Sesgo racial en las herramientas de toma de decisiones de atención médica

Los prejuicios raciales en la atención médica pueden aparecer en algunos lugares inesperados. Por ejemplo: considere las herramientas de decisión clínica que juegan un papel importante en cómo se evalúan, diagnostican y tratan los pacientes de hoy.

Estas herramientas contienen algoritmos, o procedimientos paso a paso, generalmente computarizados, para calcular factores como el riesgo de enfermedad cardíaca, la necesidad de una radiografía de tórax y la dosis de medicamentos recetados. La inteligencia artificial se puede utilizar para rastrear registros de salud y sistemas de facturación para crear los conjuntos de datos necesarios.

En la superficie, todos estos factores suenan muy objetivos. Pero estudios recientes han demostrado que el análisis de datos utilizado en estos algoritmos puede estar sesgado de manera crucial contra ciertos grupos raciales y socioeconómicos. Esto puede tener innumerables consecuencias en términos de la cantidad y la calidad de la atención médica que reciben las personas de estos grupos.

El sesgo racial afecta a los pacientes más enfermos

En 2019, se demostró que un estudio de un algoritmo ampliamente utilizado por hospitales y aseguradoras de EE. UU. Para asignar asistencia adicional para la gestión de la salud discrimina sistemáticamente a las personas negras.La herramienta de decisión tenía menos probabilidades de derivar a los negros que a los blancos a programas de gestión de la atención para necesidades médicas complejas cuando ambos grupos raciales estaban igualmente enfermos.

La razón subyacente del sesgo estaba relacionada con la asignación de puntajes de riesgo por parte del algoritmo a los pacientes en función de los costos médicos del año anterior. El supuesto era que la identificación de pacientes con costos más altos identificaría a aquellos con las necesidades médicas más altas.^ Sin embargo, muchos pacientes negros tienen menos acceso, menos capacidad de pago y menos confianza en la atención médica que las personas blancas que están igualmente enfermas. En este caso, sus costos médicos más bajos no predijeron con precisión su estado de salud.

Los programas de gestión de la atención utilizan un enfoque de alto contacto, como llamadas telefónicas, visitas domiciliarias de enfermeras y priorización de citas médicas para abordar las complejas necesidades de los pacientes más enfermos. Se ha demostrado que los programas mejoran los resultados, disminuyen las visitas a la sala de emergencias y las hospitalizaciones y disminuyen los costos médicos. Debido a que los programas en sí son costosos, se asignan a personas con las puntuaciones de riesgo más altas. Las técnicas de puntuación que discriminan a los pacientes negros más enfermos por esta atención pueden ser un factor significativo en su mayor riesgo de muerte por muchas enfermedades.

La raza como variable en la enfermedad renal

Los algoritmos pueden contener sesgos sin incluir la raza como variable, pero algunas herramientas utilizan deliberadamente la raza como criterio. Tome la puntuación de eGFR, que califica la salud de los riñones y se utiliza para determinar quién necesita un trasplante de riñón. En un estudio de 1999 que estableció los criterios de puntuación de eGFR, los investigadores notaron que las personas de raza negra tenían, en promedio, niveles más altos de creatinina (un subproducto de la degradación muscular) que las personas de raza blanca. Los científicos asumieron que los niveles más altos se debían a una mayor masa muscular en los negros. Por lo tanto, ajustaron la puntuación, lo que esencialmente significaba que las personas de raza negra deben tener una puntuación de eGFR más baja que los blancos para ser diagnosticados con enfermedad renal en etapa terminal. Como consecuencia, los negros han tenido que esperar hasta que su enfermedad renal alcanzara una etapa más grave para calificar para el tratamiento.

Recientemente, estudiante de medicina y salud pública en la Facultad de Medicina de la Universidad de Washington en Seattle observó que las puntuaciones de eGFR no eran precisas para diagnosticar la gravedad de la enfermedad renal en Black pacientes. Luchó para eliminar la raza del algoritmo y ganó. UW Medicine estuvo de acuerdo en que el uso de la raza era una variable ineficaz y no cumplía con el rigor científico en las herramientas de diagnóstico médico.

