Φυλετική προκατάληψη στα εργαλεία λήψης αποφάσεων ιατρικής φροντίδας

Η φυλετική προκατάληψη στην ιατρική περίθαλψη μπορεί να εμφανιστεί σε ορισμένα απροσδόκητα μέρη. Για παράδειγμα: Εξετάστε τα εργαλεία κλινικής απόφασης που παίζουν σημαντικό ρόλο στο πώς ελέγχονται, διαγιγνώσκονται και αντιμετωπίζονται οι σημερινοί ασθενείς.

Αυτά τα εργαλεία περιέχουν αλγόριθμους ή διαδικασίες βήμα προς βήμα, συνήθως μηχανογραφημένες, για τον υπολογισμό παραγόντων όπως ο κίνδυνος καρδιακών παθήσεων, η ανάγκη για ακτινογραφία θώρακος και η δοσολογία συνταγογραφούμενου φαρμάκου. Η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί για τον έλεγχο των αρχείων υγείας και των συστημάτων χρέωσης για τη δημιουργία των απαραίτητων συνόλων δεδομένων.

Στην επιφάνεια, όλοι αυτοί οι παράγοντες ακούγονται πολύ αντικειμενικοί. Αλλά πρόσφατες μελέτες έχουν δείξει ότι η ανάλυση δεδομένων που χρησιμοποιείται σε αυτούς τους αλγόριθμους μπορεί να είναι προκατειλημμένη με κρίσιμους τρόπους έναντι ορισμένων φυλετικών και κοινωνικοοικονομικών ομάδων. Αυτό μπορεί να έχει μυριάδες συνέπειες όσον αφορά την ποσότητα και την ποιότητα της υγειονομικής περίθαλψης που λαμβάνουν τα άτομα σε αυτές τις ομάδες.

Η φυλετική προκατάληψη επηρεάζει τους πιο άρρωστους ασθενείς

Το 2019, μια μελέτη ενός αλγορίθμου που χρησιμοποιήθηκε ευρέως από τα νοσοκομεία και τις ασφαλιστικές εταιρείες των ΗΠΑ για τη χορήγηση επιπλέον βοήθειας για τη διαχείριση της υγείας αποδείχθηκε ότι συστηματικά εισάγει διακρίσεις σε βάρος των μαύρων.Το εργαλείο απόφασης ήταν λιγότερο πιθανό να παραπέμψει Μαύρους από Λευκούς σε προγράμματα διαχείρισης φροντίδας για σύνθετες ιατρικές ανάγκες όταν και οι δύο φυλετικές ομάδες ήταν εξίσου άρρωστες.

Ο βασικός λόγος της προκατάληψης συνδέθηκε με την εκχώρηση βαθμολογιών κινδύνου στους ασθενείς από τον αλγόριθμο με βάση το ιατρικό κόστος του προηγούμενου έτους. Η υπόθεση ήταν ότι ο εντοπισμός ασθενών με υψηλότερο κόστος θα αναγνώριζε εκείνους με τις υψηλότερες ιατρικές ανάγκες.^ Ωστόσο, πολλοί μαύροι ασθενείς έχουν λιγότερη πρόσβαση, λιγότερη δυνατότητα πληρωμής και λιγότερη εμπιστοσύνη στην ιατρική περίθαλψη από τους λευκούς που είναι εξίσου άρρωστοι. Σε αυτή την περίπτωση, το χαμηλότερο ιατρικό κόστος δεν προέβλεπε με ακρίβεια την κατάσταση της υγείας τους.

Τα προγράμματα διαχείρισης φροντίδας χρησιμοποιούν μια προσέγγιση υψηλής αφής, όπως τηλεφωνήματα, επισκέψεις νοσηλευτών στο σπίτι και προτεραιότητα στα ραντεβού με γιατρού για την αντιμετώπιση των σύνθετων αναγκών των ασθενέστερων ασθενών. Τα προγράμματα έχουν αποδειχθεί ότι βελτιώνουν τα αποτελέσματα, μειώνουν τις επισκέψεις στα επείγοντα και τις νοσηλείες και μειώνουν το ιατρικό κόστος. Επειδή τα ίδια τα προγράμματα είναι ακριβά, ανατίθενται σε άτομα με τις υψηλότερες βαθμολογίες κινδύνου. Οι τεχνικές βαθμολόγησης που διακρίνουν τους πιο άρρωστους μαύρους ασθενείς για αυτή τη φροντίδα μπορεί να είναι σημαντικός παράγοντας στον αυξημένο κίνδυνο θανάτου από πολλές ασθένειες.

