Raciale vooroordelen in besluitvormingsinstrumenten voor medische zorg

Raciale vooroordelen in de medische zorg kunnen op onverwachte plaatsen naar voren komen. Denk bijvoorbeeld aan de klinische beslissingsinstrumenten die een belangrijke rol spelen in de manier waarop patiënten van vandaag worden getest, gediagnosticeerd en behandeld.

Deze tools bevatten algoritmen of stapsgewijze procedures, meestal geautomatiseerd, voor het berekenen van factoren zoals het risico op hartaandoeningen, de noodzaak van een thoraxfoto en de dosering van voorgeschreven medicijnen. Kunstmatige intelligentie kan worden gebruikt om medische dossiers en factureringssystemen te doorzoeken om de benodigde datasets te creëren.

Op het eerste gezicht klinken deze factoren allemaal erg objectief. Maar recente studies hebben aangetoond dat de gegevensanalyse die in deze algoritmen wordt gebruikt, op cruciale manieren kan worden bevooroordeeld tegen bepaalde raciale en sociaaleconomische groepen. Dit kan talloze gevolgen hebben voor de hoeveelheid en kwaliteit van de zorg die mensen in deze groepen krijgen.

Raciale vooringenomenheid treft de ziekste patiënten

In 2019 bleek uit een onderzoek naar een algoritme dat veel wordt gebruikt door Amerikaanse ziekenhuizen en verzekeraars om extra hulp bij gezondheidsbeheer toe te kennen, zwarte mensen systematisch worden gediscrimineerd.De beslissingstool verwees minder snel zwarte mensen dan blanke mensen naar zorgbeheerprogramma's voor complexe medische behoeften wanneer beide raciale groepen even ziek waren.

De onderliggende reden voor de bias was gekoppeld aan de toewijzing van risicoscores door het algoritme aan patiënten op basis van de medische kosten van het voorgaande jaar. De veronderstelling was dat het identificeren van patiënten met hogere kosten degenen met de hoogste medische behoeften zou identificeren.^ Veel zwarte patiënten hebben echter minder toegang tot, minder vermogen om voor te betalen en minder vertrouwen in medische zorg dan blanke mensen die even ziek zijn. In dit geval voorspelden hun lagere medische kosten hun gezondheidstoestand niet nauwkeurig.

Programma's voor zorgbeheer maken gebruik van een high-touch benadering, zoals telefoontjes, huisbezoeken door verpleegkundigen en het prioriteren van doktersafspraken om aan de complexe behoeften van de ziekste patiënten te voldoen. Het is aangetoond dat de programma's de resultaten verbeteren, het aantal bezoeken aan de spoedeisende hulp en ziekenhuisopnames verminderen en de medische kosten verlagen. Omdat de programma's zelf duur zijn, worden ze toegewezen aan mensen met de hoogste risicoscores. Scoringstechnieken die de ziekste zwarte patiënten voor deze zorg discrimineren, kunnen een belangrijke factor zijn in hun verhoogde risico op overlijden door vele ziekten.

Ras als variabele bij nierziekte

Algoritmen kunnen vooringenomenheid bevatten zonder ras als variabele op te nemen, maar sommige tools gebruiken bewust ras als criterium. Neem de eGFR-score, die de gezondheid van de nieren beoordeelt en wordt gebruikt om te bepalen wie een niertransplantatie nodig heeft. In een onderzoek uit 1999 waarin de eGFR-scorecriteria werden vastgesteld, merkten onderzoekers op dat zwarte mensen gemiddeld hogere niveaus van creatinine (een bijproduct van spierafbraak) hadden dan blanke mensen. De wetenschappers gingen ervan uit dat de hogere niveaus te wijten waren aan een hogere spiermassa bij zwarten. Ze hebben daarom de score aangepast, wat in wezen betekende dat zwarte mensen een lagere eGFR-score moeten hebben dan blanken om de diagnose nierziekte in het eindstadium te krijgen. Als gevolg hiervan hebben zwarten moeten wachten tot hun nierziekte een ernstiger stadium heeft bereikt om in aanmerking te komen voor behandeling.

Onlangs studeerde een student geneeskunde en volksgezondheid aan de University of Washington School of Medicine in Seattle merkte op dat eGFR-scores niet nauwkeurig waren voor het diagnosticeren van de ernst van nierziekte in Black patiënten. Ze vocht om race uit het algoritme te halen en won. UW Medicine was het ermee eens dat het gebruik van ras een ineffectieve variabele was en niet voldeed aan de wetenschappelijke nauwkeurigheid in medische diagnostische hulpmiddelen.

Body Mass Index en bias

Zelfs de eenvoudigste medische beslissingstool die geen ras omvat, kan sociale vooroordelen weerspiegelen. De body mass index (BMI) is bijvoorbeeld gebaseerd op een berekening die gewicht met lengte vermenigvuldigt. Het wordt gebruikt om patiënten met ondergewicht, overgewicht en obesitas te identificeren.

