Rotujen puolueellisuus lääketieteellisessä päätöksenteossa

Rotuinen puolueellisuus sairaanhoidossa voi näkyä joissakin odottamattomissa paikoissa. Esimerkiksi: Harkitse kliinisiä päätöksenteon välineitä, joilla on tärkeä rooli nykypäivän potilaiden testaamisessa, diagnosoinnissa ja hoidossa.

Nämä työkalut sisältävät algoritmeja tai vaiheittaisia ​​menettelyjä, jotka on yleensä tietokoneistettu laskemaan sellaisia ​​tekijöitä kuin sydänsairauksien riski, rintakehän röntgenkuvaus ja reseptilääkkeiden annostus. Tekoälyä voidaan käyttää terveystietojen ja laskutusjärjestelmien pyyhkimiseen tarvittavien tietojoukkojen luomiseksi.

Pinnalla nämä tekijät kuulostavat erittäin objektiivisilta. Mutta viimeaikaiset tutkimukset ovat osoittaneet, että näissä algoritmeissa käytetty data -analyysi voi olla kriittisesti puolueellinen tiettyjä rotu- ja sosioekonomisia ryhmiä vastaan. Tällä voi olla lukemattomia seurauksia näiden ryhmien ihmisten saaman terveydenhuollon määrän ja laadun kannalta.

Rotujen puolueellisuus vaikuttaa sairaimpiin potilaisiin

Vuonna 2019 tutkimuksen Yhdysvaltojen sairaaloiden ja vakuutuksenantajien laajalti käyttämästä algoritmista lisäterveydenhuollon avun osoittamiseksi syrjittiin järjestelmällisesti mustia ihmisiä.Päätöstyökalu lähetti harvemmin mustia ihmisiä kuin valkoiset hoito-ohjelmiin monimutkaisiin lääketieteellisiin tarpeisiin, kun molemmat rodulliset ryhmät olivat yhtä sairaita.

Biasin syy johtui algoritmin riskipisteiden jakamisesta potilaille heidän edellisen vuoden sairaanhoitokustannustensa perusteella. Oletuksena oli, että korkeampien kustannusten omaavien potilaiden tunnistaminen tunnistaa ne, joilla on korkeimmat lääketieteelliset tarpeet.^ Monilla mustilla potilailla on kuitenkin vähemmän pääsyä, vähemmän maksukykyä ja vähemmän luottamusta sairaanhoitoon kuin valkoisilla, jotka ovat yhtä sairaita. Tässä tapauksessa heidän alhaisemmat lääketieteelliset kustannuksensa eivät ennustaneet tarkasti heidän terveydentilaansa.

Hoidonhallintaohjelmat käyttävät korkean kosketuksen lähestymistapaa, kuten puhelut, sairaanhoitajien kotikäynnit ja etusijalle asetetut lääkärikäynnit, jotta voidaan vastata sairaimpien potilaiden monimutkaisiin tarpeisiin. Ohjelmien on osoitettu parantavan tuloksia, vähentävän päivystyskäyntejä ja sairaalahoitoja sekä vähentävän sairaanhoitokustannuksia. Koska itse ohjelmat ovat kalliita, ne osoitetaan ihmisille, joilla on korkeimmat riskipisteet. Pisteytystekniikat, jotka syrjivät sairaimpia mustia potilaita tästä hoidosta, voivat olla merkittävä tekijä heidän monissa sairauksissa kuolleen riskin lisääntymisessä.

Rotu muuttujana munuaissairaudessa

Algoritmit voivat sisältää harhaa sisällyttämättä rodun muuttujaan, mutta jotkut työkalut käyttävät tietoisesti rodua kriteerinä. Ota eGFR -pisteet, jotka arvioivat munuaisten terveyttä ja joita käytetään määrittämään, kuka tarvitsee munuaisensiirtoa. Vuonna 1999 tehdyssä tutkimuksessa, joka asetti eGFR -pisteytyskriteerit, tutkijat havaitsivat, että mustilla ihmisillä oli keskimäärin korkeampi kreatiniinipitoisuus (lihasten hajoamisen sivutuote) kuin valkoisilla. Tutkijat olettivat, että korkeammat tasot johtuivat mustien lihasmassasta. Siksi he säätivät pisteytystä, mikä tarkoitti lähinnä sitä, että mustilla ihmisillä on oltava alhaisempi eGFR-pistemäärä kuin valkoisilla, jotta heille diagnosoidaan loppuvaiheen munuaissairaus. Tämän seurauksena mustat ovat joutuneet odottamaan munuaissairautensa vaikeamman vaiheen saadakseen hoitoa.

Äskettäin lääketieteen ja kansanterveyden opiskelija Washingtonin yliopiston lääketieteellisessä korkeakoulussa Seattle havaitsi, että eGFR -pisteet eivät olleet tarkkoja mustan munuaissairauden vakavuuden diagnosoimiseksi potilaille. Hän taisteli rodun poistamiseksi algoritmista ja voitti. UW Medicine oli samaa mieltä siitä, että rodun käyttö oli tehoton muuttuja ja että se ei täyttänyt tieteellistä vaatimusta lääketieteellisissä diagnostiikkatyökaluissa.