Αγώνας ως μεταβλητή στη νόσο των νεφρών

Οι αλγόριθμοι μπορούν να περιέχουν προκατάληψη χωρίς να συμπεριλαμβάνουν τη φυλή ως μεταβλητή, αλλά ορισμένα εργαλεία χρησιμοποιούν σκόπιμα τη φυλή ως κριτήριο. Πάρτε τη βαθμολογία eGFR, η οποία βαθμολογεί την υγεία των νεφρών και χρησιμοποιείται για να καθορίσει ποιος χρειάζεται μεταμόσχευση νεφρού. Σε μια μελέτη του 1999 που έθεσε τα κριτήρια βαθμολογίας eGFR, οι ερευνητές παρατήρησαν ότι οι μαύροι είχαν, κατά μέσο όρο, υψηλότερα επίπεδα κρεατινίνης (ένα υποπροϊόν της μυϊκής διάσπασης) από ό, τι οι λευκοί. Οι επιστήμονες υπέθεσαν ότι τα υψηλότερα επίπεδα οφείλονταν στην υψηλότερη μυϊκή μάζα στους Μαύρους. Ως εκ τούτου, προσάρμοσαν τη βαθμολογία, πράγμα που σήμαινε ουσιαστικά ότι οι μαύροι πρέπει να έχουν χαμηλότερη βαθμολογία eGFR από τους λευκούς για να διαγνωστούν με νεφρική νόσο τελικού σταδίου. Κατά συνέπεια, οι Μαύροι χρειάστηκε να περιμένουν έως ότου η νεφρική νόσος τους φτάσει σε πιο σοβαρό στάδιο για να πληρούν τις προϋποθέσεις για θεραπεία.

Πρόσφατα, ένας φοιτητής ιατρικής και δημόσιας υγείας στο University of Washington School of Medicine στο Το Σιάτλ παρατήρησε ότι οι βαθμολογίες eGFR δεν ήταν ακριβείς για τη διάγνωση της σοβαρότητας της νεφρικής νόσου στο Μαύρο ασθενείς. Πάλεψε για να αφαιρεθεί η φυλή από τον αλγόριθμο και κέρδισε. Η UW Medicine συμφώνησε ότι η χρήση της φυλής ήταν μια αναποτελεσματική μεταβλητή και δεν πληρούσε την επιστημονική αυστηρότητα στα ιατρικά διαγνωστικά εργαλεία.

Δείκτης μάζας σώματος και προκατάληψη

Ακόμα και το πιο απλό εργαλείο ιατρικής απόφασης που δεν περιλαμβάνει τη φυλή μπορεί να αντικατοπτρίζει την κοινωνική προκατάληψη. Ο δείκτης μάζας σώματος (ΔΜΣ), για παράδειγμα, βασίζεται σε υπολογισμό που πολλαπλασιάζει το βάρος επί το ύψος. Χρησιμοποιείται για τον εντοπισμό λιποβαρών, υπέρβαρων και παχύσαρκων ασθενών.

Το 1985, τα Εθνικά Ινστιτούτα Υγείας συνέδεσαν τον ορισμό της παχυσαρκίας με τον ΔΜΣ ενός ατόμου και το 1998 μια ομάδα εμπειρογνωμόνων έθεσε οδηγίες με βάση τον ΔΜΣ που μετέφερε 29 εκατομμύρια Αμερικανούς που είχαν προηγουμένως ταξινομηθεί ως κανονικό βάρος ή απλώς υπέρβαροι σε υπέρβαρους και παχύσαρκους κατηγορίες.Σύμφωνα με τα πρότυπα του ΔΜΣ, η πλειοψηφία των Μαύρων, των Ισπανόφωνων και των Λευκών είναι πλέον υπέρβαρα ή παχύσαρκα. Τα ποσοστά 2018 για την παχυσαρκία είναι περίπου ίσα για τους μαύρους, τους ισπανόφωνους και τους λευκούς άνδρες (που κυμαίνονται από 31,2% έως 34,2%). Αλλά τα ποσοστά των γυναικών που χαρακτηρίζονται παχύσαρκες με ΔΜΣ είναι: 

• 44.2%-Μαύρος
• 35.4%- Ισπανική
• 28.7%-Λευκό

Μια ατμόσφαιρα ντροπής και δυσπιστίας

Η σήμανση τόσο μεγάλων ποσοστών πληθυσμών όπως υπέρβαρων ή παχύσαρκων έχει δημιουργήσει μια ατμόσφαιρα αίσθησης βάρους και δυσπιστίας μεταξύ ασθενών και γιατρών. Άτομα με μεγαλύτερο βάρος παραπονιούνται ότι οι γιατροί δεν αντιμετωπίζουν τα προβλήματα υγείας ή τις ανησυχίες που τους έφεραν για έλεγχο. Αντ 'αυτού, οι γιατροί κατηγορούν το βάρος του ασθενούς για τα προβλήματα υγείας τους και ωθούν την απώλεια βάρους ως λύση. Αυτό συμβάλλει στους μαύρους και ισπανόφωνους ασθενείς να αποφεύγουν τους ιατρούς και έτσι ίσως να χάσουν ευκαιρίες να αποτρέψουν προβλήματα ή να τα πιάσουν νωρίς.

