Rasová předpojatost v nástrojích rozhodování lékařské péče

Rasová zaujatost v lékařské péči se může projevit na některých nečekaných místech. Například: Zvažte nástroje klinického rozhodování, které hrají důležitou roli v tom, jak jsou dnešní pacienti testováni, diagnostikováni a léčeni.

Tyto nástroje obsahují algoritmy nebo postupy krok za krokem, obvykle počítačové, pro výpočet faktorů, jako je riziko srdečních chorob, potřeba rentgenu hrudníku a dávkování léků na předpis. Umělou inteligenci lze použít k prohledávání zdravotních záznamů a fakturačních systémů k vytváření potřebných datových sad.

Na povrchu všechny tyto faktory zní velmi objektivně. Nedávné studie však ukázaly, že analýzu dat použitou v těchto algoritmech lze zásadním způsobem zkreslit proti určitým rasovým a socioekonomickým skupinám. To může mít nesčetné důsledky, pokud jde o množství a kvalitu zdravotní péče, kterou lidé v těchto skupinách dostávají.

Rasová předpojatost postihuje nejzdravější pacienty

V roce 2019 se ukázalo, že studie algoritmu široce používaného nemocnicemi a pojišťovnami v USA k přidělení zvláštní pomoci při řízení zdraví systematicky diskriminuje černé lidi.Když obě rasové skupiny byly stejně nemocné, byl nástroj rozhodování méně pravděpodobný, že odkázal černochy než bělochy na programy řízení péče o komplexní zdravotní potřeby.

Základní důvod předpojatosti byl spojen s přiřazením rizikových skóre algoritmu pacientům na základě nákladů na zdravotní péči z předchozího roku. Předpokládalo se, že identifikace pacientů s vyššími náklady identifikuje pacienty s nejvyššími zdravotními potřebami.^ Mnoho černých pacientů má však menší přístup, menší schopnost platit a menší důvěru v lékařskou péči než bílí lidé, kteří jsou stejně nemocní. V tomto případě jejich nižší náklady na zdravotní péči přesně nepředpovídaly jejich zdravotní stav.

Programy péče o péči využívají vysoce citlivý přístup, jako jsou telefonní hovory, návštěvy sester doma a upřednostňování schůzek s lékařem, aby se vyřešily komplexní potřeby nejchudších pacientů. Ukázalo se, že programy zlepšují výsledky, snižují návštěvy na pohotovosti a hospitalizace a snižují náklady na lékařskou péči. Protože jsou samotné programy drahé, jsou přiřazeny lidem s nejvyšším skóre rizika. Techniky bodování, které diskriminují nejchudší pacienty černé pleti pro tuto péči, mohou být významným faktorem jejich zvýšeného rizika úmrtí na mnoho nemocí.

Závod jako proměnná při onemocnění ledvin

Algoritmy mohou obsahovat zkreslení bez zahrnutí rasy jako proměnné, ale některé nástroje záměrně používají rasu jako kritérium. Vezměte si skóre eGFR, které hodnotí zdraví ledvin a slouží k určení, kdo potřebuje transplantaci ledviny. Ve studii z roku 1999, která stanovila kritéria skóre eGFR, si vědci všimli, že černoši mají v průměru vyšší hladiny kreatininu (vedlejší produkt rozpadu svalů) než bílí lidé. Vědci předpokládali, že vyšší hladiny byly způsobeny vyšší svalovou hmotou u černochů. Proto upravili skóre, což v podstatě znamenalo, že černí lidé musí mít nižší skóre eGFR než běloši, aby jim bylo diagnostikováno onemocnění ledvin v konečném stádiu. V důsledku toho museli černoši počkat, až jejich onemocnění ledvin dosáhne závažnějšího stádia, aby se kvalifikovali pro léčbu.

Nedávno student medicíny a veřejného zdraví na Lékařské fakultě University of Washington v Seattle poznamenal, že skóre eGFR nebylo přesné pro diagnostiku závažnosti onemocnění ledvin u Blacka pacientů. Bojovala za odstranění rasy z algoritmu a vyhrála. UW Medicine souhlasila, že používání rasy je neúčinná proměnná a nesplňuje vědeckou přísnost v lékařských diagnostických nástrojích.

