Pregiudizio razziale negli strumenti decisionali delle cure mediche

I pregiudizi razziali nelle cure mediche possono manifestarsi in alcuni luoghi inaspettati. Ad esempio: considera gli strumenti decisionali clinici che svolgono un ruolo importante nel modo in cui i pazienti di oggi vengono testati, diagnosticati e trattati.

Questi strumenti contengono algoritmi, o procedure passo passo, solitamente computerizzate, per il calcolo di fattori come il rischio di malattie cardiache, la necessità di una radiografia del torace e il dosaggio dei medicinali soggetti a prescrizione. L'intelligenza artificiale può essere utilizzata per setacciare le cartelle cliniche e i sistemi di fatturazione per creare i set di dati necessari.

In superficie, questi fattori sembrano tutti molto obiettivi. Ma studi recenti hanno dimostrato che l'analisi dei dati utilizzata in questi algoritmi può essere distorta in modi cruciali contro determinati gruppi razziali e socioeconomici. Ciò può avere una miriade di conseguenze in termini di quantità e qualità dell'assistenza sanitaria che le persone di questi gruppi ricevono.

Il pregiudizio razziale colpisce i pazienti più malati

Nel 2019, è stato dimostrato che uno studio su un algoritmo ampiamente utilizzato dagli ospedali e dagli assicuratori statunitensi per stanziare assistenza extra per la gestione della salute discrimina sistematicamente i neri.Lo strumento decisionale aveva meno probabilità di indirizzare i neri rispetto ai bianchi a programmi di gestione dell'assistenza per esigenze mediche complesse quando entrambi i gruppi razziali erano ugualmente malati.

Il motivo alla base del bias era legato all'assegnazione dell'algoritmo dei punteggi di rischio ai pazienti in base ai costi medici dell'anno precedente. Il presupposto era che identificare i pazienti con costi più elevati avrebbe identificato quelli con le esigenze mediche più elevate.^ Tuttavia, molti pazienti neri hanno meno accesso, meno possibilità di pagare e meno fiducia nelle cure mediche rispetto ai bianchi che sono ugualmente malati. In questo caso, i loro costi medici inferiori non hanno previsto con precisione il loro stato di salute.

I programmi di gestione dell'assistenza utilizzano un approccio di alto livello, come telefonate, visite domiciliari di infermieri e prioritizzazione degli appuntamenti medici per affrontare le complesse esigenze dei pazienti più malati. È stato dimostrato che i programmi migliorano i risultati, riducono le visite al pronto soccorso e i ricoveri ospedalieri e riducono i costi medici. Poiché i programmi stessi sono costosi, vengono assegnati alle persone con i punteggi di rischio più elevati. Le tecniche di punteggio che discriminano i pazienti neri più malati per questa cura possono essere un fattore significativo nel loro aumento del rischio di morte per molte malattie.

La razza come variabile nella malattia renale

Gli algoritmi possono contenere bias senza includere la razza come variabile, ma alcuni strumenti usano deliberatamente la razza come criterio. Prendi il punteggio eGFR, che valuta la salute dei reni e viene utilizzato per determinare chi ha bisogno di un trapianto di rene. In uno studio del 1999 che ha stabilito i criteri del punteggio eGFR, i ricercatori hanno notato che i neri avevano, in media, livelli più alti di creatinina (un sottoprodotto della disgregazione muscolare) rispetto ai bianchi. Gli scienziati hanno ipotizzato che i livelli più alti fossero dovuti alla maggiore massa muscolare nei neri. Hanno quindi aggiustato il punteggio, il che essenzialmente significava che i neri dovevano avere un punteggio eGFR inferiore rispetto ai bianchi per essere diagnosticati con una malattia renale allo stadio terminale. Di conseguenza, i neri hanno dovuto aspettare che la loro malattia renale raggiungesse uno stadio più grave per poter beneficiare del trattamento.

Recentemente, uno studente di medicina e sanità pubblica presso la University of Washington School of Medicine in Seattle ha osservato che i punteggi eGFR non erano accurati per la diagnosi della gravità della malattia renale in Black pazienti. Ha combattuto per rimuovere la razza dall'algoritmo e ha vinto. UW Medicine ha convenuto che l'uso della razza era una variabile inefficace e non soddisfaceva il rigore scientifico negli strumenti diagnostici medici.