Επιπλέον, γίνεται όλο και πιο σαφές ότι το να είσαι υπέρβαρος ή παχύσαρκος δεν είναι πάντα πρόβλημα υγείας. Τα ποσοστά για ορισμένες σοβαρές καταστάσεις, όπως η νοσηλεία για COVID-19, η υψηλή αρτηριακή πίεση, οι καρδιακές παθήσεις, το εγκεφαλικό επεισόδιο, ο διαβήτης τύπου 2 και άλλες ασθένειες, είναι υψηλότερα μεταξύ των παχύσαρκων.^  Αλλά για άλλες καταστάσεις - όπως η ανάρρωση από σοβαρούς τραυματισμούς, καρκίνο και εγχείρηση καρδιάς - τα άτομα με μεγαλύτερο βάρος έχουν καλύτερα ποσοστά επιβίωσης.  

Νέες, βελτιωμένες Καναδικές οδηγίες

Στην πραγματικότητα, οι νέες οδηγίες παχυσαρκίας για Καναδούς κλινικούς ιατρούς, που δημοσιεύθηκαν τον Αύγουστο του 2020, τονίζουν ότι οι γιατροί πρέπει να σταματήσουν να βασίζονται μόνο στον ΔΜΣ στη διάγνωση ασθενών. Οι άνθρωποι πρέπει να διαγνωστούν ως παχύσαρκοι μόνο εάν το σωματικό τους βάρος επηρεάζει τη σωματική τους υγεία ή την ψυχική ευημερία τους, σύμφωνα με τις νέες οδηγίες. Η θεραπεία πρέπει να είναι ολιστική και να μην στοχεύει μόνο στην απώλεια βάρους. Οι οδηγίες σημειώνουν επίσης ότι: «Τα άτομα που ζουν με παχυσαρκία αντιμετωπίζουν σημαντική προκατάληψη και στίγμα, τα οποία συμβάλλουν στην αύξηση της νοσηρότητας και της θνησιμότητας ανεξάρτητα από το βάρος ή τον δείκτη μάζας σώματος».

Μείωση της προκατάληψης στα εργαλεία απόφασης

Οι ιατρικοί αλγόριθμοι δεν είναι ο μόνος τύπος αλγορίθμου που μπορεί να είναι προκατειλημμένος. Το 2018, για παράδειγμα, η Amazon σταμάτησε να χρησιμοποιεί ένα εργαλείο πρόσληψης που έδειξε προκατάληψη κατά των γυναικών. Το εργαλείο, το οποίο ανέλυσε 10 χρόνια προσλήψεων δεδομένων κατά τη διάρκεια μιας περιόδου κατά την οποία η Amazon είχε προσλάβει κυρίως άνδρες, είχε χρησιμοποιήσει αυτήν την ιστορία για να διδάξει τον εαυτό της να προτιμά άνδρες υποψηφίους.

Στην υγειονομική περίθαλψη, η μηχανική μάθηση βασίζεται συχνά σε ηλεκτρονικά αρχεία υγείας. Οι φτωχοί και οι μειονοτικοί ασθενείς μπορεί να λάβουν περίθαλψη και να εξεταστούν σε πολλά ιδρύματα. Είναι πιο πιθανό να εμφανιστούν σε κλινικές διδασκαλίας όπου η εισαγωγή δεδομένων ή ο κλινικός συλλογισμός μπορεί να είναι λιγότερο ακριβείς. Και οι ασθενείς μπορεί να μην μπορούν να έχουν πρόσβαση σε διαδικτυακές πύλες ασθενών και να τεκμηριώσουν τα αποτελέσματα. Ως αποτέλεσμα, τα αρχεία αυτών των ασθενών μπορεί να έχουν ελλείποντα ή λανθασμένα δεδομένα. Οι αλγόριθμοι που οδηγούν τη μηχανική εκμάθηση μπορεί έτσι να καταλήξουν να αποκλείουν φτωχούς και μειονοτικούς ασθενείς από τα σύνολα δεδομένων και να χρειάζονται φροντίδα.

Τα καλά νέα είναι ότι η επίγνωση των προκαταλήψεων στους αλγορίθμους υγειονομικής περίθαλψης έχει αυξηθεί τα τελευταία χρόνια. Τα δεδομένα και τα αποτελέσματα ελέγχονται για φυλετική, εθνοτική, εισοδηματική, φύλο και μεροληψία. Όταν αναγνωρίζονται οι ανισότητες, οι αλγόριθμοι και τα σύνολα δεδομένων μπορούν να αναθεωρηθούν προς καλύτερη αντικειμενικότητα.