რასობრივი მიკერძოება სამედიცინო დახმარების გადაწყვეტილების მიღების ინსტრუმენტებში

რასობრივი მიკერძოება სამედიცინო მომსახურებაში შეიძლება გამოჩნდეს მოულოდნელ ადგილებში. მაგალითად: განვიხილოთ კლინიკური გადაწყვეტილების ინსტრუმენტები, რომლებიც მნიშვნელოვან როლს ასრულებენ დღევანდელი პაციენტების ტესტირების, დიაგნოზირებისა და მკურნალობის მეთოდებში.

ეს ინსტრუმენტები შეიცავს ალგორითმებს, ან ნაბიჯ-ნაბიჯ პროცედურებს, რომლებიც ჩვეულებრივ კომპიუტერულია, ისეთი ფაქტორების გამოსათვლელად, როგორიცაა გულის დაავადებების რისკი, გულმკერდის რენტგენის საჭიროება და მედიკამენტების დოზირება. ხელოვნური ინტელექტი შეიძლება გამოყენებულ იქნას ჯანმრთელობის ჩანაწერების და საბილინგო სისტემების შესამოწმებლად, საჭირო მონაცემთა ნაკრების შესაქმნელად.

გარეგნულად, ეს ფაქტორები ყველა ძალიან ობიექტურად ჟღერს. მაგრამ ბოლოდროინდელმა კვლევებმა აჩვენა, რომ ამ ალგორითმებში გამოყენებული მონაცემთა ანალიზი შეიძლება გადამწყვეტი იყოს მიკერძოებული გარკვეული რასობრივი და სოციალურ -ეკონომიკური ჯგუფების წინააღმდეგ. ამან შეიძლება უთვალავი შედეგი გამოიწვიოს ჯანდაცვის მოცულობისა და ხარისხის თვალსაზრისით, რასაც ამ ჯგუფების ადამიანები იღებენ.

რასობრივი მიკერძოება გავლენას ახდენს ავადმყოფი პაციენტებზე

2019 წელს აშშ – ს საავადმყოფოებისა და მზღვეველების მიერ ფართოდ გამოყენებული ალგორითმის შესწავლა ჯანდაცვის მენეჯმენტის დამატებითი დახმარების გამოსაყოფად აჩვენეს, რომ შავკანიანთა სისტემატური დისკრიმინაცია მოხდა.გადაწყვეტილების ინსტრუმენტი ნაკლებად სავარაუდოა, რომ შავკანიანებს მიმართოს ვიდრე თეთრკანიანებს კომპლექსური სამედიცინო საჭიროებების მოვლის-მართვის პროგრამებში, როდესაც ორივე რასობრივი ჯგუფი ერთნაირად ავად იყო.

მიკერძოების ძირითადი მიზეზი უკავშირდებოდა ალგორითმის მიერ პაციენტებისთვის რისკის ქულების მინიჭებას წინა წლის სამედიცინო ხარჯების საფუძველზე. ვარაუდი იყო, რომ უფრო მაღალი ხარჯების მქონე პაციენტების იდენტიფიცირება მოახდენდა მათ, ვისაც უმაღლესი სამედიცინო მოთხოვნილებები აქვს.^ თუმცა, ბევრ შავკანიან პაციენტს აქვს ნაკლები წვდომა, გადახდის უნარი და ნაკლები ნდობა სამედიცინო მომსახურების მიმართ, ვიდრე თეთრკანიანები, რომლებიც თანაბრად ავად არიან. ამ შემთხვევაში, მათი დაბალი სამედიცინო ხარჯები ზუსტად არ პროგნოზირებდა მათ ჯანმრთელობის მდგომარეობას.

ზრუნვის მენეჯმენტის პროგრამები იყენებს მაღალი შეხების მიდგომას, როგორიცაა სატელეფონო ზარები, ექთნების მიერ სახლში ვიზიტები და ექიმების დანიშვნის პრიორიტეტი ყველაზე ავადმყოფი პაციენტების კომპლექსური საჭიროებების დასაკმაყოფილებლად. ნაჩვენებია, რომ პროგრამები აუმჯობესებს შედეგებს, ამცირებს სასწრაფო დახმარების ოთახებში ვიზიტებს და ჰოსპიტალიზაციას და ამცირებს სამედიცინო ხარჯებს. იმის გამო, რომ პროგრამები თავისთავად ძვირია, ისინი ენიჭებათ ადამიანებს ყველაზე მაღალი რისკის ქულებით. შეფასების ტექნიკა, რომელიც დისკრიმინაციას უწევს ყველაზე ავადმყოფი შავკანიან პაციენტებს ამ ზრუნვისთვის, შეიძლება მნიშვნელოვანი ფაქტორი იყოს მრავალი დაავადებისგან სიკვდილის რისკის გაზრდაში.