In 1985 koppelden de National Institutes of Health de definitie van obesitas aan de BMI van een individu, en in 1998 stelde een panel van deskundigen richtlijnen op gebaseerd op BMI die 29 miljoen Amerikanen die eerder als normaal gewicht of gewoon overgewicht waren geclassificeerd, verplaatste naar overgewicht en obesitas categorieën. Volgens BMI-normen heeft de meerderheid van de zwarten, latino's en blanken nu overgewicht of obesitas. De percentages voor obesitas in 2018 zijn ongeveer gelijk voor zwarte, Spaanse en blanke mannen (variërend van 31,2% tot 34,2%). Maar de percentages vrouwen die door BMI als zwaarlijvig worden bestempeld, zijn: 

• 44.2%—Zwart
• 35.4%—Spaans
• 28.7%-Wit

Een sfeer van schaamte en wantrouwen

Het brandmerken van zulke grote percentages van de bevolking als overgewicht of obesitas heeft een sfeer van schaamte en wantrouwen gecreëerd tussen patiënten en artsen. Mensen met een hoger gewicht klagen dat artsen de gezondheidsproblemen of zorgen die hen voor controle hebben gebracht niet aanpakken. In plaats daarvan geven artsen het gewicht van de patiënt de schuld van hun gezondheidsproblemen en pushen ze gewichtsverlies als de oplossing. Dit draagt ​​ertoe bij dat zwarte en Latijns-Amerikaanse patiënten zorgverleners vermijden en daardoor misschien kansen missen om problemen te voorkomen of ze vroeg op te vangen.

Bovendien wordt steeds duidelijker dat overgewicht of obesitas niet altijd een gezondheidsprobleem is. De tarieven voor sommige ernstige aandoeningen, zoals ziekenhuisopname voor COVID-19, hoge bloeddruk, hartaandoeningen, beroertes, diabetes type 2 en andere ziekten, zijn hoger bij mensen met obesitas.^  Maar voor andere aandoeningen, zoals herstel van ernstig letsel, kanker en hartoperaties, hebben mensen met een hoger gewicht betere overlevingspercentages.  

Nieuwe, verbeterde Canadese richtlijnen

In feite benadrukken nieuwe obesitasrichtlijnen voor Canadese clinici, gepubliceerd in augustus 2020, dat artsen niet langer alleen op BMI moeten vertrouwen bij het diagnosticeren van patiënten. Volgens de nieuwe richtlijnen zouden mensen alleen als zwaarlijvig moeten worden gediagnosticeerd als hun lichaamsgewicht hun lichamelijke gezondheid of geestelijk welzijn beïnvloedt. De behandeling moet holistisch zijn en niet alleen gericht zijn op gewichtsverlies. De richtlijnen merken ook op dat: "Mensen met obesitas worden geconfronteerd met aanzienlijke vooroordelen en stigmatisering, die bijdragen aan een verhoogde morbiditeit en mortaliteit, onafhankelijk van het gewicht of de body mass index."

Vooroordelen in beslissingstools verminderen

Medische algoritmen zijn niet het enige type algoritme dat bevooroordeeld kan zijn. Zo stopte Amazon in 2018 met het gebruik van een wervingstool die vooroordelen tegen vrouwen vertoonde. De tool, die 10 jaar aan wervingsgegevens analyseerde in een periode waarin Amazon voornamelijk mannen had aangenomen, had die geschiedenis gebruikt om zichzelf te leren de voorkeur te geven aan mannelijke kandidaten.

In de gezondheidszorg is machine learning vaak afhankelijk van elektronische medische dossiers. Arme en minderheidspatiënten kunnen gebroken zorg krijgen en in meerdere instellingen worden gezien. Ze worden vaker gezien in onderwijsklinieken waar gegevensinvoer of klinische redenering mogelijk minder nauwkeurig is. En patiënten hebben mogelijk geen toegang tot online patiëntenportalen en documentresultaten. Als gevolg hiervan kunnen de dossiers van deze patiënten ontbrekende of foutieve gegevens bevatten. De algoritmen die machine learning aansturen, kunnen er uiteindelijk toe leiden dat arme en minderheidspatiënten worden uitgesloten van de datasets en de benodigde zorg.

Het goede nieuws is dat het bewustzijn van vooroordelen in zorgalgoritmen de afgelopen jaren is gegroeid. Gegevensinvoer en resultaten worden gecontroleerd op raciale, etnische, inkomens-, geslachts- en leeftijdsvooroordelen. Wanneer ongelijkheden worden herkend, kunnen de algoritmen en datasets worden herzien in de richting van een betere objectiviteit.