Tıbbi Bakım Karar Verme Araçlarında Irk Önyargısı

Tıbbi bakımda ırksal önyargı bazı beklenmedik yerlerde ortaya çıkabilir. Örneğin: Günümüz hastalarının nasıl test edildiği, teşhis edildiği ve tedavi edildiği konusunda önemli bir rol oynayan klinik karar araçlarını düşünün.

Bu araçlar, kalp hastalığı riski, göğüs röntgeni ihtiyacı ve reçeteli ilaç dozu gibi faktörleri hesaplamak için genellikle bilgisayarlı algoritmalar veya adım adım prosedürler içerir. Yapay zeka, gerekli veri setlerini oluşturmak için sağlık kayıtlarını ve faturalandırma sistemlerini araştırmak için kullanılabilir.

Yüzeyde, bu faktörlerin hepsi çok nesnel görünüyor. Ancak son çalışmalar, bu algoritmalarda kullanılan veri analizinin, belirli ırksal ve sosyoekonomik gruplara karşı önemli şekillerde önyargılı olabileceğini göstermiştir. Bunun, bu gruplardaki insanların aldığı sağlık hizmetlerinin miktarı ve kalitesi açısından sayısız sonuçları olabilir.

Irk Önyargısı En Hasta Hastaları Etkiler

2019'da, ABD hastaneleri ve sigorta şirketleri tarafından ekstra sağlık yönetimi yardımı tahsis etmek için yaygın olarak kullanılan bir algoritma çalışmasının, Siyah insanlara karşı sistematik olarak ayrımcılık yaptığı gösterildi.Karar aracının, her iki ırk grubu da eşit derecede hasta olduğunda, Siyah insanları karmaşık tıbbi ihtiyaçlar için bakım yönetimi programlarına Beyaz insanlardan daha az yönlendirme olasılığı daha düşüktü.

Önyargının altında yatan neden, algoritmanın hastalara önceki yılın tıbbi maliyetlerine göre risk puanları atamasıyla bağlantılıydı. Varsayım, daha yüksek maliyetli hastaları tanımlamanın, en yüksek tıbbi ihtiyaçları olanları belirleyeceğiydi.^ Bununla birlikte, birçok Siyah hasta, eşit derecede hasta olan Beyaz insanlara göre daha az erişime, daha az ödeme yeteneğine ve tıbbi bakıma daha az güvene sahiptir. Bu durumda, düşük tıbbi maliyetleri sağlık durumlarını doğru bir şekilde tahmin etmemiştir.

Bakım yönetimi programları, en hasta hastaların karmaşık ihtiyaçlarını karşılamak için telefon görüşmeleri, hemşirelerin ev ziyaretleri ve doktor randevularına öncelik verme gibi yüksek temaslı bir yaklaşım kullanır. Programların sonuçları iyileştirdiği, acil servis ziyaretlerini ve hastaneye yatışları azalttığı ve tıbbi maliyetleri azalttığı gösterilmiştir. Programların kendileri pahalı olduğundan, en yüksek risk puanlarına sahip kişilere atanırlar. Bu bakım için en hasta Siyah hastalara karşı ayrımcılık yapan puanlama teknikleri, birçok hastalıktan ölüm risklerinin artmasında önemli bir faktör olabilir.

Böbrek Hastalığında Değişken Olarak Irk

Algoritmalar, ırkı değişken olarak dahil etmeden önyargı içerebilir, ancak bazı araçlar kasıtlı olarak ırkı bir kriter olarak kullanır. Böbrek sağlığını değerlendiren ve kimin böbrek nakline ihtiyacı olduğunu belirlemek için kullanılan eGFR skorunu alın. eGFR puan kriterlerini belirleyen 1999 tarihli bir çalışmada, araştırmacılar, Siyah insanların ortalama olarak Beyaz insanlardan daha yüksek kreatinin seviyelerine (kas yıkımının bir yan ürünü) sahip olduğunu fark ettiler. Bilim adamları, daha yüksek seviyelerin Siyahlardaki daha yüksek kas kütlesinden kaynaklandığını varsaydılar. Bu nedenle puanlamayı ayarladılar, bu da esasen Siyah insanların son dönem böbrek hastalığı teşhisi konması için Beyazlardan daha düşük bir eGFR puanına sahip olması gerektiği anlamına geliyordu. Sonuç olarak, Siyahlar tedaviye hak kazanmak için böbrek hastalıklarının daha şiddetli bir aşamaya gelmesini beklemek zorunda kaldılar.

Son zamanlarda, Washington Üniversitesi Tıp Fakültesi'nde tıp ve halk sağlığı öğrencisi Seattle, Siyahlarda eGFR skorlarının böbrek hastalığının ciddiyetini teşhis etmek için doğru olmadığını gözlemledi. hastalar. Yarışın algoritmadan çıkarılması için savaştı ve kazandı. UW Medicine, ırk kullanımının etkisiz bir değişken olduğunu ve tıbbi teşhis araçlarında bilimsel titizliği karşılamadığını kabul etti.

