Расовые предубеждения в инструментах принятия решений в области оказания медицинской помощи

Расовая предвзятость в медицинском обслуживании может проявляться в самых неожиданных местах. Например: рассмотрите инструменты принятия клинических решений, которые играют важную роль в том, как современные пациенты проходят тестирование, диагностируются и лечатся.

Эти инструменты содержат алгоритмы или пошаговые процедуры, обычно компьютеризированные, для расчета таких факторов, как риск сердечных заболеваний, необходимость рентгена грудной клетки и дозировка рецептурных лекарств. Искусственный интеллект можно использовать для просмотра медицинских записей и систем выставления счетов для создания необходимых наборов данных.

На первый взгляд все эти факторы кажутся очень объективными. Но недавние исследования показали, что анализ данных, используемый в этих алгоритмах, может иметь решающее значение для определенных расовых и социально-экономических групп. Это может иметь множество последствий с точки зрения объема и качества медицинской помощи, которую получают люди из этих групп.

Расовые предубеждения затрагивают самых больных

В 2019 году исследование алгоритма, широко используемого больницами и страховщиками США для выделения дополнительной помощи по управлению здравоохранением, показало, что он систематически дискриминирует чернокожих.Инструмент принятия решений реже направлял чернокожих людей, чем белых, к программам управления уходом для сложных медицинских нужд, когда обе расовые группы были одинаково больны.

Основная причина смещения была связана с присвоением алгоритмом оценок риска пациентам на основе их медицинских расходов за предыдущий год. Предполагалось, что выявление пациентов с более высокими затратами позволит выявить тех, у кого самые высокие медицинские потребности.^ Однако у многих чернокожих пациентов меньше доступа, меньше возможностей платить и меньше доверия к медицинской помощи, чем у белых, которые одинаково больны. В этом случае их более низкие медицинские расходы не могли точно предсказать состояние их здоровья.

В программах управления медицинским обслуживанием используется интерактивный подход, такой как телефонные звонки, посещения медсестер на дому и приоритезация визитов к врачу для удовлетворения сложных потребностей самых тяжелых пациентов. Было показано, что программы улучшают результаты, сокращают количество обращений в отделения неотложной помощи и госпитализаций, а также снижают медицинские расходы. Поскольку сами программы дороги, они назначаются людям с наивысшими оценками риска. Методы подсчета баллов, которые дискриминируют самых больных чернокожих пациентов в отношении этой помощи, могут быть значительным фактором их повышенного риска смерти от многих болезней.

Раса как переменная при заболевании почек

Алгоритмы могут содержать предвзятость без включения расы в качестве переменной, но некоторые инструменты намеренно используют расу в качестве критерия. Возьмите показатель eGFR, который оценивает состояние почек и используется для определения того, кому нужна трансплантация почки. В исследовании 1999 года, в котором устанавливались критерии оценки рСКФ, исследователи заметили, что у чернокожих в среднем уровень креатинина (побочный продукт разрушения мышц) выше, чем у белых. Ученые предположили, что более высокие уровни были связаны с более высокой мышечной массой у чернокожих. Поэтому они скорректировали оценку, что, по сути, означало, что у чернокожих людей должна быть более низкая оценка рСКФ, чем у белых, чтобы у них была диагностирована терминальная стадия болезни почек. Как следствие, чернокожим пришлось ждать, пока их заболевание почек не достигнет более тяжелой стадии, чтобы получить право на лечение.

Недавно студентка факультета медицины и общественного здравоохранения Медицинского факультета Вашингтонского университета в г. Сиэтл заметил, что показатели рСКФ неточны для диагностики тяжести заболевания почек по Блэку. пациенты. Она боролась за исключение расы из алгоритма и выиграла. UW Medicine согласился с тем, что использование расы было неэффективной переменной и не соответствовало научной строгости в медицинских диагностических инструментах.

Индекс массы тела и смещение

Даже самый простой медицинский инструмент принятия решений, не учитывающий расу, может отражать социальную предвзятость. Например, индекс массы тела (ИМТ) основан на вычислении, в котором вес умножается на рост. Он используется для выявления пациентов с недостаточным, избыточным весом и ожирением.

