चिकित्सा देखभाल निर्णय लेने के उपकरण में नस्लीय पूर्वाग्रह

चिकित्सा देखभाल में नस्लीय पूर्वाग्रह कुछ अप्रत्याशित स्थानों में दिखाई दे सकते हैं। उदाहरण के लिए: नैदानिक ​​​​निर्णय उपकरणों पर विचार करें जो आज के रोगियों का परीक्षण, निदान और उपचार करने में महत्वपूर्ण भूमिका निभाते हैं।

इन उपकरणों में एल्गोरिदम, या चरण-दर-चरण प्रक्रियाएं होती हैं, जो आमतौर पर कम्प्यूटरीकृत होती हैं, जो हृदय रोग के जोखिम, छाती के एक्स-रे की आवश्यकता और डॉक्टर के पर्चे की दवा की खुराक जैसे कारकों की गणना के लिए होती हैं। आवश्यक डेटा सेट बनाने के लिए स्वास्थ्य रिकॉर्ड और बिलिंग सिस्टम को खंगालने के लिए कृत्रिम बुद्धिमत्ता का उपयोग किया जा सकता है।

सतह पर, ये सभी कारक बहुत ही उद्देश्यपूर्ण लगते हैं। लेकिन हाल के अध्ययनों से पता चला है कि इन एल्गोरिदम में इस्तेमाल किए गए डेटा विश्लेषण कुछ नस्लीय और सामाजिक आर्थिक समूहों के खिलाफ महत्वपूर्ण तरीके से पक्षपाती हो सकते हैं। इन समूहों के लोगों को मिलने वाली स्वास्थ्य सेवा की मात्रा और गुणवत्ता के संदर्भ में इसके असंख्य परिणाम हो सकते हैं।

नस्लीय पूर्वाग्रह सबसे बीमार मरीजों को प्रभावित करता है

2019 में, अमेरिकी अस्पतालों और बीमा कंपनियों द्वारा अतिरिक्त स्वास्थ्य प्रबंधन सहायता आवंटित करने के लिए व्यापक रूप से उपयोग किए जाने वाले एल्गोरिदम का एक अध्ययन काले लोगों के खिलाफ व्यवस्थित रूप से भेदभाव करने के लिए दिखाया गया था।जब दोनों नस्लीय समूह समान रूप से बीमार थे, तो निर्णय उपकरण में श्वेत लोगों की तुलना में काले लोगों को जटिल चिकित्सा आवश्यकताओं के लिए देखभाल-प्रबंधन कार्यक्रमों में संदर्भित करने की संभावना कम थी।

पूर्वाग्रह का अंतर्निहित कारण एल्गोरिथम द्वारा रोगियों को उनके पिछले वर्ष की चिकित्सा लागतों के आधार पर जोखिम स्कोर के असाइनमेंट से जोड़ा गया था। धारणा यह थी कि उच्च लागत वाले रोगियों की पहचान करने से उच्चतम चिकित्सा आवश्यकताओं वाले लोगों की पहचान होगी।^ हालांकि, कई अश्वेत रोगियों के पास समान रूप से बीमार गोरे लोगों की तुलना में कम पहुंच, भुगतान करने की क्षमता कम और चिकित्सा देखभाल में कम विश्वास है। इस उदाहरण में, उनकी कम चिकित्सा लागत ने उनके स्वास्थ्य की स्थिति का सटीक अनुमान नहीं लगाया।

देखभाल-प्रबंधन कार्यक्रम एक उच्च स्पर्श दृष्टिकोण का उपयोग करते हैं, जैसे कि फोन कॉल, नर्सों द्वारा घर का दौरा, और सबसे बीमार रोगियों की जटिल जरूरतों को पूरा करने के लिए डॉक्टर की नियुक्तियों को प्राथमिकता देना। कार्यक्रमों को परिणामों में सुधार, आपातकालीन कक्ष यात्राओं और अस्पताल में भर्ती होने और चिकित्सा लागत को कम करने के लिए दिखाया गया है। चूंकि कार्यक्रम स्वयं महंगे हैं, इसलिए उन्हें उच्चतम जोखिम वाले लोगों को सौंपा गया है। इस देखभाल के लिए सबसे बीमार अश्वेत रोगियों के साथ भेदभाव करने वाली स्कोरिंग तकनीक कई बीमारियों से उनकी मृत्यु के बढ़ते जोखिम का एक महत्वपूर्ण कारक हो सकती है।

