อคติทางเชื้อชาติในเครื่องมือตัดสินใจด้านการแพทย์

อคติทางเชื้อชาติในการดูแลทางการแพทย์อาจปรากฏขึ้นในสถานที่ที่ไม่คาดฝัน ตัวอย่างเช่น พิจารณาเครื่องมือในการตัดสินใจทางคลินิกที่มีบทบาทสำคัญในวิธีที่ผู้ป่วยในปัจจุบันได้รับการทดสอบ วินิจฉัย และรักษา

เครื่องมือเหล่านี้ประกอบด้วยอัลกอริธึมหรือขั้นตอนทีละขั้นตอน ซึ่งมักจะใช้คอมพิวเตอร์ในการคำนวณปัจจัยต่างๆ เช่น ความเสี่ยงของโรคหัวใจ ความจำเป็นในการเอ็กซ์เรย์ทรวงอก และปริมาณยาที่ต้องสั่งโดยแพทย์ ปัญญาประดิษฐ์สามารถใช้เพื่อค้นหาบันทึกสุขภาพและระบบการเรียกเก็บเงินเพื่อสร้างชุดข้อมูลที่จำเป็น

บนพื้นผิว ปัจจัยเหล่านี้ทั้งหมดฟังดูมีวัตถุประสงค์มาก แต่การศึกษาเมื่อเร็วๆ นี้แสดงให้เห็นว่าการวิเคราะห์ข้อมูลที่ใช้ในอัลกอริธึมเหล่านี้สามารถมีอคติในลักษณะที่สำคัญต่อกลุ่มเชื้อชาติและเศรษฐกิจและสังคมบางกลุ่ม ซึ่งอาจมีผลกระทบมากมายในแง่ของปริมาณและคุณภาพของการดูแลสุขภาพที่คนในกลุ่มเหล่านี้ได้รับ

อคติทางเชื้อชาติส่งผลต่อผู้ป่วยที่ป่วยมากที่สุด

ในปี 2019 การศึกษาอัลกอริธึมที่ใช้กันอย่างแพร่หลายในโรงพยาบาลและบริษัทประกันในสหรัฐฯ เพื่อจัดสรรความช่วยเหลือเพิ่มเติมในการจัดการด้านสุขภาพ แสดงให้เห็นว่ามีการเลือกปฏิบัติกับคนผิวดำอย่างเป็นระบบเครื่องมือในการตัดสินใจมีแนวโน้มที่จะส่งต่อคนผิวดำน้อยกว่าคนผิวขาวให้เข้าร่วมโปรแกรมการจัดการดูแลสำหรับความต้องการทางการแพทย์ที่ซับซ้อนเมื่อทั้งสองกลุ่มเชื้อชาติป่วยเท่ากัน

เหตุผลพื้นฐานสำหรับอคตินั้นเชื่อมโยงกับการกำหนดคะแนนความเสี่ยงของอัลกอริทึมให้กับผู้ป่วยโดยพิจารณาจากค่ารักษาพยาบาลในปีที่แล้ว สมมติฐานคือการระบุผู้ป่วยที่มีค่าใช้จ่ายสูงจะระบุผู้ที่มีความต้องการทางการแพทย์สูงสุด^ อย่างไรก็ตาม ผู้ป่วยผิวดำจำนวนมากเข้าถึงได้น้อยกว่า มีความสามารถในการจ่ายน้อยกว่า และมีความไว้วางใจในการดูแลทางการแพทย์น้อยกว่าคนผิวขาวที่ป่วยเท่ากัน ในกรณีนี้ ค่ารักษาพยาบาลที่ลดลงไม่ได้คาดการณ์สถานะสุขภาพได้อย่างถูกต้อง

โปรแกรมการจัดการการดูแลใช้วิธีการที่สัมผัสได้สูง เช่น การโทรศัพท์ การเยี่ยมบ้านโดยพยาบาล และการจัดลำดับความสำคัญของการนัดหมายแพทย์ เพื่อตอบสนองความต้องการที่ซับซ้อนของผู้ป่วยที่ป่วยที่สุด มีการแสดงโปรแกรมต่างๆ เพื่อปรับปรุงผลลัพธ์ ลดการเยี่ยมห้องฉุกเฉินและการรักษาในโรงพยาบาล และลดต้นทุนการรักษาพยาบาล เนื่องจากโปรแกรมเหล่านี้มีราคาแพง พวกเขาจึงถูกกำหนดให้กับผู้ที่มีคะแนนความเสี่ยงสูงสุด เทคนิคการให้คะแนนที่เลือกปฏิบัติต่อผู้ป่วยผิวสีที่ป่วยมากที่สุดสำหรับการดูแลนี้อาจเป็นปัจจัยสำคัญในความเสี่ยงที่เพิ่มขึ้นของการเสียชีวิตจากโรคต่างๆ