Body Mass Index ja Bias

Jopa yksinkertaisin lääketieteellinen päätöstyökalu, joka ei sisällä rotua, voi heijastaa sosiaalista puolueellisuutta. Esimerkiksi painoindeksi (BMI) perustuu laskelmiin, jotka kertovat painon pituudella. Sitä käytetään alipainoisten, ylipainoisten ja lihavien potilaiden tunnistamiseen.

Vuonna 1985 kansalliset terveyslaitokset yhdensivät lihavuuden määritelmän yksilön painoindeksiin, ja vuonna 1998 asiantuntijapaneeli laati ohjeet perustuu BMI: hen, joka siirsi 29 miljoonaa amerikkalaista, jotka oli aiemmin luokiteltu normaalipainoisiksi tai vain ylipainoisiksi, ylipainoisiksi ja lihaviksi luokkiin.BMI -standardien mukaan suurin osa mustista, latinalaisamerikkalaisista ja valkoisista on nyt ylipainoisia tai lihavia. Vuonna 2018 lihavuuden prosenttiosuudet ovat suunnilleen yhtä suuret mustilla, latinalaisamerikkalaisilla ja valkoisilla miehillä (vaihteluväli 31,2% - 34,2%). Mutta prosenttiosuus naisista, jotka on merkitty lihaviksi BMI: n mukaan, ovat: 

• 44.2%-Musta
• 35.4%-Latinalaisamerikkalainen
• 28.7%-Valkoinen

Painon häpeän ja epäluottamuksen ilmapiiri

Tällaisten suurten prosenttiosuuksien väittäminen ylipainoisiksi tai lihaviksi on luonut painon häpeän ja epäluottamuksen ilmapiirin potilaiden ja lääkäreiden välille. Suuremmat painot valittavat, että lääkärit eivät ota kantaa terveysongelmiin tai huolenaiheisiin, jotka toivat heidät tarkistukseen. Sen sijaan lääkärit syyttävät potilaan painoa terveysongelmistaan ​​ja painavat painonpudotusta ratkaisuna. Tämä auttaa mustia ja latinalaisamerikkalaisia ​​potilaita välttämään terveydenhuollon ammattilaisia ​​ja siten ehkä menettämään mahdollisuuksia estää ongelmia tai saada heidät varhaisessa vaiheessa.

Lisäksi on tullut yhä selvemmäksi, että ylipaino tai lihavuus eivät ole aina terveysongelmia. Joidenkin vakavien sairauksien, kuten COVID-19-sairaalahoitoa, korkeaa verenpainetta, sydänsairauksia, aivohalvausta, tyypin 2 diabetesta ja muita sairauksia koskevat korot ovat korkeampia lihavien keskuudessa.^  Mutta muissa olosuhteissa - kuten toipumisessa vakavasta vammasta, syövästä ja sydänleikkauksesta - korkeammilla ihmisillä on paremmat eloonjäämisluvut.  

Uudet, parannetut Kanadan ohjeet

Itse asiassa elokuussa 2020 julkaistut uudet liikalihavuusohjeet kanadalaisille lääkäreille korostavat, että lääkäreiden pitäisi lopettaa luottaminen pelkästään BMI: hen potilaiden diagnosoinnissa. Ihmiset tulisi diagnosoida lihaviksi vain, jos heidän ruumiinpainonsa vaikuttaa heidän fyysiseen terveyteensä tai mielenterveyteensä uusien ohjeiden mukaisesti. Hoidon tulee olla kokonaisvaltaista eikä vain painonpudotuksen kohteena. Ohjeissa todetaan myös, että: "Lihavilla ihmisillä on huomattava harha ja leima, jotka lisäävät sairastuvuutta ja kuolleisuutta riippumatta painosta tai painoindeksistä."

Päätöstyökalujen puolueellisuuden vähentäminen

Lääketieteelliset algoritmit eivät ole ainoa algoritmin tyyppi, joka voi olla puolueellinen. Esimerkiksi vuonna 2018 Amazon lopetti rekrytointityökalun käytön, joka osoitti puolueellisuutta naisia ​​kohtaan. Työkalu, joka analysoi 10 vuoden rekrytointitietoja aikana, jolloin Amazon oli palkannut pääasiassa miehiä, oli käyttänyt tätä historiaa opettamaan mieluummin miespuolisia ehdokkaita.

Terveydenhuollossa koneoppiminen perustuu usein sähköisiin terveystietoihin. Köyhät ja vähemmistöpotilaat voivat saada murtumahoitoa ja tulla nähdyksi useissa laitoksissa. Ne näkyvät todennäköisemmin opetusklinikoilla, joissa tietojen syöttö tai kliininen päättely voivat olla epätarkempia. Potilaat eivät ehkä voi käyttää online -potilasportaaleja ja dokumentoida tuloksia. Tämän seurauksena näiden potilaiden tietueista voi puuttua tai olla virheellisiä tietoja. Koneoppimista ohjaavat algoritmit voivat siten sulkea köyhät ja vähemmistöpotilaat pois tietokokonaisuuksista ja tarvitsevat hoitoa.

Hyvä uutinen on, että tietoisuus terveydenhuollon algoritmien harhautuksista on kasvanut viime vuosina. Tietojen syöttöä ja tuloksia tarkistetaan rodun, etnisen alkuperän, tulojen, sukupuolen ja iän perusteella. Kun erot tunnistetaan, algoritmeja ja tietojoukkoja voidaan tarkistaa kohti parempaa objektiivisuutta.