Indice di massa corporea e bias

Anche il più semplice strumento decisionale medico che non include la razza può riflettere pregiudizi sociali. L'indice di massa corporea (BMI), ad esempio, si basa su un calcolo che moltiplica il peso per l'altezza. Viene utilizzato per identificare i pazienti sottopeso, sovrappeso e obesi.

Nel 1985, il National Institutes of Health ha legato la definizione di obesità al BMI di un individuo e nel 1998 un gruppo di esperti ha messo in atto delle linee guida basato sul BMI che ha spostato 29 milioni di americani che erano stati precedentemente classificati come normopeso o semplicemente sovrappeso in sovrappeso e obesi categorie. Per gli standard BMI, la maggior parte dei neri, degli ispanici e dei bianchi è ora in sovrappeso o obesa. Le percentuali 2018 per l'obesità sono approssimativamente uguali per uomini neri, ispanici e bianchi (che vanno dal 31,2% al 34,2%). Ma le percentuali di donne che sono etichettate come obese dal BMI sono: 

• 44.2%-Nero
• 35.4%-Ispanico
• 28.7%-Bianca

Un'atmosfera di vergogna e sfiducia

Contrassegnare percentuali così elevate di popolazioni come sovrappeso o obese ha creato un'atmosfera di disprezzo del peso e di sfiducia tra pazienti e medici. Le persone di peso elevato si lamentano del fatto che i medici non affrontano i problemi di salute o le preoccupazioni che li hanno portati a sottoporsi a un controllo. Invece, i medici incolpano il peso del paziente per i suoi problemi di salute e spingono la perdita di peso come soluzione. Ciò contribuisce a far sì che i pazienti neri e ispanici evitino gli operatori sanitari e quindi forse perdano opportunità per prevenire problemi o prenderli in anticipo.

Inoltre, sta diventando sempre più chiaro che essere in sovrappeso o obesi non è sempre un problema di salute. I tassi per alcune condizioni gravi, come il ricovero per COVID-19, ipertensione, malattie cardiache, ictus, diabete di tipo 2 e altre malattie, sono più alti tra coloro che sono obesi.^  Ma per altre condizioni, come il recupero da lesioni gravi, cancro e chirurgia cardiaca, le persone di peso elevato hanno tassi di sopravvivenza migliori.  

Nuove linee guida canadesi migliorate

In effetti, le nuove linee guida sull'obesità per i medici canadesi, pubblicate nell'agosto 2020, sottolineano che i medici dovrebbero smettere di fare affidamento solo sul BMI nella diagnosi dei pazienti. Le persone dovrebbero essere diagnosticate come obese solo se il loro peso corporeo influisce sulla loro salute fisica o sul benessere mentale, secondo le nuove linee guida. Il trattamento deve essere olistico e non mirare esclusivamente alla perdita di peso. Le linee guida rilevano inoltre che: "Le persone che vivono con l'obesità devono affrontare notevoli pregiudizi e stigmatizzazione, che contribuiscono ad aumentare la morbilità e la mortalità indipendentemente dal peso o dall'indice di massa corporea".

Ridurre i pregiudizi negli strumenti decisionali

Gli algoritmi medici non sono l'unico tipo di algoritmo che può essere distorto. Nel 2018, ad esempio, Amazon ha smesso di utilizzare uno strumento di reclutamento che mostrava pregiudizi nei confronti delle donne. Lo strumento, che ha analizzato 10 anni di dati sulle assunzioni durante un periodo in cui Amazon aveva assunto prevalentemente uomini, aveva usato quella storia per insegnarsi a preferire candidati di sesso maschile.

In ambito sanitario, l'apprendimento automatico si basa spesso su cartelle cliniche elettroniche. I pazienti poveri e di minoranza possono ricevere cure fratturate ed essere visitati in più istituzioni. È più probabile che si vedano nelle cliniche didattiche in cui l'inserimento dei dati o il ragionamento clinico possono essere meno accurati. E i pazienti potrebbero non essere in grado di accedere ai portali dei pazienti online e documentare i risultati. Di conseguenza, i record di questi pazienti potrebbero contenere dati mancanti o errati. Gli algoritmi che guidano l'apprendimento automatico possono quindi finire per escludere i pazienti poveri e di minoranza dai set di dati e dalle cure necessarie.

La buona notizia è che la consapevolezza dei pregiudizi negli algoritmi sanitari è cresciuta negli ultimi anni. L'input dei dati e i risultati vengono verificati per pregiudizi razziali, etnici, di reddito, di genere e di età. Quando vengono riconosciute le disparità, gli algoritmi e i set di dati possono essere rivisti verso una migliore obiettività.