Racial Bias in Medical Care Decision-Making Tools

Raseskjevhet i medisinsk behandling kan dukke opp noen uventede steder. For eksempel: Vurder de kliniske beslutningsverktøyene som spiller en viktig rolle i hvordan dagens pasienter blir testet, diagnostisert og behandlet.

Disse verktøyene inneholder algoritmer eller trinnvise prosedyrer, vanligvis datastyrt, for å beregne faktorer som risiko for hjertesykdom, behovet for røntgen av brystet og dosering av reseptbelagte medisiner. Kunstig intelligens kan brukes til å skure helsejournaler og faktureringssystemer for å lage de nødvendige datasettene.

På overflaten høres alle disse faktorene veldig objektive ut. Men nyere studier har vist at dataanalysen som brukes i disse algoritmene på en avgjørende måte kan være partisk mot visse rasemessige og sosioøkonomiske grupper. Dette kan ha utallige konsekvenser når det gjelder mengden og kvaliteten på helsevesenet som mennesker i disse gruppene får.

Racial Bias påvirker de sykeste pasientene

I 2019 ble det vist at en studie av en algoritme som ble mye brukt av amerikanske sykehus og forsikringsselskaper for å tildele ekstra helseforvaltningshjelp systematisk diskriminerer svarte mennesker.Beslutningsverktøyet var mindre sannsynlig å henvise svarte mennesker enn hvite til omsorgsledelsesprogrammer for komplekse medisinske behov når begge rasegruppene var like syke.

Den underliggende årsaken til skjevheten var knyttet til algoritmens tildeling av risikopoeng til pasienter basert på medisinske kostnader fra forrige år. Antagelsen var at identifisering av pasienter med høyere kostnader ville identifisere de med de høyeste medisinske behovene.^ Imidlertid har mange svarte pasienter mindre tilgang til, mindre betalingsevne og mindre tillit til medisinsk behandling enn hvite mennesker som er like syke. I dette tilfellet forutslo ikke de lavere medisinske kostnadene deres helsetilstand nøyaktig.

Omsorgsledelsesprogrammer bruker en touch-tilnærming, for eksempel telefonsamtaler, hjemmebesøk av sykepleiere og prioritering av legeavtaler for å dekke de komplekse behovene til de sykeste pasientene. Det har vist seg at programmene forbedrer utfallet, reduserer akuttmottak og sykehusinnleggelser og reduserer medisinske kostnader. Fordi programmene i seg selv er dyre, blir de tildelt personer med høyest risiko. Scoringsteknikker som diskriminerer de sykeste svarte pasientene for denne omsorgen kan være en betydelig faktor i deres økte risiko for død av mange sykdommer.

Løp som variabel i nyresykdom

Algoritmer kan inneholde skjevhet uten å inkludere rase som en variabel, men noen verktøy bruker bevisst rase som et kriterium. Ta eGFR -poengsummen, som vurderer nyrehelsen og brukes til å bestemme hvem som trenger en nyretransplantasjon. I en studie fra 1999 som satte kriteriene for eGFR -poengsum, la forskere merke til at svarte mennesker i gjennomsnitt hadde høyere nivåer av kreatinin (et biprodukt av muskelnedbrytning) enn hvite mennesker gjorde. Forskerne antok at de høyere nivåene skyldtes høyere muskelmasse hos svarte. De justerte derfor poengsummen, noe som i hovedsak betydde at svarte mennesker må ha en lavere eGFR-score enn hvite for å få diagnosen nyresykdom i sluttstadiet. Som en konsekvens har svarte måttet vente til nyresykdommen nådde et mer alvorlig stadium for å kvalifisere for behandling.

Nylig studerte en medisinstudent og folkehelse ved University of Washington School of Medicine i Seattle observerte at eGFR -score ikke var nøyaktige for å diagnostisere alvorlighetsgraden av nyresykdom hos svart pasienter. Hun kjempet for å få rase fjernet fra algoritmen, og vant. UW Medicine var enig i at bruk av rase var en ineffektiv variabel og ikke oppfyller vitenskapelig stringens i medisinske diagnostiske verktøy.

