Rasu aizspriedumi medicīniskās aprūpes lēmumu pieņemšanas instrumentos

Rasu aizspriedumi medicīniskajā aprūpē var parādīties dažās neparedzētās vietās. Piemēram: apsveriet klīniskos lēmumu pieņemšanas rīkus, kuriem ir svarīga loma mūsdienu pacientu pārbaudē, diagnosticēšanā un ārstēšanā.

Šie rīki satur algoritmus vai pakāpeniskas procedūras, parasti datorizētas, lai aprēķinātu tādus faktorus kā sirds slimību risks, krūšu kurvja rentgena nepieciešamība un recepšu zāļu devas. Mākslīgo intelektu var izmantot veselības datu un norēķinu sistēmu tīrīšanai, lai izveidotu nepieciešamās datu kopas.

Uz virsmas šie faktori izklausās ļoti objektīvi. Taču jaunākie pētījumi ir parādījuši, ka šajos algoritmos izmantotā datu analīze var būt būtiski neobjektīva pret noteiktām rasu un sociālekonomiskām grupām. Tam var būt neskaitāmas sekas attiecībā uz veselības aprūpes apjomu un kvalitāti, ko saņem šo grupu cilvēki.

Rasu aizspriedumi ietekmē slimākos pacientus

Gadā tika parādīts pētījums par algoritmu, ko plaši izmanto ASV slimnīcas un apdrošinātāji, lai piešķirtu papildu palīdzību veselības pārvaldībai, lai sistemātiski diskriminētu melnādainos cilvēkus.Ja abas rasu grupas bija vienlīdz slimas, lēmuma rīks retāk novirzīja melnādainos cilvēkus nekā baltās uz aprūpes vadības programmām sarežģītu medicīnisku vajadzību dēļ.

Neobjektivitātes iemesls bija saistīts ar algoritma riska rādītāju piešķiršanu pacientiem, pamatojoties uz viņu iepriekšējā gada medicīniskajām izmaksām. Pieņēmums bija tāds, ka, nosakot pacientus ar augstākām izmaksām, tiktu identificēti tie, kuriem ir visaugstākās medicīniskās vajadzības.^ Tomēr daudziem melnādainajiem pacientiem ir mazāka piekļuve medicīniskajai aprūpei, viņiem ir mazāk iespēju maksāt un viņi neuzticas nekā baltajiem cilvēkiem, kuri ir vienlīdz slimi. Šajā gadījumā viņu zemākās medicīniskās izmaksas precīzi neparedzēja viņu veselības stāvokli.

Aprūpes vadības programmās tiek izmantota augsta pieskāriena pieeja, piemēram, tālruņa zvani, medmāsu mājas vizītes un prioritāra ārsta iecelšana, lai apmierinātu slimāko pacientu sarežģītās vajadzības. Ir pierādīts, ka programmas uzlabo rezultātus, samazina neatliekamās palīdzības numuru apmeklējumus un hospitalizāciju un samazina medicīniskās izmaksas. Tā kā pašas programmas ir dārgas, tās tiek piešķirtas cilvēkiem ar augstākajiem riska rādītājiem. Vērtēšanas metodes, kas diskriminē slimākos melnādainos pacientus par šo aprūpi, var būt nozīmīgs faktors, kas palielina viņu nāves risku no daudzām slimībām.

Rase kā mainīgs rādītājs nieru slimībās

Algoritmi var saturēt neobjektivitāti, neiekļaujot rasi kā mainīgo, taču daži rīki apzināti izmanto rasi kā kritēriju. Ņemiet eGFR rezultātu, kas novērtē nieru veselību un tiek izmantots, lai noteiktu, kam nepieciešama nieru transplantācija. 1999. gada pētījumā, kurā tika noteikti eGFR vērtēšanas kritēriji, pētnieki pamanīja, ka melnādainiem cilvēkiem ir vidēji augstāks kreatinīna līmenis (muskuļu sabrukšanas blakusprodukts) nekā baltajiem. Zinātnieki uzskatīja, ka augstāks līmenis bija saistīts ar lielāku muskuļu masu melnajiem. Tāpēc viņi koriģēja punktu skaitu, kas būtībā nozīmēja, ka melnādainiem cilvēkiem jābūt zemākam eGFR rādītājam nekā baltajiem, lai viņiem tiktu diagnosticēta beigu stadijas nieru slimība. Līdz ar to melnādainajiem bija jāgaida, līdz nieru slimība sasniegs smagāku stadiju, lai kvalificētos ārstēšanai.

Nesen Vašingtonas Universitātes Medicīnas skolas medicīnas un sabiedrības veselības students Sietla novēroja, ka eGFR rādītāji nebija precīzi, lai diagnosticētu nieru slimības smagumu melnā krāsā pacientiem. Viņa cīnījās, lai rase tiktu izslēgta no algoritma, un uzvarēja. UW Medicine piekrita, ka rases izmantošana bija neefektīvs mainīgais un neatbilda zinātniskajai stingrībai medicīnas diagnostikas instrumentos.

