Rasbias i medicinsk vård Beslutsfattande verktyg

Rasfördomar inom sjukvården kan dyka upp på vissa oväntade platser. Till exempel: Tänk på de kliniska beslutsverktygen som spelar en viktig roll för hur dagens patienter testas, diagnostiseras och behandlas.

Dessa verktyg innehåller algoritmer eller steg-för-steg-procedurer, vanligtvis datoriserade, för beräkning av faktorer som risk för hjärtsjukdom, behovet av en röntgenstråle och dosering av receptbelagda läkemedel. Artificiell intelligens kan användas för att skura hälsojournaler och faktureringssystem för att skapa nödvändiga datamängder.

På ytan låter alla dessa faktorer mycket objektiva. Men nyligen genomförda studier har visat att dataanalysen som används i dessa algoritmer kan vara partisk på avgörande sätt mot vissa ras- och socioekonomiska grupper. Detta kan få otaliga konsekvenser när det gäller mängden och kvaliteten på vården som människor i dessa grupper får.

Rasbias påverkar de sjukaste patienterna

År 2019 visades en studie av en algoritm som i stor utsträckning används av amerikanska sjukhus och försäkringsbolag för att tilldela extra hälsovårdshjälp systematiskt diskriminera svarta människor.Beslutsverktyget var mindre sannolikt att hänvisa svarta människor än vita till vårdprogram för komplexa medicinska behov när båda rasgrupperna var lika sjuka.

Den bakomliggande orsaken till förspänningen var kopplad till algoritmens tilldelning av riskpoäng till patienter baserat på deras föregående års medicinska kostnader. Antagandet var att identifiering av patienter med högre kostnader skulle identifiera dem med de högsta medicinska behoven.^ Många svarta patienter har dock mindre tillgång till, mindre betalningsförmåga och mindre förtroende för sjukvård än vita människor som är lika sjuka. I detta fall förutspådde deras lägre medicinska kostnader inte exakt deras hälsotillstånd.

Vårdhanteringsprogram använder en hög beröringsmetod, till exempel telefonsamtal, hembesök av sjuksköterskor och prioritering av läkarbesök för att möta de sjukaste patienternas komplexa behov. Programmen har visat sig förbättra resultaten, minska akutbesök och sjukhusvistelser och minska medicinska kostnader. Eftersom själva programmen är dyra tilldelas de personer med högsta riskpoäng. Poängtekniker som diskriminerar de sjukaste svarta patienterna för denna vård kan vara en betydande faktor för deras ökade risk att dö av många sjukdomar.

Race som en variabel i njursjukdom

Algoritmer kan innehålla partiskhet utan att inkludera ras som en variabel, men vissa verktyg använder medvetet ras som kriterium. Ta eGFR -poängen, som värderar njursjukdom och används för att avgöra vem som behöver en njurtransplantation. I en studie från 1999 som fastställde kriterierna för eGFR -poäng märkte forskare att svarta människor i genomsnitt hade högre kreatininnivåer (en biprodukt av muskelnedbrytning) än vita människor gjorde. Forskarna antog att de högre nivåerna berodde på högre muskelmassa hos svarta. De justerade därför poängen, vilket i huvudsak innebar att svarta människor måste ha ett lägre eGFR-betyg än vita för att få diagnosen njursjukdom i slutstadiet. Som en konsekvens har svarta fått vänta tills deras njursjukdom nått ett allvarligare stadium för att kvalificera sig för behandling.

Nyligen studerade medicin och folkhälsa vid University of Washington School of Medicine i Seattle observerade att eGFR -poäng inte var korrekta för att diagnostisera svårighetsgraden av njursjukdom i svart patienter. Hon kämpade för att få bort ras från algoritmen och vann. UW Medicine instämde i att användningen av ras var en ineffektiv variabel och inte uppfyllde vetenskaplig stringens i medicinska diagnostiska verktyg.

