Rasová predpojatosť v nástrojoch rozhodovania v lekárskej starostlivosti

Rasová zaujatosť v lekárskej starostlivosti sa môže prejaviť na niektorých nečakaných miestach. Napríklad: Zvážte nástroje klinického rozhodovania, ktoré hrajú dôležitú úlohu pri testovaní, diagnostikovaní a liečbe dnešných pacientov.

Tieto nástroje obsahujú algoritmy alebo postupy krok za krokom, zvyčajne počítačové, na výpočet faktorov, ako je riziko srdcových chorôb, potreba röntgenového vyšetrenia hrudníka a dávkovanie liekov na predpis. Umelú inteligenciu je možné použiť na prehľadávanie zdravotných záznamov a fakturačných systémov na vytváranie potrebných súborov údajov.

Na prvý pohľad tieto faktory pôsobia veľmi objektívne. Nedávne štúdie však ukázali, že analýza údajov použitá v týchto algoritmoch môže byť zásadným spôsobom skreslená proti určitým rasovým a sociálno -ekonomickým skupinám. To môže mať nespočetné množstvo dôsledkov, pokiaľ ide o množstvo a kvalitu zdravotnej starostlivosti, ktorú ľudia v týchto skupinách dostávajú.

Rasová zaujatosť postihuje najchudobnejších pacientov

V roku 2019 sa ukázalo, že štúdia algoritmu, ktorý v nemocniciach a poisťovniach v USA bežne používajú na prideľovanie ďalšej pomoci v oblasti riadenia zdravia, systematicky diskriminuje čiernych ľudí.Keď obe rasové skupiny boli rovnako choré, bol nástroj rozhodovania menej pravdepodobný, že odporučí čiernych ľudí ako bielych ľudí na programy riadenia starostlivosti o komplexné zdravotné potreby.

Základný dôvod zaujatosti bol spojený s priradením rizikových skóre algoritmu k pacientom na základe nákladov na zdravotnú starostlivosť v predchádzajúcom roku. Predpokladal sa, že identifikácia pacientov s vyššími nákladmi identifikuje tých, ktorí majú najvyššie zdravotné potreby.^ Mnoho čiernych pacientov má však menší prístup, menšiu platobnú schopnosť a menšiu dôveru v lekársku starostlivosť ako bieli ľudia, ktorí sú rovnako chorí. V tomto prípade ich nižšie náklady na zdravotnú starostlivosť nepresne predpovedali ich zdravotný stav.

Programy riadenia starostlivosti používajú prístup, ktorý je veľmi príjemný na dotyk, ako sú telefonáty, návštevy sestier doma a stanovovanie priorít u lekára s cieľom riešiť komplexné potreby najchudobnejších pacientov. Ukázalo sa, že programy zlepšujú výsledky, znižujú počet návštev na pohotovosti a hospitalizáciu a znižujú náklady na zdravotnú starostlivosť. Pretože sú samotné programy drahé, sú priradené ľuďom s najvyšším skóre rizika. Techniky bodovania, ktoré diskriminujú najchudobnejších pacientov čiernej pleti v tejto oblasti starostlivosti, môžu byť významným faktorom zvýšeného rizika úmrtia na mnohé choroby.

Preteky ako premenná v chorobe obličiek

Algoritmy môžu obsahovať odchýlky bez zahrnutia rasy ako premennej, ale niektoré nástroje zámerne používajú rasu ako kritérium. Vezmite si skóre eGFR, ktoré hodnotí zdravie obličiek a používa sa na určenie, kto potrebuje transplantáciu obličky. V štúdii z roku 1999, ktorá stanovila kritériá skóre eGFR, vedci zistili, že čierni ľudia majú v priemere vyššie hladiny kreatinínu (vedľajší produkt rozpadu svalov) ako bieli ľudia. Vedci predpokladali, že vyššie hladiny boli spôsobené vyššou svalovou hmotou u černochov. Preto upravili skóre, čo v podstate znamenalo, že černosi musia mať nižšie skóre eGFR ako bieli, aby im bola diagnostikovaná choroba obličiek v konečnom štádiu. V dôsledku toho museli černosi čakať, kým sa ochorenie obličiek nedostane do vážnejšieho štádia, aby sa mohli kvalifikovať na liečbu.

Nedávno študent medicíny a verejného zdravia na Lekárskej fakulte University of Washington v Seattle zistil, že skóre eGFR nie je presné na diagnostikovanie závažnosti ochorenia obličiek u Blacka pacientov. Bojovala za odstránenie rasy z algoritmu a vyhrala. UW Medicine súhlasila s tým, že používanie rasy je neúčinná premenná a nespĺňa vedeckú prísnosť v lekárskych diagnostických nástrojoch.