Body Mass Index a Bias

Dokonce i nejjednodušší lékařský rozhodovací nástroj, který nezahrnuje rasu, může odrážet sociální zaujatost. Index tělesné hmotnosti (BMI) je například založen na výpočtu, který násobí hmotnost výškou. Používá se k identifikaci pacientů s podváhou, nadváhou a obezitou.

V roce 1985 Národní instituty zdraví svázaly definici obezity s BMI jednotlivce a v roce 1998 skupina odborníků zavedla pokyny na základě BMI, který přesunul 29 milionů Američanů, kteří byli dříve klasifikováni jako normální tělesná hmotnost nebo jen s nadváhou, do nadváhy a obezity Kategorie.Podle standardů BMI má nyní většina černochů, hispánců a bílých lidí nadváhu nebo obezitu. Procento obezity v roce 2018 je u černých, hispánských a bílých mužů zhruba stejné (v rozmezí od 31,2% do 34,2%). Ale procento žen, které jsou BMI označeny za obézní, jsou: 

• 44.2%-Černá
• 35.4%-Hispánský
• 28.7%-Bílý

Atmosféra hanby a nedůvěry

Značení tak velkého procenta populací, jako je nadváha nebo obezita, vytvořilo atmosféru hanby a nedůvěry mezi pacienty a lékaři. Lidé s vyšší hmotností si stěžují, že lékaři neřeší zdravotní problémy nebo obavy, které je přivedly na prohlídku. Lékaři místo toho obviňují váhu pacienta z důvodu jeho zdravotních problémů a tlačí na hubnutí jako na řešení. To přispívá k tomu, že se černošští a hispánští pacienti vyhýbají zdravotnickým pracovníkům, a tak možná přicházejí o příležitosti předcházet problémům nebo je včas zachytit.

Kromě toho je stále jasnější, že nadváha nebo obezita není vždy zdravotním problémem. Ceny u některých závažných stavů, jako je hospitalizace pro COVID-19, vysoký krevní tlak, srdeční choroby, mrtvice, cukrovka 2. typu a další nemoci, jsou u obézních vyšší.^  Ale u jiných stavů - jako je zotavení z vážného zranění, rakoviny a operace srdce - mají lidé s vyšší hmotností lepší míru přežití.  

Nové, vylepšené kanadské směrnice

Nové pokyny pro obezitu pro kanadské kliniky, publikované v srpnu 2020, ve skutečnosti zdůrazňují, že lékaři by se při diagnostikování pacientů měli přestat spoléhat pouze na BMI. Lidé by měli být diagnostikováni jako obézní pouze tehdy, pokud jejich tělesná hmotnost ovlivňuje jejich fyzické zdraví nebo duševní pohodu, podle nových pokynů. Léčba by měla být celostní a neměla by se zaměřovat pouze na hubnutí. Pokyny také poznamenávají, že: „Lidé žijící s obezitou čelí značné zaujatosti a stigmatizaci, což přispívá ke zvýšené nemocnosti a úmrtnosti nezávisle na hmotnosti nebo indexu tělesné hmotnosti.“

Snížení předpojatosti v rozhodovacích nástrojích

Lékařské algoritmy nejsou jediným typem algoritmu, který lze zkreslit. V roce 2018 například Amazon přestal používat náborový nástroj, který ukázal zaujatost vůči ženám. Nástroj, který analyzoval 10 let přijímání údajů v období, kdy Amazon zaměstnával převážně muže, využil tuto historii k tomu, aby se naučil upřednostňovat mužské kandidáty.

Ve zdravotnictví se strojové učení často spoléhá na elektronické zdravotní záznamy. Chudým a menšinovým pacientům může být poskytnuta zlomená péče a mohou být viděni ve více institucích. Je pravděpodobnější, že je lze vidět na výukových klinikách, kde může být zadávání údajů nebo klinické úvahy méně přesné. A pacienti nemusí mít přístup k online pacientským portálům a dokumentovat výsledky. V důsledku toho mohou mít záznamy o těchto pacientech chybějící nebo chybná data. Algoritmy, které řídí strojové učení, tak mohou skončit vyloučením chudých a menšinových pacientů ze souborů dat a potřebné péče.

Dobrou zprávou je, že povědomí o předpojatosti v algoritmech zdravotní péče v posledních letech vzrostlo. Vstupní data a výsledky se kontrolují z hlediska rasové, etnické, příjmové, genderové a věkové předpojatosti. Když jsou rozpoznány disparity, lze algoritmy a datové sady revidovat směrem k lepší objektivitě.