गुर्दा रोग में एक चर के रूप में दौड़

एल्गोरिदम में एक चर के रूप में दौड़ को शामिल किए बिना पूर्वाग्रह शामिल हो सकते हैं, लेकिन कुछ उपकरण जानबूझकर दौड़ को एक मानदंड के रूप में उपयोग करते हैं। ईजीएफआर स्कोर लें, जो किडनी के स्वास्थ्य का मूल्यांकन करता है और इसका उपयोग यह निर्धारित करने के लिए किया जाता है कि किडनी प्रत्यारोपण की आवश्यकता किसे है। 1999 के एक अध्ययन में जिसने ईजीएफआर स्कोर मानदंड निर्धारित किया, शोधकर्ताओं ने देखा कि श्वेत लोगों की तुलना में अश्वेत लोगों में क्रिएटिनिन का औसत स्तर (मांसपेशियों के टूटने का एक उपोत्पाद) था। वैज्ञानिकों ने माना कि उच्च स्तर अश्वेतों में उच्च मांसपेशियों के कारण थे। इसलिए उन्होंने स्कोरिंग को समायोजित किया, जिसका अनिवार्य रूप से मतलब था कि अंतिम चरण के गुर्दे की बीमारी का निदान करने के लिए अश्वेत लोगों के पास गोरों की तुलना में कम ईजीएफआर स्कोर होना चाहिए। नतीजतन, अश्वेतों को इलाज के लिए अर्हता प्राप्त करने के लिए उनकी किडनी की बीमारी और अधिक गंभीर अवस्था में पहुंचने तक इंतजार करना पड़ा।

हाल ही में, यूनिवर्सिटी ऑफ वाशिंगटन स्कूल ऑफ मेडिसिन में मेडिसिन और पब्लिक हेल्थ के एक छात्र सिएटल ने देखा कि ब्लैक में गुर्दे की बीमारी की गंभीरता का निदान करने के लिए ईजीएफआर स्कोर सटीक नहीं थे रोगी। उसने एल्गोरिथम से दौड़ को हटाने के लिए लड़ाई लड़ी, और जीत गई। यूडब्ल्यू मेडिसिन ने सहमति व्यक्त की कि दौड़ का उपयोग एक अप्रभावी चर था और चिकित्सा निदान उपकरणों में वैज्ञानिक कठोरता को पूरा नहीं करता था।

बॉडी मास इंडेक्स और पूर्वाग्रह

यहां तक ​​​​कि सबसे सरल चिकित्सा निर्णय उपकरण जिसमें दौड़ शामिल नहीं है, सामाजिक पूर्वाग्रह को दर्शा सकता है। बॉडी मास इंडेक्स (बीएमआई), उदाहरण के लिए, एक गणना पर आधारित है जो वजन को ऊंचाई से गुणा करता है। इसका उपयोग कम वजन, अधिक वजन और मोटे रोगियों की पहचान करने के लिए किया जाता है।

1985 में, राष्ट्रीय स्वास्थ्य संस्थान ने मोटापे की परिभाषा को एक व्यक्ति के बीएमआई से जोड़ा, और 1998 में एक विशेषज्ञ पैनल ने दिशानिर्देश बनाए। बीएमआई के आधार पर जो 29 मिलियन अमेरिकियों को स्थानांतरित कर दिया गया था जिन्हें पहले सामान्य वजन के रूप में वर्गीकृत किया गया था या केवल अधिक वजन वाले और मोटापे से ग्रस्त थे श्रेणियाँ।बीएमआई मानकों के अनुसार, अधिकांश अश्वेत, हिस्पैनिक और गोरे लोग अब अधिक वजन वाले या मोटे हैं। मोटापे के लिए 2018 प्रतिशत मोटे तौर पर काले, हिस्पैनिक और गोरे पुरुषों (31.2% से 34.2%) के बराबर है। लेकिन बीएमआई द्वारा मोटापे से ग्रस्त महिलाओं का प्रतिशत है: 

• 44.2%-काला
• 35.4%—हिस्पैनिक
• 28.7%-सफेद

वजन कम करने और अविश्वास का माहौल

आबादी के इतने बड़े प्रतिशत को अधिक वजन या मोटापे के रूप में ब्रांडिंग ने रोगियों और डॉक्टरों के बीच वजन घटाने और अविश्वास का माहौल बनाया है। अधिक वजन वाले लोग शिकायत करते हैं कि डॉक्टर उन स्वास्थ्य समस्याओं या चिंताओं का समाधान नहीं करते हैं जो उन्हें चेकअप के लिए लाए थे। इसके बजाय, डॉक्टर अपने स्वास्थ्य के मुद्दों के लिए रोगी के वजन को दोष देते हैं और समाधान के रूप में वजन घटाने पर जोर देते हैं। यह काले और हिस्पैनिक रोगियों में स्वास्थ्य देखभाल करने वालों से परहेज करने में योगदान देता है और इस प्रकार शायद समस्याओं को रोकने या उन्हें जल्दी पकड़ने के अवसरों को खो देता है।

