Faji elfogultság az orvosi ellátás döntéshozó eszközeiben

Az orvosi ellátás faji elfogultsága néhány váratlan helyen is megjelenhet. Például: Tekintsük azokat a klinikai döntési eszközöket, amelyek fontos szerepet játszanak a mai betegek tesztelésében, diagnosztizálásában és kezelésében.

Ezek az eszközök algoritmusokat vagy általában számítógépes, lépésről lépésre történő eljárásokat tartalmaznak olyan tényezők kiszámításához, mint a szívbetegségek kockázata, a mellkasi röntgenfelvétel szükségessége és a vényköteles gyógyszerek adagolása. A mesterséges intelligencia segítségével felderíthetők az egészségügyi nyilvántartások és a számlázási rendszerek a szükséges adatkészletek létrehozásához.

A felszínen ezek a tényezők mind nagyon objektíven hangzanak. A legújabb tanulmányok azonban azt mutatták, hogy az ezekben az algoritmusokban használt adatelemzés döntő módon elfogult lehet bizonyos faji és társadalmi -gazdasági csoportokkal szemben. Ennek számtalan következménye lehet az ezen csoportokba tartozó emberek által nyújtott egészségügyi ellátás mennyiségét és minőségét tekintve.

A faji elfogultság a legbetegebb betegeket érinti

2019 -ben kimutatták, hogy az amerikai kórházak és biztosítók által széles körben használt algoritmus tanulmányozása során további egészségügyi menedzsment -támogatást osztanak ki a feketék szisztematikus megkülönböztetésére.A döntési eszköz kevésbé valószínű, hogy a feketéket, mint a fehéreket, komplex orvosi szükségletekre irányító ellátási programokra irányítja, amikor mindkét faj egyformán beteg.

Az elfogultság mögöttes oka az algoritmus kockázati pontszámok hozzárendeléséhez kapcsolódott a betegekhez az előző évi orvosi költségeik alapján. A feltételezés az volt, hogy a magasabb költségekkel rendelkező betegek azonosítása azonosítja a legmagasabb orvosi igényű betegeket.^ Sok fekete beteg azonban kevesebb hozzáféréssel, kevesebb fizetési képességgel és kevésbé bízik az orvosi ellátásban, mint a fehér emberek, akik ugyanolyan betegek. Ebben az esetben alacsonyabb orvosi költségeik nem jósolták pontosan az egészségi állapotukat.

A gondozást irányító programok nagy tapintású megközelítést alkalmaznak, mint például telefonhívások, ápolónői otthonlátogatások és az orvosok kinevezésének előtérbe helyezése a legbetegebb betegek összetett igényeinek kielégítésére. A programok kimutatták, hogy javítják az eredményeket, csökkentik a sürgősségi osztályok látogatását és a kórházi kezeléseket, valamint csökkentik az orvosi költségeket. Mivel maguk a programok drágák, azokat a legmagasabb kockázati pontszámú emberekhez rendelik hozzá. Azok a pontozási technikák, amelyek megkülönböztetik a legbetegebb fekete betegeket ezért az ellátásért, jelentős tényezők lehetnek számos betegség okozta halálozásuk megnövekedésében.

Verseny, mint változó a vesebetegségben

Az algoritmusok tartalmazhatnak torzítást anélkül, hogy a versenyt változóként szerepeltetnék, de néhány eszköz szándékosan használja a fajt kritériumként. Vegye ki az eGFR pontszámot, amely a vese egészségét értékeli, és annak meghatározására szolgál, hogy kinek van szüksége veseátültetésre. Egy 1999 -es tanulmányban, amely az eGFR pontszám kritériumait határozta meg, a kutatók észrevették, hogy a fekete emberek átlagosan magasabb kreatininszinttel (az izomtörés mellékterméke) rendelkeznek, mint a fehérekkel. A tudósok feltételezték, hogy a magasabb szintek a feketék nagyobb izomtömegének köszönhetők. Ezért módosították a pontozást, ami lényegében azt jelentette, hogy a feketéknek alacsonyabb eGFR pontszámmal kell rendelkezniük, mint a fehéreknek, hogy végstádiumú vesebetegséget diagnosztizáljanak. Ennek következtében a feketéknek várniuk kellett, amíg vesebetegségük súlyosabb stádiumba kerül, hogy jogosultak legyenek a kezelésre.

Nemrégiben a Washingtoni Egyetem Orvostudományi Karának orvostudományi és közegészségügyi hallgatója Seattle megfigyelte, hogy az eGFR pontszámok nem pontosak a vesebetegség súlyosságának diagnosztizálásához fekete színben betegek. Kiharcolta, hogy a versenyt eltávolítsák az algoritmusból, és győzött. Az UW Medicine egyetértett abban, hogy a faj használata nem hatékony változó, és nem felel meg az orvosi diagnosztikai eszközök tudományos szigorának.

