Rasna pristranost u alatima za donošenje odluka u medicinskoj skrbi

Rasna pristranost u medicinskoj skrbi može se pojaviti na nekim neočekivanim mjestima. Na primjer: Razmotrite alate kliničke odluke koji igraju važnu ulogu u načinu testiranja, dijagnosticiranja i liječenja današnjih pacijenata.

Ovi alati sadrže algoritme ili postupne postupke, obično kompjuterizirane, za izračunavanje čimbenika kao što su rizik od srčanih bolesti, potreba za rentgenskim snimkama prsnog koša i doziranje lijekova na recept. Umjetna inteligencija može se koristiti za pretraživanje zdravstvenih kartona i sustava naplate za stvaranje potrebnih skupova podataka.

Na prvi pogled, svi ti čimbenici zvuče vrlo objektivno. No, nedavne studije pokazale su da se analiza podataka korištena u tim algoritmima može na ključan način pristrasno usmjeriti prema određenim rasnim i društveno -ekonomskim skupinama. To može imati bezbroj posljedica u smislu količine i kvalitete zdravstvene zaštite koju dobivaju ljudi u tim skupinama.

Rasna pristranost utječe na bolesne pacijente

Godine 2019. pokazalo se da studija algoritma koji se široko koristi u američkim bolnicama i osiguravateljima za dodjelu dodatne pomoći u upravljanju zdravljem sustavno diskriminira crnce.Manje je vjerojatno da će alat odlučivanja uputiti crnce nego bijelce u programe upravljanja skrbi za složene medicinske potrebe kada su obje rasne skupine bile jednako bolesne.

Temeljni razlog pristranosti bio je povezan s dodjelom algoritma ocjena rizika pacijentima na temelju njihovih medicinskih troškova u prošloj godini. Pretpostavka je bila da bi identificiranje pacijenata s većim troškovima identificiralo one s najvećim medicinskim potrebama.^ Međutim, mnogi crni pacijenti imaju manji pristup, manju sposobnost plaćanja i manje povjerenje u medicinsku skrb od bijelaca koji su jednako bolesni. U ovom slučaju, njihovi manji medicinski troškovi nisu točno predvidjeli njihovo zdravstveno stanje.

Programi upravljanja njegom koriste pristup s velikim dodirom, poput telefonskih poziva, kućnih posjeta medicinskih sestara i davanja prioriteta imenovanju liječnika radi rješavanja složenih potreba najbolesnijih pacijenata. Pokazalo se da programi poboljšavaju ishode, smanjuju posjete hitnoj pomoći i hospitalizacije te smanjuju medicinske troškove. Budući da su sami programi skupi, dodjeljuju se osobama s najvećim ocjenama rizika. Bodovanje tehnika koje diskriminiraju najbolesnije crne pacijente za ovu skrb može biti značajan faktor u njihovom povećanom riziku od smrti od mnogih bolesti.

Utrka kao varijabla u bubrežnoj bolesti

Algoritmi mogu sadržavati pristranost bez uključivanja rase kao varijable, ali neki alati namjerno koriste rasu kao kriterij. Uzmite eGFR rezultat koji ocjenjuje zdravlje bubrega i koristi se za utvrđivanje kome je potrebna transplantacija bubrega. U studiji iz 1999. koja je postavila kriterije ocjene eGFR -a, istraživači su primijetili da su crnci u prosjeku imali višu razinu kreatinina (nusprodukt razgradnje mišića) od bijelaca. Znanstvenici su pretpostavili da su veće razine posljedice veće mišićne mase kod crnaca. Stoga su prilagodili bodovanje, što je u biti značilo da crnci moraju imati niži skor eGFR-a od bijelaca da bi im se dijagnosticirala završna faza bubrežne bolesti. Kao posljedica toga, crnci su morali čekati dok njihova bubrežna bolest ne dođe u ozbiljniju fazu kako bi se kvalificirali za liječenje.

Nedavno je student medicine i javnog zdravlja na Medicinskom fakultetu Sveučilišta Washington u Seattle je primijetio da rezultati eGFR -a nisu bili točni za dijagnosticiranje ozbiljnosti bubrežne bolesti kod crnaca pacijenata. Borila se za uklanjanje utrke iz algoritma i pobijedila. UW Medicine se složilo da je uporaba rase nedjelotvorna varijabla i da ne zadovoljava znanstvenu strogost u medicinskim dijagnostičkim alatima.