Índice de masa corporal y sesgo

Incluso la herramienta de decisión médica más simple que no incluye la raza puede reflejar prejuicios sociales. El índice de masa corporal (IMC), por ejemplo, se basa en un cálculo que multiplica el peso por la altura. Se utiliza para identificar pacientes con bajo peso, sobrepeso y obesidad.

En 1985, los Institutos Nacionales de Salud vinculó la definición de obesidad al IMC de un individuo, y en 1998 un panel de expertos estableció pautas basado en el IMC que movió a 29 millones de estadounidenses que previamente habían sido clasificados como de peso normal o simplemente con sobrepeso a los con sobrepeso y obesidad categorías.Según los estándares de IMC, la mayoría de los negros, hispanos y blancos ahora tienen sobrepeso o son obesos. Los porcentajes de obesidad de 2018 son aproximadamente iguales para los hombres negros, hispanos y blancos (que van del 31,2% al 34,2%). Pero los porcentajes de mujeres que son etiquetadas como obesas por el IMC son: 

• 44.2%-Negro
• 35.4%-Hispano
• 28.7%-Blanco

Una atmósfera de desconfianza y vergüenza por el peso

Calificar a un porcentaje tan grande de poblaciones como con sobrepeso u obesidad ha creado una atmósfera de vergüenza y desconfianza entre los pacientes y los médicos. Las personas de mayor peso se quejan de que los médicos no abordan los problemas de salud o las preocupaciones que los llevaron a un chequeo. En cambio, los médicos culpan al peso del paciente por sus problemas de salud e impulsan la pérdida de peso como solución. Esto contribuye a que los pacientes negros e hispanos eviten a los profesionales de la salud y, por lo tanto, quizás pierdan oportunidades para prevenir problemas o detectarlos temprano.

Además, es cada vez más evidente que el sobrepeso o la obesidad no siempre es un problema de salud. Las tasas de algunas afecciones graves, como hospitalización por COVID-19, presión arterial alta, enfermedades cardíacas, derrames cerebrales, diabetes tipo 2 y otras enfermedades, son más altas entre las personas obesas.^  Pero para otras afecciones, como la recuperación de lesiones graves, cáncer y cirugía cardíaca, las personas de mayor peso tienen mejores tasas de supervivencia.  

Directrices canadienses nuevas y mejoradas

De hecho, las nuevas pautas de obesidad para médicos canadienses, publicadas en agosto de 2020, enfatizan que los médicos deben dejar de depender solo del IMC para diagnosticar a los pacientes. Las personas deben ser diagnosticadas como obesas solo si su peso corporal afecta su salud física o bienestar mental, de acuerdo con las nuevas pautas. El tratamiento debe ser holístico y no solo tener como objetivo la pérdida de peso. Las pautas también señalan que: "Las personas que viven con obesidad enfrentan un sesgo y un estigma sustanciales, que contribuyen a una mayor morbilidad y mortalidad independientemente del peso o del índice de masa corporal".

Reducir el sesgo en las herramientas de decisión

Los algoritmos médicos no son el único tipo de algoritmo que puede estar sesgado. En 2018, por ejemplo, Amazon dejó de usar una herramienta de contratación que mostraba prejuicios contra las mujeres. La herramienta, que analizó 10 años de datos de contratación durante un período en el que Amazon había contratado predominantemente a hombres, había utilizado esa historia para enseñarse a sí misma a preferir candidatos masculinos.

En la atención médica, el aprendizaje automático a menudo se basa en registros médicos electrónicos. Los pacientes pobres y de minorías pueden recibir atención fracturada y ser atendidos en múltiples instituciones. Es más probable que se vean en clínicas de enseñanza donde la entrada de datos o el razonamiento clínico pueden ser menos precisos. Y es posible que los pacientes no puedan acceder a los portales de pacientes en línea ni a documentar los resultados. Como resultado, los registros de estos pacientes pueden tener datos erróneos o faltantes. Los algoritmos que impulsan el aprendizaje automático pueden terminar excluyendo a los pacientes pobres y minoritarios de los conjuntos de datos y la atención necesaria.

La buena noticia es que la conciencia de los sesgos en los algoritmos de atención médica ha aumentado en los últimos años. La entrada de datos y los resultados se están verificando en busca de sesgos raciales, étnicos, de ingresos, de género y de edad. Cuando se reconocen las disparidades, los algoritmos y los conjuntos de datos pueden revisarse para lograr una mejor objetividad.