Testtömeg -index és torzítás

Még a legegyszerűbb orvosi döntési eszköz is, amely nem tartalmazza a fajt, tükrözheti a társadalmi elfogultságot. A testtömeg -index (BMI) például egy számításon alapul, amely megszorozza a súlyt a magassággal. Alul-, túlsúlyos és elhízott betegek azonosítására szolgál.

1985 -ben a Nemzeti Egészségügyi Intézetek az elhízás definícióját az egyén BMI -jéhez kötötték, és 1998 -ban egy szakértői testület iránymutatásokat vezetett be A BMI alapján 29 millió, korábban normál súlyúnak vagy éppen túlsúlyosnak minősített amerikait helyeztek túlsúlyos és elhízott emberek közé. kategóriákat.A BMI szabványok szerint a feketék, a spanyolok és a fehérek többsége ma túlsúlyos vagy elhízott. Az elhízás 2018 -as aránya nagyjából megegyezik a fekete, a spanyol és a fehér férfiak körében (31,2% és 34,2% között). De a BMI által elhízottnak jelölt nők százalékos aránya: 

• 44.2%-Fekete
• 35.4%- spanyol
• 28.7%-Fehér

A súlycsökkentés és a bizalmatlanság légköre

A populációk ilyen nagy százalékának túlsúlyosnak vagy elhízottnak minősítése a súlycsökkentés és a bizalmatlanság légkörét teremtette meg a betegek és az orvosok között. A nagyobb testsúlyú emberek panaszkodnak, hogy az orvosok nem foglalkoznak az egészségügyi problémákkal vagy aggályokkal, amelyek miatt ellenőrzésre érkeztek. Ehelyett az orvosok a páciens súlyát okolják egészségügyi problémáikért, és a fogyást javasolják megoldásként. Ez hozzájárul ahhoz, hogy a fekete és a spanyol betegek elkerüljék az egészségügyi szakembereket, és így talán elmulasztják a lehetőségeket a problémák megelőzésére vagy a korai felfogásra.

Továbbá egyre világosabbá válik, hogy a túlsúly vagy az elhízás nem mindig egészségügyi probléma. Néhány súlyos betegség, például a COVID-19 kórházi ápolása, a magas vérnyomás, a szívbetegségek, a stroke, a 2-es típusú cukorbetegség és más betegségek aránya magasabb az elhízottak körében.^  De más állapotok - például súlyos sérülésekből, daganatos megbetegedésekből és szívműtétekből való kilábalás - esetén a magasabb testsúlyú emberek jobb túlélési arányt mutatnak.  

Új, továbbfejlesztett kanadai irányelvek

Valójában a kanadai orvosok számára 2020 augusztusában közzétett új elhízási irányelvek hangsúlyozzák, hogy az orvosoknak abba kell hagyniuk a BMI -re való hagyatkozást a betegek diagnosztizálásában. Az embereket csak akkor szabad diagnosztizálni elhízásként, ha testtömegük befolyásolja fizikai egészségüket vagy mentális jólétüket, az új irányelvek szerint. A kezelésnek holisztikusnak kell lennie, és nem kizárólag a fogyást kell céloznia. Az irányelvek azt is megjegyzik, hogy: „Az elhízással élő emberek jelentős elfogultsággal és megbélyegzéssel szembesülnek, ami hozzájárul a súlyosságtól és a testtömeg -indextől független morbiditás és mortalitás növekedéséhez.”

Az elfogultság csökkentése a döntési eszközökben

Az orvosi algoritmusok nem az egyetlen típusú algoritmusok, amelyek torzíthatók. 2018 -ban például az Amazon abbahagyta a toborzási eszköz használatát, amely elfogultságot mutatott a nőkkel szemben. Az eszköz, amely 10 év munkaerő -felvételi adatait elemezte egy olyan időszakban, amikor az Amazon túlnyomórészt férfiakat alkalmazott, ezt a történelmet használta arra, hogy megtanítsa magát a férfi jelöltek preferálására.

Az egészségügyben a gépi tanulás gyakran elektronikus egészségügyi nyilvántartásokra támaszkodik. A szegény és kisebbségi betegek törött ellátásban részesülhetnek, és több intézményben láthatják őket. Ezek nagyobb valószínűséggel fordulnak elő olyan oktató klinikákon, ahol az adatok bevitele vagy a klinikai érvelés kevésbé pontos. És előfordulhat, hogy a betegek nem tudnak hozzáférni az online betegportálokhoz és dokumentálni az eredményeket. Ennek eredményeként ezeknek a betegeknek a nyilvántartásai hiányzó vagy téves adatokat tartalmazhatnak. A gépi tanulást segítő algoritmusok így végül kizárhatják a szegény és kisebbségi betegeket az adatkészletekből és a szükséges gondozást.

A jó hír az, hogy az egészségügyi algoritmusok torzításainak tudata nőtt az elmúlt években. Az adatbevitelt és az eredményeket faji, etnikai, jövedelmi, nemi és életkori torzítás alapján ellenőrzik. Az egyenlőtlenségek felismerésekor az algoritmusok és az adatkészletek felülvizsgálhatók a jobb objektivitás érdekében.