इसके अलावा, यह तेजी से स्पष्ट होता जा रहा है कि अधिक वजन या मोटापा हमेशा एक स्वास्थ्य समस्या नहीं होती है। कुछ गंभीर स्थितियों, जैसे कि COVID-19 के लिए अस्पताल में भर्ती, उच्च रक्तचाप, हृदय रोग, स्ट्रोक, टाइप 2 मधुमेह और अन्य बीमारियों के लिए दरें मोटे लोगों में अधिक हैं।^  लेकिन अन्य स्थितियों के लिए - जैसे कि गंभीर चोट, कैंसर और हृदय शल्य चिकित्सा से उबरना - अधिक वजन वाले लोगों की जीवित रहने की दर बेहतर होती है।  

नए, बेहतर कनाडाई दिशानिर्देश

वास्तव में, कनाडा के चिकित्सकों के लिए अगस्त 2020 में प्रकाशित नए मोटापे के दिशानिर्देश इस बात पर जोर देते हैं कि डॉक्टरों को रोगियों के निदान में अकेले बीएमआई पर निर्भर रहना बंद कर देना चाहिए। नए दिशानिर्देशों के अनुसार, लोगों को मोटापे का निदान तभी किया जाना चाहिए जब उनके शरीर का वजन उनके शारीरिक स्वास्थ्य या मानसिक स्वास्थ्य को प्रभावित करे। उपचार समग्र होना चाहिए और केवल वजन घटाने को लक्षित नहीं करना चाहिए। दिशानिर्देश यह भी नोट करते हैं कि: "मोटापे से पीड़ित लोगों को पर्याप्त पूर्वाग्रह और कलंक का सामना करना पड़ता है, जो वजन या बॉडी मास इंडेक्स से स्वतंत्र रुग्णता और मृत्यु दर में वृद्धि में योगदान देता है।"

निर्णय उपकरण में पूर्वाग्रह को कम करना

मेडिकल एल्गोरिदम एकमात्र प्रकार का एल्गोरिदम नहीं है जो पक्षपाती हो सकता है। उदाहरण के लिए, 2018 में, अमेज़ॅन ने एक भर्ती उपकरण का उपयोग करना बंद कर दिया, जो महिलाओं के प्रति पूर्वाग्रह दिखाता है। टूल, जिसने 10 साल के हायरिंग डेटा का विश्लेषण उस अवधि के दौरान किया था जब अमेज़ॅन ने मुख्य रूप से पुरुषों को काम पर रखा था, ने उस इतिहास का उपयोग पुरुष उम्मीदवारों को पसंद करने के लिए खुद को सिखाने के लिए किया था।

स्वास्थ्य सेवा में, मशीन लर्निंग अक्सर इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड पर निर्भर करता है। गरीब और अल्पसंख्यक रोगियों को खंडित देखभाल मिल सकती है और उन्हें कई संस्थानों में देखा जा सकता है। उन्हें शिक्षण क्लीनिकों में देखे जाने की अधिक संभावना है जहां डेटा इनपुट या नैदानिक ​​तर्क कम सटीक हो सकते हैं। और रोगी ऑनलाइन रोगी पोर्टल और दस्तावेज़ परिणामों तक पहुँचने में सक्षम नहीं हो सकते हैं। परिणामस्वरूप, इन रोगियों के रिकॉर्ड में गुम या गलत डेटा हो सकता है। मशीन लर्निंग को चलाने वाले एल्गोरिदम इस प्रकार डेटा सेट और आवश्यक देखभाल से गरीब और अल्पसंख्यक रोगियों को बाहर कर सकते हैं।

अच्छी खबर यह है कि पिछले कुछ वर्षों में हेल्थकेयर एल्गोरिदम में पूर्वाग्रहों के बारे में जागरूकता बढ़ी है। नस्लीय, जातीय, आय, लिंग और आयु पूर्वाग्रह के लिए डेटा इनपुट और परिणामों की जाँच की जा रही है। जब असमानताओं को पहचाना जाता है, तो एल्गोरिदम और डेटा सेट को बेहतर निष्पक्षता की ओर संशोधित किया जा सकता है।