Расна пристрасност у алатима за доношење одлука у медицинској заштити

Расна пристрасност у медицинској заштити може се појавити на неким неочекиваним местима. На пример: Размотрите алате за клиничко одлучивање који играју важну улогу у начину на који се данашњи пацијенти тестирају, дијагностикују и лече.

Ови алати садрже алгоритме или поступне поступке, обично компјутеризоване, за израчунавање фактора као што су ризик од срчаних обољења, потреба за рендгенским снимцима грудног коша и дозирање лекова на рецепт. Вештачка интелигенција се може користити за преглед здравствених картона и система наплате за стварање потребних скупова података.

На први поглед, сви ови фактори звуче врло објективно. Али недавне студије су показале да се анализа података која се користи у овим алгоритмима може на критичан начин пристрасно односити према одређеним расним и друштвено -економским групама. Ово може имати безброј последица у смислу количине и квалитета здравствене заштите коју људи у овим групама примају.

Расна пристрасност утиче на најболесније пацијенте

У 2019. години показало се да студија о алгоритму који америчке болнице и осигуравачи широко користе за додељивање додатне помоћи у управљању здрављем систематски дискриминише црнце.Мање је вероватно да ће алат за доношење одлука упутити црнце него белце на програме управљања збрињавањем за сложене медицинске потребе када су обе расне групе биле једнако болесне.

Основни разлог за пристрасност био је повезан са додељивањем алгоритама оцена ризика пацијентима на основу медицинских трошкова претходне године. Претпоставка је била да би идентификовање пацијената са већим трошковима идентификовало оне са највећим медицинским потребама.^ Међутим, многи црни пацијенти имају мањи приступ, мању способност плаћања и мање поверење у медицинску негу од белих људи који су једнако болесни. У овом случају, њихови мањи медицински трошкови нису тачно предвидели њихово здравствено стање.

Програми управљања збрињавањем користе приступ високог додира, попут телефонских позива, кућних посета медицинских сестара и давања приоритета именовању лекара како би се одговорило на сложене потребе најболеснијих пацијената. Показало се да програми побољшавају исходе, смањују посете хитној помоћи и хоспитализације и смањују медицинске трошкове. Будући да су сами програми скупи, додељују се људима са највећим оценама ризика. Технике бодовања које дискриминишу најболесније црне пацијенте за ову негу могу бити значајан фактор у њиховом повећаном ризику од смрти од многих болести.

Раса као варијабла у бубрежној болести

Алгоритми могу садржати пристрасност без укључивања расе као променљиве, али неки алати намерно користе расу као критеријум. Узмите еГФР скор, који оцењује здравље бубрега и користи се за утврђивање коме је потребна трансплантација бубрега. У студији из 1999. године која је поставила критеријуме еГФР скора, истраживачи су приметили да су црнци у просеку имали већи ниво креатинина (нуспродукт распада мишића) него бели људи. Научници су претпоставили да су већи нивои последица веће мишићне масе код црнаца. Због тога су прилагодили бодовање, што је у суштини значило да црнци морају имати нижи скор еГФР-а од белаца да би им се дијагностиковала болест бубрега у последњој фази. Као резултат тога, црнци су морали да чекају да њихова бубрежна болест дође у озбиљнију фазу да би се квалификовали за лечење.

Недавно је студент медицине и јавног здравља на Медицинском факултету Универзитета у Вашингтону у Сијетл је приметио да резултати еГФР -а нису били тачни за дијагностиковање озбиљности бубрежне болести код црнаца пацијената. Борила се за уклањање расе из алгоритма и победила. УВ Медицине се сложила да је употреба расе неефикасна варијабла и да није задовољила научну строгост у медицинским дијагностичким алатима.

Индекс телесне масе и пристрасност

Чак и најједноставнији медицински алат за одлучивање који не укључује расу може одражавати друштвену пристрасност. Индекс телесне масе (БМИ), на пример, заснован је на прорачуну који тежину помножи са висином. Користи се за идентификацију пацијената са недостатком тежине, гојазношћу и гојазношћу.

