на пристрастията в алгоритмите за здравеопазване нарасна. Въвеждането на данни и резултатите се проверяват за расови, етнически, доходи, пол и възрастови пристрастия. Когато се установят различия, алгоритмите и наборите от данни могат да бъдат преразгледани към по -добра обективност.