การแข่งขันเป็นตัวแปรในโรคไต

อัลกอริธึมสามารถมีอคติโดยไม่รวมการแข่งขันเป็นตัวแปร แต่เครื่องมือบางอย่างจงใจใช้การแข่งขันเป็นเกณฑ์ ใช้คะแนน eGFR ซึ่งประเมินสุขภาพไตและใช้เพื่อระบุว่าใครต้องการการปลูกถ่ายไต ในการศึกษาปี 2542 ที่กำหนดเกณฑ์คะแนน eGFR นักวิจัยสังเกตเห็นว่าคนผิวดำมีระดับครีเอตินินโดยเฉลี่ย (เป็นผลพลอยได้จากการสลายตัวของกล้ามเนื้อ) โดยเฉลี่ยมากกว่าคนผิวขาว นักวิทยาศาสตร์สันนิษฐานว่าระดับที่สูงขึ้นนั้นเกิดจากมวลกล้ามเนื้อที่สูงขึ้นในคนผิวดำ ดังนั้นพวกเขาจึงปรับการให้คะแนน ซึ่งหมายความว่าคนผิวดำต้องมีคะแนน eGFR ต่ำกว่าคนผิวขาวเพื่อวินิจฉัยว่าเป็นโรคไตระยะสุดท้าย เป็นผลให้คนผิวดำต้องรอจนกว่าโรคไตของพวกเขาจะถึงขั้นรุนแรงมากขึ้นเพื่อที่จะมีคุณสมบัติในการรักษา

เมื่อเร็วๆ นี้ นักศึกษาแพทย์และสาธารณสุขจากคณะแพทยศาสตร์มหาวิทยาลัยวอชิงตันใน ซีแอตเทิลตั้งข้อสังเกตว่าคะแนน eGFR ไม่ถูกต้องสำหรับการวินิจฉัยความรุนแรงของโรคไตในคนผิวดำ ผู้ป่วย. เธอต่อสู้เพื่อเอาการแข่งขันออกจากอัลกอริทึมและชนะ UW Medicine ตกลงว่าการใช้เชื้อชาติเป็นตัวแปรที่ไม่มีประสิทธิภาพและไม่สอดคล้องกับความเข้มงวดทางวิทยาศาสตร์ในเครื่องมือวินิจฉัยทางการแพทย์

ดัชนีมวลกายและอคติ

แม้แต่เครื่องมือในการตัดสินใจทางการแพทย์ที่ง่ายที่สุดซึ่งไม่รวมเชื้อชาติก็สามารถสะท้อนอคติทางสังคมได้ ตัวอย่างเช่น ดัชนีมวลกาย (BMI) ขึ้นอยู่กับการคำนวณที่คูณน้ำหนักด้วยส่วนสูง ใช้เพื่อระบุผู้ป่วยที่มีน้ำหนักน้อย มีน้ำหนักเกิน และเป็นโรคอ้วน

ในปี 1985 สถาบันสุขภาพแห่งชาติได้เชื่อมโยงคำจำกัดความของโรคอ้วนกับค่าดัชนีมวลกายของแต่ละบุคคล และในปี 1998 คณะผู้เชี่ยวชาญได้วางแนวทางปฏิบัติ อิงจากดัชนีมวลกายที่ย้ายคนอเมริกัน 29 ล้านคนที่เคยจัดว่าน้ำหนักปกติหรือแค่น้ำหนักเกินให้กลายเป็นคนอ้วนและอ้วน หมวดหมู่ตามมาตรฐาน BMI คนผิวดำ ฮิสแปนิก และคนผิวขาวส่วนใหญ่มีน้ำหนักเกินหรือเป็นโรคอ้วน เปอร์เซ็นต์โรคอ้วนในปี 2018 นั้นพอๆ กันสำหรับผู้ชายผิวดำ ฮิสแปนิก และผิวขาว (ตั้งแต่ 31.2% ถึง 34.2%) แต่เปอร์เซ็นต์ของผู้หญิงที่ BMI ระบุว่าอ้วนคือ: 

• 44.2%-สีดำ
• 35.4%—ฮิสแปนิก
• 28.7%-สีขาว

บรรยากาศแห่งความอับอายและความไม่ไว้วางใจ

การสร้างตราสินค้าจำนวนมากเช่นประชากรที่มีน้ำหนักเกินหรือเป็นโรคอ้วนได้สร้างบรรยากาศของน้ำหนักที่น่าอับอายและความไม่ไว้วางใจระหว่างผู้ป่วยและแพทย์ คนที่มีน้ำหนักตัวสูงบ่นว่าแพทย์ไม่ได้กล่าวถึงปัญหาสุขภาพหรือข้อกังวลที่พาไปตรวจ แพทย์กลับตำหนิน้ำหนักของผู้ป่วยสำหรับปัญหาสุขภาพและผลักดันการลดน้ำหนักเป็นวิธีแก้ปัญหา สิ่งนี้มีส่วนช่วยให้ผู้ป่วยผิวดำและชาวสเปนหลีกเลี่ยงผู้ปฏิบัติงานด้านการดูแลสุขภาพและอาจพลาดโอกาสในการป้องกันปัญหาหรือจับพวกเขาตั้งแต่เนิ่นๆ