Kroppsmasseindeks og skjevhet

Selv det enkleste medisinske beslutningsverktøyet som ikke inkluderer rase, kan gjenspeile sosial skjevhet. Body mass index (BMI), for eksempel, er basert på en beregning som multipliserer vekt med høyde. Den brukes til å identifisere pasienter som er undervektige, overvektige og overvektige.

I 1985 knyttet National Institutes of Health definisjonen av fedme til en persons BMI, og i 1998 satte et ekspertpanel på retningslinjer basert på BMI som flyttet 29 millioner amerikanere som tidligere hadde blitt klassifisert som normalvektige eller bare overvektige til overvektige og fete kategorier.Etter BMI -standarder er de fleste svarte, latinamerikanere og hvite mennesker nå overvektige eller overvektige. 2018 -prosentene for fedme er omtrent like store for svarte, spanske og hvite menn (fra 31,2% til 34,2%). Men prosentandelen kvinner som er merket overvektige av BMI er: 

• 44.2%-Svart
• 35.4%- spansk
• 28.7%-Hvit

En atmosfære av vektskam og mistillit

Å merke så store prosentandeler av befolkningen som overvektige eller overvektige har skapt en atmosfære av vektskam og mistillit mellom pasienter og leger. Personer med høyere vekt klager over at leger ikke tar opp helseproblemene eller bekymringene som førte dem til sjekk. I stedet klandrer legene pasientens vekt for helseproblemene sine og presser vekttap som løsningen. Dette bidrar til at svarte og spanske pasienter unngår helsepersonell og dermed kanskje mangler muligheter for å forhindre problemer eller fange dem tidlig.

Videre blir det stadig tydeligere at overvekt eller fedme ikke alltid er et helseproblem. Priser for noen alvorlige tilstander, for eksempel sykehusinnleggelse for COVID-19, høyt blodtrykk, hjertesykdom, slag, diabetes type 2 og andre sykdommer, er høyere blant de som er overvektige.^  Men for andre forhold - for eksempel gjenoppretting etter alvorlig skade, kreft og hjertekirurgi - har personer med høyere vekt bedre overlevelse.  

Nye, forbedrede kanadiske retningslinjer

Faktisk understreker nye retningslinjer for fedme for kanadiske klinikere, publisert i august 2020, at leger bør slutte å stole på BMI alene for å diagnostisere pasienter. Folk bør bare få diagnosen fedme hvis kroppsvekten påvirker deres fysiske helse eller mentale velvære, i henhold til de nye retningslinjene. Behandlingen bør være helhetlig og ikke bare være målrettet mot vekttap. Retningslinjene bemerker også at: "Personer som lever med fedme møter betydelig skjevhet og stigma, noe som bidrar til økt sykelighet og dødelighet uavhengig av vekt eller kroppsmasseindeks."

Redusere skjevhet i beslutningsverktøy

Medisinske algoritmer er ikke den eneste typen algoritme som kan være partisk. I 2018 sluttet Amazon for eksempel å bruke et rekrutteringsverktøy som viste skjevhet mot kvinner. Verktøyet, som analyserte ti års ansettelsesdata i en periode da Amazon hovedsakelig hadde ansatt menn, hadde brukt den historien til å lære seg selv å foretrekke mannlige kandidater.

I helsevesenet er maskinlæring ofte avhengig av elektroniske helseregistre. Fattige og minoritetspasienter kan få brukket behandling og bli sett på flere institusjoner. De er mer sannsynlig å bli sett i undervisningsklinikker der datainngang eller klinisk resonnement kan være mindre nøyaktig. Og det er ikke sikkert at pasienter får tilgang til online pasientportaler og dokumenterer resultater. Som et resultat kan journalene til disse pasientene ha manglende eller feilaktige data. Algoritmene som driver maskinlæring kan dermed ende opp med å ekskludere fattige og minoritetspasienter fra datasettene og nødvendig omsorg.

Den gode nyheten er at bevisstheten om skjevheter i helsealgoritmer har vokst de siste årene. Datainngang og utfall blir sjekket for ras, etnisk, inntekt, kjønn og aldersforstyrrelse. Når forskjeller blir gjenkjent, kan algoritmene og datasettene revideres mot bedre objektivitet.