В 1985 году Национальный институт здоровья привязал определение ожирения к ИМТ человека, а в 1998 году группа экспертов разработала руководящие принципы. на основе ИМТ, который переместил 29 миллионов американцев, которые ранее считались нормальным или просто избыточным весом, в группу с избыточным весом и ожирением. категории.По стандартам ИМТ большинство чернокожих, латиноамериканцев и белых людей сейчас имеют избыточный вес или страдают ожирением. Процент ожирения в 2018 году примерно одинаков для чернокожих, латиноамериканцев и белых мужчин (от 31,2% до 34,2%). Но процент женщин, которым соответствует ИМТ, составляет: 

• 44.2%-Чернить
• 35.4%- испаноязычный
• 28.7%-Белый

Атмосфера позора и недоверия

Брендирование такого большого процента населения как избыточный вес или ожирение создало атмосферу стыда за вес и недоверия между пациентами и врачами. Люди с большим весом жалуются, что врачи не решают проблемы со здоровьем или опасения, которые привели их на обследование. Вместо этого врачи винят вес пациента в его проблемах со здоровьем и предлагают снижение веса в качестве решения. Это способствует тому, что чернокожие и латиноамериканские пациенты избегают практикующих врачей и, таким образом, могут упускать возможности предотвратить проблемы или выявлять их на раннем этапе.

Кроме того, становится все более очевидным, что лишний вес или ожирение не всегда являются проблемой для здоровья. Показатели некоторых серьезных заболеваний, таких как госпитализация из-за COVID-19, высокого кровяного давления, сердечных заболеваний, инсульта, диабета 2 типа и других заболеваний, выше среди тех, кто страдает ожирением.^  Но для других состояний, таких как восстановление после серьезной травмы, рака и операции на сердце, люди с более высоким весом имеют более высокую выживаемость.  

Новые улучшенные канадские рекомендации

Фактически, в новых рекомендациях по борьбе с ожирением для канадских врачей, опубликованных в августе 2020 года, подчеркивается, что врачи должны перестать полагаться только на ИМТ при диагностике пациентов. Согласно новым рекомендациям, людям следует диагностировать ожирение только в том случае, если их масса тела влияет на их физическое или психическое благополучие. Лечение должно быть комплексным, а не только нацеливаться на снижение веса. В руководящих принципах также отмечается, что: «Люди, живущие с ожирением, сталкиваются со значительными предубеждениями и стигматизацией, которые способствуют повышению заболеваемости и смертности независимо от веса или индекса массы тела».

Снижение предвзятости в инструментах принятия решений

Медицинские алгоритмы - не единственный тип алгоритмов, который может быть необъективным. Например, в 2018 году Amazon перестала использовать инструмент найма, который демонстрировал предвзятое отношение к женщинам. Инструмент, который анализировал данные о найме за 10 лет в период, когда Amazon в основном нанимал мужчин, использовал эту историю, чтобы научиться отдавать предпочтение кандидатам-мужчинам.

В здравоохранении машинное обучение часто основывается на электронных медицинских записях. Бедные пациенты и пациенты из числа меньшинств могут получать помощь при переломах и проходить лечение в нескольких учреждениях. Их чаще можно увидеть в обучающих клиниках, где ввод данных или клинические рассуждения могут быть менее точными. А пациенты могут не иметь доступа к онлайн-порталам пациентов и документировать результаты. В результате записи этих пациентов могут содержать недостающие или ошибочные данные. Таким образом, алгоритмы, управляющие машинным обучением, могут в конечном итоге исключить бедных пациентов и пациентов из числа меньшинств из наборов данных и необходимой помощи.

Хорошей новостью является то, что осведомленность о предвзятости в алгоритмах здравоохранения выросла за последние несколько лет. Ввод данных и результаты проверяются на предмет предвзятости по признаку расы, этнического происхождения, дохода, пола и возраста. Когда различия обнаруживаются, алгоритмы и наборы данных могут быть пересмотрены в сторону большей объективности.