นอกจากนี้ยังเป็นที่ชัดเจนว่าการมีน้ำหนักเกินหรือเป็นโรคอ้วนไม่ใช่ปัญหาสุขภาพเสมอไป อัตราสำหรับภาวะร้ายแรงบางอย่าง เช่น การรักษาตัวในโรงพยาบาลสำหรับ COVID-19, ความดันโลหิตสูง, โรคหัวใจ, โรคหลอดเลือดสมอง, โรคเบาหวานประเภท 2 และโรคอื่น ๆ นั้นสูงขึ้นในผู้ที่เป็นโรคอ้วน^  แต่สำหรับอาการอื่นๆ เช่น การฟื้นตัวจากอาการบาดเจ็บร้ายแรง มะเร็ง และการผ่าตัดหัวใจ คนที่มีน้ำหนักตัวสูงจะมีอัตราการรอดชีวิตที่ดีกว่า  

แนวทางใหม่ที่ได้รับการปรับปรุงของแคนาดา

อันที่จริง แนวทางโรคอ้วนใหม่สำหรับแพทย์ชาวแคนาดา ซึ่งตีพิมพ์ในเดือนสิงหาคม 2020 เน้นว่าแพทย์ควรหยุดพึ่งพา BMI เพียงอย่างเดียวในการวินิจฉัยผู้ป่วย บุคคลควรได้รับการวินิจฉัยว่าเป็นโรคอ้วนก็ต่อเมื่อน้ำหนักตัวส่งผลต่อสุขภาพร่างกายหรือสุขภาพจิตตามแนวทางใหม่ การรักษาควรเป็นแบบองค์รวมและไม่ใช่เฉพาะเป้าหมายการลดน้ำหนักเท่านั้น แนวทางปฏิบัติยังระบุด้วยว่า: "ผู้ที่เป็นโรคอ้วนต้องเผชิญกับอคติและความอัปยศอย่างมาก ซึ่งทำให้เกิดการเจ็บป่วยและเสียชีวิตเพิ่มขึ้นโดยไม่ขึ้นกับน้ำหนักหรือดัชนีมวลกาย"

การลดอคติในเครื่องมือตัดสินใจ

อัลกอริธึมทางการแพทย์ไม่ใช่อัลกอริธึมประเภทเดียวที่สามารถลำเอียงได้ ตัวอย่างเช่น ในปี 2018 Amazon หยุดใช้เครื่องมือจัดหางานที่แสดงถึงอคติต่อผู้หญิง เครื่องมือที่วิเคราะห์ข้อมูลการจ้างงาน 10 ปีในช่วงเวลาที่ Amazon จ้างผู้ชายเป็นส่วนใหญ่ ได้ใช้ประวัติศาสตร์นั้นเพื่อสอนตัวเองให้ชอบผู้สมัครชาย

ในด้านการดูแลสุขภาพ แมชชีนเลิร์นนิงมักอาศัยบันทึกสุขภาพอิเล็กทรอนิกส์ ผู้ป่วยที่ยากจนและกลุ่มน้อยอาจได้รับการดูแลกระดูกหักและพบเห็นได้ในหลายสถาบัน พวกเขามักจะเห็นในคลินิกการสอนที่การป้อนข้อมูลหรือการใช้เหตุผลทางคลินิกอาจแม่นยำน้อยกว่า และผู้ป่วยอาจไม่สามารถเข้าถึงพอร์ทัลผู้ป่วยออนไลน์และเอกสารผลลัพธ์ได้ เป็นผลให้บันทึกของผู้ป่วยเหล่านี้อาจมีข้อมูลที่ขาดหายไปหรือผิดพลาด อัลกอริธึมที่ขับเคลื่อนการเรียนรู้ด้วยเครื่องอาจจบลงด้วยการแยกผู้ป่วยที่ยากจนและส่วนน้อยออกจากชุดข้อมูลและการดูแลที่จำเป็น

ข่าวดีก็คือการตระหนักรู้ถึงอคติในอัลกอริธึมการดูแลสุขภาพได้เพิ่มขึ้นในช่วงไม่กี่ปีที่ผ่านมา การป้อนข้อมูลและผลลัพธ์กำลังถูกตรวจสอบความลำเอียงทางเชื้อชาติ ชาติพันธุ์ รายได้ เพศ และอายุ เมื่อรับรู้ความแตกต่าง อัลกอริธึมและชุดข้อมูลสามารถแก้ไขได้เพื่อให้มีความเที่ยงธรรมมากขึ้น