რბოლა, როგორც ცვლადი თირკმლის დაავადებებში

ალგორითმები შეიძლება შეიცავდეს მიკერძოებას რასის ცვლადის ჩათვლით, მაგრამ ზოგიერთი ინსტრუმენტი მიზანმიმართულად იყენებს რასის კრიტერიუმს. მიიღეთ eGFR ქულა, რომელიც აფასებს თირკმლის ჯანმრთელობას და გამოიყენება იმის დასადგენად, თუ ვის სჭირდება თირკმლის გადანერგვა. 1999 წლის კვლევაში, რომელმაც დაადგინა eGFR ქულის კრიტერიუმები, მკვლევარებმა შენიშნეს, რომ შავკანიან ადამიანებს, საშუალოდ, კრეატინინის უფრო მაღალი დონე ჰქონდათ (კუნთების დაშლის გვერდითი პროდუქტი), ვიდრე თეთრკანიანებს. მეცნიერები ვარაუდობდნენ, რომ უფრო მაღალი დონე განპირობებული იყო შავკანიანებში კუნთების მასით. ამიტომ მათ შეცვალეს ქულა, რაც არსებითად ნიშნავდა იმას, რომ შავკანიან ადამიანებს უნდა ჰქონდეთ უფრო დაბალი eGFR ქულა ვიდრე თეთრკანიანებს თირკმლის დაავადების საბოლოო სტადიის დიაგნოზის დასასმელად. შედეგად, შავკანიანებს მოუწიათ ლოდინი, სანამ მათი თირკმლის დაავადება უფრო მძიმე სტადიას მიაღწევდა, რათა კვალიფიკაცია მიეღოთ სამკურნალოდ.

ცოტა ხნის წინ, ვაშინგტონის უნივერსიტეტის მედიცინის სკოლის მედიცინისა და საზოგადოებრივი ჯანმრთელობის სტუდენტი სიეტლმა დაადგინა, რომ eGFR ქულები არ იყო ზუსტი შავებში თირკმლის დაავადების სიმძიმის დასადგენად პაციენტები. იგი იბრძოდა იმისთვის, რომ რასა ამოეღო ალგორითმიდან და გაიმარჯვა. UW მედიცინა შეთანხმდა, რომ რასის გამოყენება იყო არაეფექტური ცვლადი და არ აკმაყოფილებდა სამეცნიერო სიმკაცრეს სამედიცინო დიაგნოსტიკის ინსტრუმენტებში.

სხეულის მასის ინდექსი და მიკერძოება

თუნდაც უმარტივესი სამედიცინო გადაწყვეტილების ინსტრუმენტი, რომელიც არ მოიცავს რასას, შეიძლება ასახავდეს სოციალურ მიკერძოებულობას. მაგალითად, სხეულის მასის ინდექსი (BMI) ემყარება გაანგარიშებას, რომელიც ამრავლებს წონას სიმაღლეზე. იგი გამოიყენება დაბალი წონის, ჭარბი წონის და სიმსუქნის მქონე პაციენტების დასადგენად.

1985 წელს, ჯანმრთელობის ეროვნულმა ინსტიტუტმა სიმსუქნის განმარტება დაუკავშირა ინდივიდის BMI- ს, ხოლო 1998 წელს ექსპერტთა ჯგუფმა შექმნა მითითებები BMI– ის საფუძველზე, რომელმაც გადაინაცვლა 29 მილიონი ამერიკელი, რომლებიც ადრე კლასიფიცირებული იყო როგორც ნორმალური წონა ან უბრალოდ ჭარბი წონა ჭარბწონიან და მსუქან ადამიანებში კატეგორიები.BMI სტანდარტებით, შავკანიანების, ესპანელების და თეთრკანიანების უმეტესობა ახლა ჭარბი წონაა ან სიმსუქნე. სიმსუქნის 2018 პროცენტი უხეშად არის შავკანიანი, ესპანელი და თეთრი მამაკაცებისთვის (31.2% -დან 34.2% -მდე). მაგრამ იმ ქალების პროცენტული მაჩვენებლები, რომლებსაც სიმსუქნე ეწოდათ BMI– ით არის: 

• 44.2%- შავი
• 35.4%- ესპანური
• 28.7%- თეთრი

წონის დამამცირებელი და უნდობლობის ატმოსფერო

მოსახლეობის ისეთი დიდი პროცენტის ბრენდინგმა, როგორიცაა ჭარბი წონა ან სიმსუქნე, შექმნა პაციენტებისთვის და ექიმებისათვის წონის დამამცირებელი და უნდობლობის ატმოსფერო. უფრო მაღალი წონის ადამიანები ჩივიან, რომ ექიმები არ განიხილავენ ჯანმრთელობის პრობლემებს ან პრობლემებს, რამაც ისინი შემოწმების მიზნით მიიყვანეს. ამის ნაცვლად, ექიმები ადანაშაულებენ პაციენტის წონას მათი ჯანმრთელობის პრობლემებში და წონის დაკლებას გადაწყვეტავენ. ეს ხელს უწყობს შავკანიან და ესპანურ პაციენტებს თავი აარიდონ ჯანდაცვის პრაქტიკოსებს და ამით შესაძლოა ხელიდან გაუშვან პრობლემების თავიდან აცილების ან მათი ადრეული დაჭერის შესაძლებლობები.