Body Mass Index och Bias

Även det enklaste medicinska beslutsverktyget som inte innehåller ras kan återspegla social partiskhet. Body mass index (BMI), till exempel, är baserat på en beräkning som multiplicerar vikten med höjden. Det används för att identifiera patienter med undervikt, övervikt och fetma.

År 1985 knöt National Institutes of Health definitionen av fetma till en individs BMI, och 1998 införde en expertpanel riktlinjer baserat på BMI som flyttade 29 miljoner amerikaner som tidigare hade klassificerats som normalviktiga eller bara överviktiga till överviktiga och feta kategorier.Enligt BMI -standarder är majoriteten av svarta, latinamerikaner och vita nu överviktiga eller feta. 2018 års procent för fetma är ungefär lika för svarta, latinamerikanska och vita män (från 31,2% till 34,2%). Men andelen kvinnor som är fetma märkta med BMI är: 

• 44.2%-Svart
• 35.4%-Latinamerikan
• 28.7%-Vit

En atmosfär av tyngd och misstro

Att märka så stora procentandelar av befolkningen som överviktiga eller feta har skapat en atmosfär av tyngd och misstro mellan patienter och läkare. Människor med högre vikt klagar på att läkare inte tar itu med de hälsoproblem eller bekymmer som förde dem in för en kontroll. I stället skyller läkarna på patientens vikt för sina hälsoproblem och driver viktminskning som lösningen. Detta bidrar till att svarta och latinamerikanska patienter undviker sjukvårdspersonal och därmed kanske missar möjligheter att förebygga problem eller fånga dem tidigt.

Dessutom blir det allt tydligare att övervikt eller fetma inte alltid är ett hälsoproblem. Priser för vissa allvarliga tillstånd, såsom sjukhusvistelse för COVID-19, högt blodtryck, hjärtsjukdomar, stroke, typ 2-diabetes och andra sjukdomar, är högre bland de som är överviktiga.^  Men för andra tillstånd - till exempel återhämtning från allvarlig skada, cancer och hjärtkirurgi - har personer med högre vikt bättre överlevnad.  

Nya, förbättrade kanadensiska riktlinjer

Faktum är att nya riktlinjer för fetma för kanadensiska kliniker, som publicerades i augusti 2020, betonar att läkare bör sluta förlita sig på BMI ensam för att diagnostisera patienter. Människor ska endast diagnostiseras som feta om deras kroppsvikt påverkar deras fysiska hälsa eller psykiska välbefinnande, enligt de nya riktlinjerna. Behandlingen ska vara holistisk och inte enbart vara inriktad på viktminskning. Riktlinjerna noterar också att: "Människor som lever med fetma möter betydande partiskhet och stigma, vilket bidrar till ökad sjuklighet och dödlighet oberoende av vikt eller kroppsmassindex."

Minska partiskhet i beslutsverktyg

Medicinska algoritmer är inte den enda typen av algoritm som kan vara partisk. År 2018, till exempel, slutade Amazon använda ett rekryteringsverktyg som visade partiskhet mot kvinnor. Verktyget, som analyserade 10 års anställningsdata under en period då Amazon övervägande hade anställt män, hade använt den historien för att lära sig att föredra manliga kandidater.

Inom vården förlitar sig maskininlärning ofta på elektroniska hälsojournaler. Fattiga och minoritetspatienter kan få frakturerad vård och ses på flera institutioner. Det är mer troligt att de ses i undervisningskliniker där datainmatning eller kliniskt resonemang kan vara mindre exakt. Och patienter kanske inte kan komma åt online -patientportaler och dokumentera resultat. Som ett resultat kan uppgifterna om dessa patienter sakna eller felaktiga data. Algoritmerna som driver maskininlärning kan således sluta utesluta fattiga och minoritetspatienter från datamängderna och behöva vård.

Den goda nyheten är att medvetenheten om fördomar i vårdalgoritmer har ökat under de senaste åren. Datainmatning och resultat kontrolleras för ras, etnisk, inkomst, kön och åldersfördom. När skillnader erkänns kan algoritmerna och datamängderna revideras mot bättre objektivitet.