Uprzedzenia rasowe w narzędziach do podejmowania decyzji w opiece medycznej

Uprzedzenia rasowe w opiece medycznej mogą pojawić się w niektórych nieoczekiwanych miejscach. Na przykład: Rozważ narzędzia podejmowania decyzji klinicznych, które odgrywają ważną rolę w sposobie testowania, diagnozowania i leczenia dzisiejszych pacjentów.

Narzędzia te zawierają algorytmy lub procedury krok po kroku, zwykle skomputeryzowane, służące do obliczania czynników, takich jak ryzyko chorób serca, konieczność prześwietlenia klatki piersiowej i dawkowanie leków na receptę. Sztuczną inteligencję można wykorzystać do przeszukiwania dokumentacji medycznej i systemów rozliczeniowych w celu tworzenia potrzebnych zestawów danych.

Na pierwszy rzut oka wszystkie te czynniki brzmią bardzo obiektywnie. Jednak ostatnie badania wykazały, że analiza danych wykorzystywana w tych algorytmach może być w istotny sposób stronnicza w stosunku do pewnych grup rasowych i społeczno-ekonomicznych. Może to mieć niezliczone konsekwencje pod względem ilości i jakości opieki zdrowotnej, jaką otrzymują osoby z tych grup.

Uprzedzenia rasowe dotykają najbardziej chorych pacjentów

W 2019 r. wykazano, że badanie algorytmu szeroko stosowanego przez szpitale i ubezpieczycieli w USA do przydzielania dodatkowej pomocy w zarządzaniu zdrowiem systematycznie dyskryminuje osoby czarnoskóre.Narzędzie decyzyjne rzadziej kierowało czarnych niż białych do programów opieki i zarządzania dla złożonych potrzeb medycznych, gdy obie grupy rasowe były jednakowo chore.

Podstawowa przyczyna błędu była powiązana z przypisaniem przez algorytm ocen ryzyka pacjentom na podstawie ich ubiegłorocznych kosztów leczenia. Założenie było takie, że identyfikacja pacjentów o wyższych kosztach pozwoliłaby zidentyfikować tych z największymi potrzebami medycznymi.^ Jednak wielu czarnoskórych pacjentów ma mniejszy dostęp, mniejszą zdolność do płacenia i mniejsze zaufanie do opieki medycznej niż Biali, którzy są równie chorzy. W tym przypadku ich niższe koszty leczenia nie pozwalały dokładnie przewidzieć ich stanu zdrowia.

Programy zarządzania opieką wykorzystują podejście intensywne, takie jak rozmowy telefoniczne, wizyty domowe pielęgniarek i ustalanie priorytetów wizyt lekarskich w celu zaspokojenia złożonych potrzeb najbardziej chorych pacjentów. Wykazano, że programy poprawiają wyniki, zmniejszają liczbę wizyt w izbach przyjęć i hospitalizacji oraz zmniejszają koszty leczenia. Ponieważ same programy są drogie, są one przydzielane osobom o najwyższych wynikach ryzyka. Techniki punktacji, które dyskryminują najbardziej chorych czarnoskórych pacjentów pod względem opieki, mogą być istotnym czynnikiem zwiększającym ryzyko śmierci z powodu wielu chorób.

Rasa jako zmienna w chorobie nerek

Algorytmy mogą zawierać uprzedzenia bez uwzględniania rasy jako zmiennej, ale niektóre narzędzia celowo wykorzystują rasę jako kryterium. Weź wynik eGFR, który ocenia zdrowie nerek i służy do określenia, kto potrzebuje przeszczepu nerki. W badaniu z 1999 r., które ustaliło kryteria punktacji eGFR, naukowcy zauważyli, że osoby czarnoskóre miały średnio wyższy poziom kreatyniny (produkt uboczny rozpadu mięśni) niż osoby białe. Naukowcy założyli, że wyższy poziom był spowodowany wyższą masą mięśniową u Czarnych. W związku z tym skorygowali punktację, co zasadniczo oznaczało, że osoby czarne muszą mieć niższy wynik eGFR niż biali, aby zdiagnozować schyłkową chorobę nerek. W konsekwencji czarni musieli czekać, aż ich choroba nerek osiągnie cięższy etap, aby zakwalifikować się do leczenia.

Ostatnio studentka medycyny i zdrowia publicznego na University of Washington School of Medicine w Seattle zaobserwowało, że wyniki eGFR nie były dokładne w diagnozowaniu ciężkości choroby nerek u rasy czarnej pacjentów. Walczyła o usunięcie rasy z algorytmu i wygrała. UW Medicine zgodziła się, że użycie rasy było nieefektywną zmienną i nie spełniało rygorów naukowych w medycznych narzędziach diagnostycznych.