Indeks tjelesne mase i pristranost

Čak i najjednostavniji medicinski alat za odlučivanje koji ne uključuje rasu može odražavati društvenu pristranost. Na primjer, indeks tjelesne mase (BMI) temelji se na izračunu koji težinu pomnoži s visinom. Koristi se za identifikaciju pacijenata s prekomjernom tjelesnom težinom, prekomjernom tjelesnom težinom i pretilošću.

Godine 1985. Nacionalni instituti za zdravlje vezali su definiciju pretilosti s BMI -jem pojedinca, a 1998. stručna komisija donijela je smjernice na temelju BMI -a koji je premjestio 29 milijuna Amerikanaca koji su prethodno bili klasificirani kao normalna težina ili samo s prekomjernom tjelesnom težinom u prekomjernu težinu i pretilost kategorije.Prema standardima BMI -a, većina crnaca, latinoamerikanaca i bijelaca sada ima prekomjernu težinu ili pretilost. Postoci pretilosti u 2018. godini približno su jednaki za crnce, latinoamerikance i bijelce (u rasponu od 31,2% do 34,2%). No postoci žena koje je BMI označio kao pretile su: 

• 44.2%-Crno
• 35.4%- hispanski
• 28.7%- Bijelo

Atmosfera srama i nepovjerenja

Brendiranje tako velikog postotka populacije kao što je prekomjerna težina ili pretilo stvorilo je ozračje srama i nepovjerenja između pacijenata i liječnika. Ljudi veće tjelesne težine žale se da se liječnici ne bave zdravstvenim problemima ili brigama koji su ih doveli na pregled. Umjesto toga, liječnici okrivljuju pacijentovu težinu za svoje zdravstvene probleme i guraju težinu kao rješenje. To doprinosi tome da crni i latinoamerički pacijenti izbjegavaju liječnike i na taj način možda propuštaju prilike za sprječavanje problema ili njihovo rano hvatanje.

Nadalje, postaje sve jasnije da prekomjerna težina ili pretilost nisu uvijek zdravstveni problem. Stope za neka ozbiljna stanja, poput hospitalizacije zbog COVID-19, visokog krvnog tlaka, bolesti srca, moždanog udara, dijabetesa tipa 2 i drugih bolesti, veće su među onima koji su pretili.^  No, za druga stanja - poput oporavka od teških ozljeda, raka i operacija srca - ljudi s višom tjelesnom težinom imaju bolje stope preživljavanja.  

Nove, poboljšane kanadske smjernice

Zapravo, nove smjernice za pretilost za kanadske kliničare, objavljene u kolovozu 2020., naglašavaju da bi se liječnici trebali prestati oslanjati samo na BMI u dijagnosticiranju pacijenata. Prema novim smjernicama, ljudima bi se trebalo dijagnosticirati pretilost samo ako njihova tjelesna težina utječe na njihovo fizičko zdravlje ili mentalnu dobrobit. Liječenje treba biti cjelovito, a ne isključivo ciljati gubitak težine. Smjernice također napominju sljedeće: „Ljudi koji žive s pretilošću suočavaju se sa značajnom pristranošću i stigmom, što doprinosi povećanom morbiditetu i mortalitetu neovisno o težini ili indeksu tjelesne mase.“

Smanjenje pristranosti u alatima za donošenje odluka

Medicinski algoritmi nisu jedina vrsta algoritma koja se može pristrasiti. Na primjer, 2018. godine Amazon je prestao koristiti alat za zapošljavanje koji je pokazivao pristranost prema ženama. Alat, koji je analizirao 10 godina podataka o zapošljavanju u razdoblju u kojem je Amazon pretežno zapošljavao muškarce, iskoristio je tu povijest da se nauči preferirati muške kandidate.

U zdravstvu se strojno učenje često oslanja na elektroničke zdravstvene kartone. Siromašni i manjinski pacijenti mogu dobiti frakturnu skrb i biti pregledani u više ustanova. Vjerojatnije je da će se oni vidjeti u nastavnim klinikama gdje unos podataka ili kliničko zaključivanje mogu biti manje točni. Pacijenti možda neće moći pristupiti mrežnim portalima pacijenata i dokumentirati ishode. Zbog toga u evidenciji ovih pacijenata mogu nedostajati ili su pogrešni podaci. Algoritmi koji pokreću strojno učenje mogu tako isključiti siromašne i manjinske pacijente iz skupova podataka i potrebne skrbi.

Dobra vijest je da je svijest o pristranosti u zdravstvenim algoritmima porasla u posljednjih nekoliko godina. Ulazni podaci i ishodi provjeravaju se na rasnoj, etničkoj, prihodovnoj, spolnoj i dobnoj predrasudi. Kada se uoče razlike, algoritmi i skupovi podataka mogu se revidirati prema boljoj objektivnosti.