Bias Rasial dalam Alat Pengambilan Keputusan Perawatan Medis

Bias rasial dalam perawatan medis dapat muncul di beberapa tempat yang tidak terduga. Misalnya: Pertimbangkan alat keputusan klinis yang memainkan peran penting dalam cara pasien saat ini diuji, didiagnosis, dan dirawat.

Alat-alat ini berisi algoritma, atau prosedur langkah demi langkah, biasanya terkomputerisasi, untuk menghitung faktor-faktor seperti risiko penyakit jantung, kebutuhan rontgen dada, dan dosis obat resep. Kecerdasan buatan dapat digunakan untuk menjelajahi catatan kesehatan dan sistem penagihan untuk membuat kumpulan data yang dibutuhkan.

Di permukaan, semua faktor ini terdengar sangat objektif. Tetapi penelitian terbaru menunjukkan bahwa analisis data yang digunakan dalam algoritme ini dapat menjadi bias dalam cara yang sangat penting terhadap kelompok ras dan sosial ekonomi tertentu. Hal ini dapat memiliki banyak sekali konsekuensi dalam hal jumlah dan kualitas layanan kesehatan yang diterima oleh orang-orang dalam kelompok ini.

Rasial Bias Mempengaruhi Pasien Paling Sakit

Pada tahun 2019, sebuah studi tentang algoritme yang banyak digunakan oleh rumah sakit dan perusahaan asuransi AS untuk mengalokasikan bantuan manajemen kesehatan tambahan terbukti secara sistematis mendiskriminasi orang kulit hitam.Alat keputusan cenderung tidak merujuk orang kulit hitam daripada orang kulit putih ke program manajemen perawatan untuk kebutuhan medis yang kompleks ketika kedua kelompok ras sama-sama sakit.

Alasan yang mendasari bias itu terkait dengan penetapan algoritme skor risiko kepada pasien berdasarkan biaya medis tahun sebelumnya. Asumsinya adalah bahwa mengidentifikasi pasien dengan biaya lebih tinggi akan mengidentifikasi mereka yang memiliki kebutuhan medis tertinggi.^ Namun, banyak pasien kulit hitam memiliki akses yang lebih sedikit, kemampuan yang lebih rendah untuk membayar, dan kurang percaya pada perawatan medis daripada orang kulit putih yang sama-sama sakit. Dalam hal ini, biaya medis mereka yang lebih rendah tidak secara akurat memprediksi status kesehatan mereka.

Program manajemen perawatan menggunakan pendekatan sentuhan tinggi, seperti panggilan telepon, kunjungan rumah oleh perawat, dan memprioritaskan janji dengan dokter untuk memenuhi kebutuhan kompleks pasien yang paling sakit. Program telah terbukti meningkatkan hasil, mengurangi kunjungan ruang gawat darurat dan rawat inap, dan mengurangi biaya medis. Karena program itu sendiri mahal, program itu diberikan kepada orang-orang dengan skor risiko tertinggi. Teknik penilaian yang mendiskriminasi pasien kulit hitam yang paling sakit untuk perawatan ini mungkin merupakan faktor signifikan dalam peningkatan risiko kematian akibat banyak penyakit.

Ras sebagai Variabel dalam Penyakit Ginjal

Algoritma dapat mengandung bias tanpa menyertakan ras sebagai variabel, tetapi beberapa alat sengaja menggunakan ras sebagai kriteria. Ambil skor eGFR, yang menilai kesehatan ginjal dan digunakan untuk menentukan siapa yang membutuhkan transplantasi ginjal. Dalam sebuah studi tahun 1999 yang menetapkan kriteria skor eGFR, para peneliti memperhatikan bahwa orang kulit hitam rata-rata memiliki tingkat kreatinin (produk sampingan dari kerusakan otot) yang lebih tinggi daripada orang kulit putih. Para ilmuwan berasumsi bahwa tingkat yang lebih tinggi disebabkan oleh massa otot yang lebih tinggi pada orang kulit hitam. Oleh karena itu mereka menyesuaikan skor, yang pada dasarnya berarti bahwa orang kulit hitam harus memiliki skor eGFR yang lebih rendah daripada orang kulit putih untuk didiagnosis dengan penyakit ginjal stadium akhir. Akibatnya, orang kulit hitam harus menunggu sampai penyakit ginjal mereka mencapai tahap yang lebih parah agar memenuhi syarat untuk pengobatan.

Baru-baru ini, seorang mahasiswa kedokteran dan kesehatan masyarakat di Fakultas Kedokteran Universitas Washington di Seattle mengamati bahwa skor eGFR tidak akurat untuk mendiagnosis keparahan penyakit ginjal di Black pasien. Dia berjuang untuk menghapus ras dari algoritma, dan menang. UW Medicine setuju bahwa penggunaan ras adalah variabel yang tidak efektif dan tidak memenuhi ketelitian ilmiah dalam alat diagnostik medis.