გარდა ამისა, სულ უფრო ცხადი ხდება, რომ ჭარბი წონა ან სიმსუქნე ყოველთვის არ არის ჯანმრთელობის პრობლემა. ზოგიერთი სერიოზული მდგომარეობის მაჩვენებლები, როგორიცაა ჰოსპიტალიზაცია COVID-19– ით, მაღალი არტერიული წნევა, გულის დაავადება, ინსულტი, ტიპი 2 დიაბეტი და სხვა დაავადებები, უფრო მაღალია მათში, ვინც არის სიმსუქნე.^  მაგრამ სხვა პირობებისთვის - როგორიცაა სერიოზული დაზიანებების, კიბოს და გულის ოპერაციის შემდგომი აღდგენა - უფრო მაღალი წონის ადამიანებს აქვთ გადარჩენის უკეთესი მაჩვენებლები.  

ახალი, გაუმჯობესებული კანადის მითითებები

სინამდვილეში, სიმსუქნის ახალი სახელმძღვანელო მითითებები კანადელი ექიმებისთვის, გამოქვეყნებული 2020 წლის აგვისტოში, ხაზს უსვამს იმას, რომ ექიმებმა უნდა შეწყვიტონ მხოლოდ BMI- ს იმედი პაციენტების დიაგნოზირებაში. ადამიანების სიმსუქნე უნდა დაისვას მხოლოდ იმ შემთხვევაში, თუ მათი სხეულის წონა გავლენას მოახდენს მათ ფიზიკურ ჯანმრთელობაზე ან ფსიქიკურ კეთილდღეობაზე, ახალი მითითებების თანახმად. მკურნალობა უნდა იყოს ყოვლისმომცველი და არა მხოლოდ წონის დაკლება. გაიდლაინები ასევე აღნიშნავს, რომ: ”სიმსუქნით მცხოვრები ადამიანები განიცდიან მნიშვნელოვან მიკერძოებას და სტიგმას, რაც ხელს უწყობს ავადობისა და სიკვდილიანობის ზრდას წონისა და სხეულის მასის ინდექსისგან დამოუკიდებლად.”

გადაწყვეტილების მიღებისას მიკერძოებულობის შემცირება

სამედიცინო ალგორითმები არ არის ერთადერთი ალგორითმი, რომელიც შეიძლება იყოს მიკერძოებული. მაგალითად, 2018 წელს ამაზონმა შეწყვიტა დასაქმების ინსტრუმენტის გამოყენება, რომელიც ავლენდა მიკერძოებას ქალების მიმართ. ინსტრუმენტმა, რომელიც აანალიზებდა მონაცემების დაქირავების 10 წლიან პერიოდს იმ პერიოდში, როდესაც ამაზონმა უმთავრესად დაიქირავა მამაკაცები, გამოიყენა ეს ისტორია იმისთვის, რომ ასწავლა თავი უპირატესობა მიანიჭოს მამაკაც კანდიდატებს.

ჯანდაცვაში მანქანათმცოდნეობა ხშირად ეყრდნობა ჯანმრთელობის ელექტრონულ ჩანაწერებს. ღარიბ და უმცირეს პაციენტებს შეუძლიათ მიიღონ გატეხილი მოვლა და ნახონ მრავალი დაწესებულება. ისინი უფრო სავარაუდოა, რომ ნახოთ სასწავლო კლინიკებში, სადაც მონაცემების შეყვანა ან კლინიკური მსჯელობა შეიძლება იყოს ნაკლებად ზუსტი. და პაციენტებს შეიძლება არ ჰქონდეთ წვდომა პაციენტის ონლაინ პორტალებზე და დოკუმენტის შედეგებზე. შედეგად, ამ პაციენტების ჩანაწერებს შეიძლება ჰქონდეთ დაკარგული ან მცდარი მონაცემები. ალგორითმები, რომლებიც ხელს უწყობენ მანქანათმცოდნეობას, ამგვარად შეიძლება დამთავრდეს ღარიბი და უმცირესობის მქონე პაციენტების მონაცემთა ნაკრებიდან და საჭირო ზრუნვით.

კარგი ამბავი ის არის, რომ ჯანდაცვის ალგორითმებში მიკერძოებულობის შესახებ ცნობიერება ბოლო წლებში გაიზარდა. მონაცემების შეყვანა და შედეგები მოწმდება რასობრივი, ეთნიკური, შემოსავლის, სქესის და ასაკის მიკერძოებულობის გამო. როდესაც აღიარებულია უთანასწორობა, ალგორითმები და მონაცემთა ნაკრები შეიძლება გადაისინჯოს უკეთესი ობიექტურობისკენ.