Wskaźnik masy ciała i odchylenie

Nawet najprostsze narzędzie podejmowania decyzji medycznych, które nie obejmuje rasy, może odzwierciedlać uprzedzenia społeczne. Na przykład wskaźnik masy ciała (BMI) opiera się na obliczeniach, które mnożą wagę przez wzrost. Służy do identyfikacji pacjentów z niedowagą, nadwagą i otyłością.

W 1985 roku National Institutes of Health powiązał definicję otyłości z indywidualnym BMI, a w 1998 roku panel ekspertów wprowadził wytyczne na podstawie BMI, które przeniosło 29 milionów Amerykanów, którzy wcześniej byli sklasyfikowani jako osoby z normalną wagą lub tylko z nadwagą, do osób z nadwagą i otyłością kategorie. Według standardów BMI większość Czarnych, Latynosów i Białych ma teraz nadwagę lub otyłość. Odsetki otyłości w 2018 r. są mniej więcej równe dla czarnych, latynoskich i białych mężczyzn (od 31,2% do 34,2%). Ale odsetek kobiet, które są oznaczone jako otyłe według BMI, to: 

• 44.2%-Czarny
• 35.4%—hiszpański
• 28.7%-Biały

Atmosfera wstydu i nieufności

Znakowanie tak dużego odsetka populacji jako osób z nadwagą lub otyłością stworzyło atmosferę zawstydzenia wagi i nieufności między pacjentami a lekarzami. Osoby o większej wadze skarżą się, że lekarze nie zajmują się problemami zdrowotnymi lub problemami, które sprowadziły ich na kontrolę. Zamiast tego lekarze obwiniają wagę pacjenta za problemy zdrowotne i proszą o utratę wagi jako rozwiązanie. To przyczynia się do tego, że pacjenci czarnoskórzy i latynoscy unikają lekarzy, a tym samym mogą tracić możliwości zapobiegania problemom lub wczesnego ich wyłapywania.

Co więcej, staje się coraz bardziej jasne, że nadwaga lub otyłość nie zawsze stanowią problem zdrowotny. Wskaźniki niektórych poważnych schorzeń, takich jak hospitalizacja z powodu COVID-19, wysokie ciśnienie krwi, choroby serca, udar, cukrzyca typu 2 i inne choroby, są wyższe wśród osób otyłych.^  Ale w przypadku innych stanów – takich jak powrót do zdrowia po poważnym urazie, nowotworze i operacji serca – osoby o większej wadze mają lepsze wskaźniki przeżycia.  

Nowe, ulepszone wytyczne kanadyjskie

W rzeczywistości nowe wytyczne dotyczące otyłości dla kanadyjskich klinicystów, opublikowane w sierpniu 2020 r., podkreślają, że lekarze powinni przestać polegać na samym BMI w diagnozowaniu pacjentów. Zgodnie z nowymi wytycznymi, osoby powinny być diagnozowane jako otyłe tylko wtedy, gdy ich masa ciała wpływa na ich zdrowie fizyczne lub samopoczucie psychiczne. Leczenie powinno być holistyczne, a nie wyłącznie ukierunkowane na odchudzanie. W wytycznych zauważono również, że: „Ludzie żyjący z otyłością spotykają się ze znacznymi uprzedzeniami i piętnem, które przyczyniają się do zwiększonej zachorowalności i śmiertelności niezależnie od masy ciała lub wskaźnika masy ciała”.

Redukcja stronniczości w narzędziach decyzyjnych

Algorytmy medyczne nie są jedynym rodzajem algorytmu, który może być stronniczy. Na przykład w 2018 r. Amazon przestał używać narzędzia rekrutacyjnego, które wykazywało uprzedzenia wobec kobiet. Narzędzie, które analizowało dane z 10 lat zatrudniania w okresie, gdy Amazon zatrudniał głównie mężczyzn, wykorzystało tę historię, aby nauczyć się preferować kandydatów płci męskiej.

W opiece zdrowotnej uczenie maszynowe często opiera się na elektronicznej dokumentacji medycznej. Pacjenci ubodzy i należący do mniejszości mogą otrzymywać złamaną opiekę i być przyjmowani w wielu instytucjach. Częściej można je zobaczyć w klinikach dydaktycznych, w których wprowadzanie danych lub rozumowanie kliniczne może być mniej dokładne. A pacjenci mogą nie mieć dostępu do internetowych portali pacjentów i dokumentowania wyników. W rezultacie w aktach tych pacjentów mogą znajdować się brakujące lub błędne dane. Algorytmy, które napędzają uczenie maszynowe, mogą zatem doprowadzić do wykluczenia pacjentów ubogich i należących do mniejszości z zestawów danych i potrzebnej opieki.

Dobrą wiadomością jest to, że świadomość błędów w algorytmach opieki zdrowotnej wzrosła w ciągu ostatnich kilku lat. Wprowadzane dane i wyniki są sprawdzane pod kątem uprzedzeń rasowych, etnicznych, dochodowych, płciowych i wiekowych. Po rozpoznaniu rozbieżności algorytmy i zestawy danych można zrewidować w kierunku większej obiektywności.