Index telesnej hmotnosti a zaujatosť

Aj najjednoduchší lekársky rozhodovací nástroj, ktorý nezahŕňa rasu, môže odrážať sociálnu predpojatosť. Index telesnej hmotnosti (BMI) je napríklad založený na výpočte, ktorý vynásobí hmotnosť výškou. Používa sa na identifikáciu pacientov s podváhou, nadváhou a obezitou.

V roku 1985 Národný inštitút zdravia spojil definíciu obezity s BMI jednotlivca a v roku 1998 skupina odborníkov zaviedla usmernenia. na základe BMI, ktorý presunul 29 miliónov Američanov, ktorí boli predtým klasifikovaní ako normálna hmotnosť alebo len s nadváhou, k nadváhe a obezite Kategórie.Podľa štandardov BMI má väčšina černochov, hispáncov a bielych ľudí v súčasnosti nadváhu alebo obezitu. Percentuálny podiel obezity v roku 2018 je u černošských, hispánskych a bielych mužov zhruba rovnaký (v rozmedzí od 31,2% do 34,2%). Percentuálny podiel žien, ktoré sú podľa BMI označené za obézne, je: 

• 44.2%-Čierna
• 35.4%- hispánsky
• 28.7%-Biely

Atmosféra hanby a nedôvery

Označovanie takého vysokého percenta populácie ako nadváhy alebo obezity vytvorilo atmosféru hanby a nedôvery medzi pacientmi a lekármi. Ľudia s vyššou hmotnosťou sa sťažujú, že lekári neriešia zdravotné problémy alebo obavy, ktoré ich priviedli na prehliadku. Lekári namiesto toho obviňujú váhu pacienta z jeho zdravotných problémov a ako riešenie presadzujú chudnutie. To prispieva k tomu, že sa černošskí a hispánski pacienti vyhýbajú odborníkom v oblasti zdravotnej starostlivosti, a tým pravdepodobne chýbajú príležitosti na predchádzanie problémom alebo ich včasné podchytenie.

Okrem toho je čoraz jasnejšie, že nadváha alebo obezita nie je vždy zdravotným problémom. Ceny niektorých závažných stavov, ako je hospitalizácia pre COVID-19, vysoký krvný tlak, srdcové choroby, cievna mozgová príhoda, cukrovka 2. typu a ďalšie ochorenia, sú u obéznych vyššie.^  Ale pre iné podmienky - ako je zotavenie sa z vážneho zranenia, rakoviny a operácie srdca - majú ľudia s vyššou hmotnosťou lepšiu mieru prežitia.  

Nové, vylepšené kanadské smernice

Nové usmernenia k obezite pre kanadských klinikov, publikované v auguste 2020, v skutočnosti zdôrazňujú, že lekári by sa pri diagnostikovaní pacientov mali prestať spoliehať iba na BMI. Podľa nových smerníc by mali byť ľudia obézni iba vtedy, ak ich telesná hmotnosť ovplyvňuje ich fyzické zdravie alebo duševnú pohodu. Liečba by mala byť komplexná a nemala by sa zameriavať výlučne na chudnutie. Pokyny tiež poznamenávajú, že: „Ľudia žijúci s obezitou čelia značnej zaujatosti a stigmatizácii, ktoré prispievajú k zvýšeniu chorobnosti a úmrtnosti bez ohľadu na hmotnosť alebo index telesnej hmotnosti.“

Zníženie zaujatosti v rozhodovacích nástrojoch

Lekárske algoritmy nie sú jediným typom algoritmu, ktorý je možné skresliť. V roku 2018 napríklad Amazon prestal používať náborový nástroj, ktorý ukázal zaujatosť voči ženám. Nástroj, ktorý analyzoval 10 rokov prijímania údajov v období, keď Amazon zamestnával prevažne mužov, využil túto históriu na to, aby sa naučil uprednostňovať mužských kandidátov.

V zdravotníctve sa strojové učenie často spolieha na elektronické zdravotné záznamy. Chudobným a menšinovým pacientom môže byť poskytnutá zlomená starostlivosť a môžu byť videní vo viacerých inštitúciách. S väčšou pravdepodobnosťou ich možno vidieť na vyučovacích klinikách, kde môžu byť vstupné údaje alebo klinické úvahy menej presné. A pacienti nemusia mať prístup k online pacientskym portálom a dokumentovať výsledky. V dôsledku toho môžu mať záznamy o týchto pacientoch chýbajúce alebo chybné údaje. Algoritmy, ktoré riadia strojové učenie, môžu teda skončiť vylúčením chudobných a menšinových pacientov zo súborov údajov a potrebnej starostlivosti.

Dobrou správou je, že povedomie o zaujatosti v algoritmoch zdravotnej starostlivosti za posledných niekoľko rokov vzrástlo. Vstupné údaje a výsledky sa kontrolujú z hľadiska rasovej, etnickej, príjmovej, pohlavnej a vekovej predpojatosti. Keď sú rozpoznané disparity, algoritmy a súbory údajov je možné revidovať tak, aby boli lepšie objektívne.