1985. године Национални институти за здравље су дефиницију гојазности везали за БМИ појединца, а 1998. године стручна комисија је донела смернице на основу БМИ -а који је 29 милиона Американаца који су претходно били класификовани као нормална тежина или само са прекомерном тежином преселио у прекомјерну тежину и гојазност категорије.Према стандардима БМИ, већина црнаца, латиноамериканаца и белаца сада има вишак килограма или је гојазан. Проценти гојазности у 2018. години приближно су једнаки за црнце, латиноамериканце и белце (у распону од 31,2% до 34,2%). Али проценти жена које је БМИ означио као гојазне су: 

• 44.2%-Црн
• 35.4%- хиспано
• 28.7%-Бео

Атмосфера срамоћења и неповерења

Брендирање тако великог процента популације као што је прекомјерна тежина или гојазност створило је атмосферу умањивања тежине и неповјерења између пацијената и љекара. Људи са већом тежином жале се да се лекари не баве здравственим проблемима или бригама због којих су доведени на преглед. Уместо тога, лекари окривљују пацијентову тежину за њихове здравствене проблеме и гурају тежину као решење. Ово доприноси да црни и латиноамерички пацијенти избегавају лекаре и на тај начин можда пропуштају прилике да спрече проблеме или да их на време ухвате.

Штавише, постаје све јасније да прекомерна тежина или гојазност нису увек здравствени проблем. Стопе за нека озбиљна стања, попут хоспитализације због ЦОВИД-19, високог крвног притиска, срчаних обољења, можданог удара, дијабетеса типа 2 и других болести, веће су међу онима који су гојазни.^  Али за друга стања - попут опоравка од озбиљних повреда, рака и операције срца - људи са вишом тежином имају боље стопе преживљавања.  

Нове, побољшане канадске смернице

У ствари, нове смернице за гојазност за канадске клиничаре, објављене у августу 2020, наглашавају да би се лекари требали престати ослањати само на БМИ у дијагностицирању пацијената. Према новим смерницама, људима би требало дијагностиковати гојазност само ако њихова телесна тежина утиче на њихово физичко здравље или ментално благостање. Лечење треба да буде холистичко, а не само циљно смањење телесне тежине. У смерницама се такође примећује следеће: „Људи који живе са гојазношћу суочавају се са значајном пристрасношћу и стигмом, што доприноси повећаном морбидитету и морталитету независно од тежине или индекса телесне масе.“

Смањење пристрасности у алатима за доношење одлука

Медицински алгоритми нису једини тип алгоритма који се може пристрасити. На пример, 2018. године, Амазон је престао да користи алат за запошљавање који је показао пристрасност према женама. Алат, који је анализирао 10 година података о запошљавању у периоду када је Амазон претежно запошљавао мушкарце, искористио је ту историју да се научи да преферира мушке кандидате.

У здравству се машинско учење често ослања на електронске здравствене картоне. Сиромашни и мањински пацијенти могу добити фрактуру и бити прегледани у више установа. Већа је вероватноћа да ће се оне видети у наставним клиникама где унос података или клиничко образложење могу бити мање тачни. Пацијенти можда неће моћи да приступе мрежним порталима пацијената и документују исходе. Као резултат тога, евиденција ових пацијената може имати недостајуће или погрешне податке. Алгоритми који покрећу машинско учење могу тако искључити сиромашне и мањинске пацијенте из скупова података и потребне неге.

Добра вест је да је свест о пристрасностима у здравственим алгоритмима порасла у последњих неколико година. Улазни подаци и исходи провјеравају се на расној, етничкој основи, приходу, полу и старосној пристрасности. Када се уоче разлике, алгоритми и скупови података могу се ревидирати према бољој објективности.