Beden Kitle İndeksi ve Önyargı

Irk içermeyen en basit tıbbi karar aracı bile sosyal önyargıyı yansıtabilir. Örneğin vücut kitle indeksi (BMI), ağırlığı boy ile çarpan bir hesaplamaya dayanır. Zayıf, fazla kilolu ve obez hastaları tanımlamak için kullanılır.

1985'te Ulusal Sağlık Enstitüleri, obezitenin tanımını bireyin BKİ'sine bağladı ve 1998'de bir uzman paneli kılavuzları uygulamaya koydu. Daha önce normal kilolu veya sadece fazla kilolu olarak sınıflandırılmış olan 29 milyon Amerikalıyı aşırı kilolu ve obez haline getiren BMI'ye dayalıdır. kategoriler.BMI standartlarına göre, Siyahların, Hispaniklerin ve Beyazların çoğunluğu artık aşırı kilolu veya obez. Obezite için 2018 yüzdeleri, Siyah, Hispanik ve beyaz erkekler için kabaca eşittir (%31,2 ile %34,2 arasında değişmektedir). Ancak BMI tarafından obez olarak etiketlenen kadınların yüzdeleri: 

• 44.2%-Siyah
• 35.4%-İspanyolca
• 28.7%-Beyaz

Ağırdan alma ve güvensizlik atmosferi

Nüfusun bu kadar büyük bir yüzdesini aşırı kilolu veya obez olarak markalamak, hastalar ve doktorlar arasında bir kilo alma ve güvensizlik atmosferi yarattı. Daha kilolu insanlar, doktorların sağlık sorunlarına veya kendilerini muayeneye getiren endişelere değinmediğinden şikayet eder. Bunun yerine doktorlar, sağlık sorunları için hastanın kilosunu suçluyor ve çözüm olarak kilo vermeyi zorluyor. Bu, Siyahi ve Hispanik hastaların sağlık hizmeti verenlerden kaçınmasına ve bu nedenle sorunları önleme veya erken yakalama fırsatlarını kaçırmasına katkıda bulunur.

Ayrıca, aşırı kilolu veya obez olmanın her zaman bir sağlık sorunu olmadığı giderek daha açık hale geliyor. COVID-19 nedeniyle hastaneye yatış, yüksek tansiyon, kalp hastalığı, felç, tip 2 diyabet ve diğer hastalıklar gibi bazı ciddi durumların oranları obez olanlarda daha yüksektir.^  Ancak ciddi yaralanma, kanser ve kalp ameliyatı sonrası iyileşme gibi diğer durumlar için daha yüksek kilolu kişilerin hayatta kalma oranları daha yüksektir.  

Yeni, geliştirilmiş Kanada yönergeleri

Aslında, Ağustos 2020'de yayınlanan Kanadalı klinisyenler için yeni obezite kılavuzları, doktorların hastaların teşhisinde yalnızca BMI'ye güvenmeyi bırakmaları gerektiğini vurgulamaktadır. Yeni kılavuzlara göre, insanlara yalnızca vücut ağırlıkları fiziksel sağlıklarını veya zihinsel sağlıklarını etkiliyorsa obez teşhisi konmalıdır. Tedavi bütüncül olmalı ve yalnızca kilo vermeyi hedeflememelidir. Kılavuzlar ayrıca şunları da not eder: "Obezite ile yaşayan insanlar, ağırlık veya vücut kitle indeksinden bağımsız olarak artan morbidite ve mortaliteye katkıda bulunan önemli önyargı ve damgalama ile karşı karşıyadır."

Karar Araçlarında Önyargıyı Azaltma

Tıbbi algoritmalar, önyargılı olabilecek tek algoritma türü değildir. Örneğin 2018'de Amazon, kadınlara karşı önyargı gösteren bir işe alım aracı kullanmayı bıraktı. Amazon'un ağırlıklı olarak erkekleri işe aldığı bir dönemde 10 yıllık işe alım verilerini analiz eden araç, bu tarihi kendine erkek adayları tercih etmeyi öğretmek için kullanmıştı.

Sağlık hizmetlerinde, makine öğrenimi genellikle elektronik sağlık kayıtlarına dayanır. Yoksul ve azınlık hastalar kırık bakım alabilir ve birden fazla kurumda görülebilir. Veri girişinin veya klinik muhakemenin daha az doğru olabileceği öğretim kliniklerinde görülmeleri daha olasıdır. Ve hastalar çevrimiçi hasta portallarına erişemeyebilir ve sonuçları belgeleyemeyebilir. Sonuç olarak bu hastaların kayıtlarında eksik veya hatalı veriler olabilir. Makine öğrenimini yönlendiren algoritmalar, bu nedenle, yoksul ve azınlık hastaları veri kümelerinden ve gerekli bakımdan hariç tutabilir.

İyi haber şu ki, sağlık hizmeti algoritmalarındaki önyargılara ilişkin farkındalık son birkaç yılda arttı. Veri girişi ve sonuçları ırk, etnik, gelir, cinsiyet ve yaş önyargısı açısından kontrol ediliyor. Eşitsizlikler fark edildiğinde, algoritmalar ve veri setleri daha iyi nesnelliğe doğru revize edilebilir.