Ķermeņa masas indekss un neobjektivitāte

Pat vienkāršākais medicīnisko lēmumu pieņemšanas rīks, kas neietver rasi, var atspoguļot sociālo aizspriedumu. Ķermeņa masas indekss (ĶMI), piemēram, ir balstīts uz aprēķinu, kas reizina svaru ar augumu. To lieto, lai identificētu pacientus ar zemu svaru, lieko svaru un aptaukošanos.

1985. gadā Nacionālie veselības institūti aptaukošanās definīciju saistīja ar indivīda ĶMI, un 1998. gadā ekspertu grupa izveidoja vadlīnijas pamatojoties uz ĶMI, kas pārcēla 29 miljonus amerikāņu, kuri iepriekš tika klasificēti kā normāls svars vai vienkārši liekais svars, uz lieko svaru un aptaukošanos kategorijām.Saskaņā ar ĶMI standartiem lielākajai daļai melno, spāņu un balto cilvēku tagad ir liekais svars vai aptaukošanās. Aptaukošanās procenti 2018 ir aptuveni vienādi melnādainajiem, spāņu un baltajiem vīriešiem (svārstās no 31,2% līdz 34,2%). Bet to sieviešu procentuālā daļa, kuras ĶMI ir apzīmētas ar aptaukošanos, ir šāda: 

• 44.2%- Melns
• 35.4%- spāņu valoda
• 28.7%- Balts

Svara kauna un neuzticības atmosfēra

Iezīmējot tik lielu populācijas procentuālo daļu kā lieko svaru vai aptaukošanos, ir radīta svara kaunināšanas un neuzticības atmosfēra starp pacientiem un ārstiem. Cilvēki ar lielāku svaru sūdzas, ka ārsti neatrisina veselības problēmas vai bažas, kas viņus noveda pie pārbaudes. Tā vietā ārsti vaino pacienta svaru viņu veselības problēmās un kā risinājumu uzskata svara zudumu. Tas veicina to, ka melnādainie un spāņu izcelsmes pacienti izvairās no veselības aprūpes speciālistiem un tādējādi, iespējams, pazaudē iespējas novērst problēmas vai savlaicīgi viņus noķert.

Turklāt kļūst arvien skaidrāks, ka liekais svars vai aptaukošanās ne vienmēr ir veselības problēma. Aptaukošanās gadījumu skaits ir augstāks par dažiem nopietniem apstākļiem, piemēram, hospitalizāciju COVID-19, augsta asinsspiediena, sirds slimību, insulta, 2. tipa diabēta un citu slimību dēļ.^  Bet citiem apstākļiem, piemēram, atveseļošanai pēc nopietniem ievainojumiem, vēža un sirds operācijām, cilvēkiem ar lielāku svaru ir labāki izdzīvošanas rādītāji.  

Jaunas, uzlabotas Kanādas vadlīnijas

Faktiski jaunās aptaukošanās vadlīnijas Kanādas ārstiem, kas publicētas 2020. gada augustā, uzsver, ka ārstiem vajadzētu pārtraukt paļauties tikai uz ĶMI, diagnosticējot pacientus. Saskaņā ar jaunajām vadlīnijām cilvēkiem vajadzētu diagnosticēt aptaukošanos tikai tad, ja viņu ķermeņa svars ietekmē viņu fizisko veselību vai garīgo labklājību. Ārstēšanai jābūt visaptverošai, nevis tikai svara zaudēšanai. Pamatnostādnēs arī norādīts, ka: "Cilvēki, kas dzīvo ar aptaukošanos, saskaras ar būtisku neobjektivitāti un aizspriedumiem, kas veicina saslimstības un mirstības palielināšanos neatkarīgi no svara vai ķermeņa masas indeksa."

Noviržu samazināšana lēmumu rīkos

Medicīnas algoritmi nav vienīgais algoritma veids, kas var būt neobjektīvs. Piemēram, 2018. gadā Amazon pārtrauca izmantot darbā pieņemšanas rīku, kas parādīja aizspriedumus pret sievietēm. Šis rīks, kas analizēja 10 gadu darbā pieņemšanas datus laikā, kad Amazon galvenokārt bija nolīgusi vīriešus, bija izmantojis šo vēsturi, lai iemācītos dot priekšroku vīriešu kandidātiem.

Veselības aprūpē mašīnmācīšanās bieži balstās uz elektroniskiem veselības ierakstiem. Nabadzīgi un minoritāšu pacienti var saņemt lūzumu aprūpi un tikt redzēti vairākās iestādēs. Tie ir biežāk sastopami mācību klīnikās, kur datu ievade vai klīniskā argumentācija var būt mazāk precīza. Un pacienti, iespējams, nevarēs piekļūt tiešsaistes pacientu portāliem un dokumentēt rezultātus. Rezultātā šo pacientu ierakstos var būt trūkstoši vai kļūdaini dati. Tādējādi algoritmi, kas veicina mašīnmācīšanos, var izslēgt nabadzīgos un mazākuma pacientus no datu kopām un tiem nepieciešama aprūpe.

Labā ziņa ir tā, ka izpratne par aizspriedumiem veselības aprūpes algoritmos pēdējos gados ir pieaugusi. Datu ievade un rezultāti tiek pārbaudīti attiecībā uz rasu, etnisko piederību, ienākumiem, dzimumu un vecumu. Atzīstot atšķirības, algoritmus un datu kopas var pārskatīt, lai panāktu labāku objektivitāti.