Indeks Massa Tubuh dan Bias

Bahkan alat keputusan medis paling sederhana yang tidak memasukkan ras dapat mencerminkan bias sosial. Indeks massa tubuh (BMI), misalnya, didasarkan pada perhitungan yang mengalikan berat badan dengan tinggi badan. Ini digunakan untuk mengidentifikasi pasien dengan berat badan kurang, kelebihan berat badan, dan obesitas.

Pada tahun 1985, National Institutes of Health mengaitkan definisi obesitas dengan BMI individu, dan pada tahun 1998 sebuah panel ahli menetapkan pedoman berdasarkan BMI yang memindahkan 29 juta orang Amerika yang sebelumnya diklasifikasikan sebagai berat badan normal atau hanya kelebihan berat badan menjadi kelebihan berat badan dan obesitas kategori.Menurut standar BMI, mayoritas orang kulit hitam, hispanik, dan kulit putih sekarang kelebihan berat badan atau obesitas. Persentase obesitas tahun 2018 kira-kira sama untuk pria kulit hitam, Hispanik, dan kulit putih (berkisar dari 31,2% hingga 34,2%). Namun persentase wanita yang diberi label obesitas oleh BMI adalah: 

• 44.2%-Hitam
• 35.4%—Hispanik
• 28.7%-Putih

Suasana mempermalukan dan ketidakpercayaan

Mencap persentase besar populasi seperti kelebihan berat badan atau obesitas telah menciptakan suasana mempermalukan dan ketidakpercayaan antara pasien dan dokter. Orang dengan berat badan lebih tinggi mengeluh bahwa dokter tidak mengatasi masalah kesehatan atau kekhawatiran yang membawa mereka untuk pemeriksaan. Sebaliknya, dokter menyalahkan berat badan pasien untuk masalah kesehatan mereka dan mendorong penurunan berat badan sebagai solusinya. Ini berkontribusi pada pasien kulit hitam dan Hispanik menghindari praktisi kesehatan dan dengan demikian mungkin kehilangan peluang untuk mencegah masalah atau menangkap mereka lebih awal.

Selain itu, menjadi semakin jelas bahwa kelebihan berat badan atau obesitas tidak selalu menjadi masalah kesehatan. Tarif untuk beberapa kondisi serius, seperti rawat inap untuk COVID-19, tekanan darah tinggi, penyakit jantung, stroke, diabetes tipe 2, dan penyakit lainnya, lebih tinggi di antara mereka yang mengalami obesitas.^  Tetapi untuk kondisi lain—seperti pemulihan dari cedera serius, kanker, dan operasi jantung—orang dengan berat badan lebih tinggi memiliki tingkat kelangsungan hidup yang lebih baik.  

Pedoman Kanada yang baru dan disempurnakan

Faktanya, pedoman obesitas baru untuk dokter Kanada, yang diterbitkan pada Agustus 2020, menekankan bahwa dokter harus berhenti mengandalkan BMI saja dalam mendiagnosis pasien. Orang harus didiagnosis sebagai obesitas hanya jika berat badan mereka mempengaruhi kesehatan fisik atau kesejahteraan mental mereka, menurut pedoman baru. Perawatan harus holistik dan tidak hanya menargetkan penurunan berat badan. Pedoman tersebut juga mencatat bahwa: "Orang yang hidup dengan obesitas menghadapi bias dan stigma substansial, yang berkontribusi pada peningkatan morbiditas dan mortalitas terlepas dari berat badan atau indeks massa tubuh."

Mengurangi Bias dalam Alat Keputusan

Algoritma medis bukan satu-satunya jenis algoritma yang bisa bias. Pada tahun 2018, misalnya, Amazon berhenti menggunakan alat rekrutmen yang menunjukkan bias terhadap perempuan. Alat tersebut, yang menganalisis data perekrutan 10 tahun selama periode ketika Amazon sebagian besar mempekerjakan pria, telah menggunakan sejarah itu untuk mengajari dirinya sendiri untuk lebih memilih kandidat pria.

Dalam perawatan kesehatan, pembelajaran mesin sering bergantung pada catatan kesehatan elektronik. Pasien miskin dan minoritas dapat menerima perawatan patah tulang dan terlihat di beberapa institusi. Mereka lebih mungkin terlihat di klinik pengajaran di mana input data atau penalaran klinis mungkin kurang akurat. Dan pasien mungkin tidak dapat mengakses portal pasien online dan mendokumentasikan hasil. Akibatnya, catatan pasien ini mungkin memiliki data yang hilang atau salah. Algoritme yang mendorong pembelajaran mesin mungkin berakhir dengan mengecualikan pasien miskin dan minoritas dari kumpulan data dan perawatan yang dibutuhkan.

Berita baiknya adalah kesadaran akan bias dalam algoritme perawatan kesehatan telah tumbuh dalam beberapa tahun terakhir. Masukan dan hasil data sedang diperiksa untuk bias ras, etnis, pendapatan, jenis kelamin, dan usia. Ketika disparitas dikenali, algoritme dan kumpulan data dapat direvisi ke arah objektivitas yang lebih baik.