Медицинская карта
Плохой врач лечит болезнь, хороший - причину болезни.
  • гепатит
  • Недели беременности

    Беременность по неделям

  • Сколько живут с диагнозом рак
  • Как рыбий жир может уменьшить воспаление

Прогнозирование расы пациентов может улучшить справедливость в оказании медицинской помощи, говорится в новом анализе

2022-08-28 16:03:56

Алгоритмы, разработанные для оказания медицинской помощи, могут способствовать расовому неравенству результатов, но, согласно новому анализу, проведенному корпорацией RAND, исключение информации о расе и этнической принадлежности пациентов в качестве входных данных для алгоритмов — неправильный способ решения проблемы.



Наоборот, использование инструментов для оценки расовой и этнической информации о пациентах, где информация о самоидентификации недоступна, на самом деле могло бы стать катализатором усилий по улучшению алгоритмов здравоохранения и дать врачам возможность уменьшить предвзятость в своей практике.


Анализ опубликован в августовском номере журнала Health Affairs .


«Знание расы и этнической принадлежности — а не незнание — необходимо для борьбы с предвзятостью алгоритмов», — сказал Марк Эллиотт, старший автор статьи и старший главный статистик некоммерческой исследовательской организации RAND. «Вменение информации о расе и этнической принадлежности может расширить возможности не только для выявления алгоритмической предвзятости, но и для борьбы с предвзятостью как в клинических, так и в неклинических условиях».


Алгоритмы — четко определенные математические процедуры для получения прогнозов или оценок на основе информации — широко используются для помощи в принятии решений в здравоохранении. Такие инструменты влияют на решения о том, кто получает уход, тип ухода, который они получают, как этот уход предоставляется и по какой цене.


Алгоритмы медицинской помощи разрабатываются с целью повышения качества медицинской помощи за счет сведения к минимуму различий в принятии клинических решений, содействия более строгому следованию передовым методам и максимальному эффективному использованию ограниченных ресурсов.


Например, многочисленные исследования показали, что оценки, полученные с помощью алгоритмов, предсказывают инфекции стрептококкового фарингита и выявляют раковые поражения кожи более точно, чем клинические оценки.


По мере роста использования алгоритмов в здравоохранении растет признание того, что инструменты могут иметь непреднамеренные последствия кодификации расовых и этнических предубеждений, что потенциально может увековечить худшие результаты для пациентов.


Например, было показано , что широко используемый алгоритм, разработанный для оказания помощи при сердечной недостаточности , занижает показатели риска у чернокожих пациентов по сравнению с аналогичными пациентами других рас.


В другом случае широко используемый алгоритм прогнозирования успеха вагинальных родов после предшествующего кесарева сечения предсказывает более низкий успех для чернокожих и латиноамериканских матерей по сравнению с такими же белыми матерями.


Исследователи RAND говорят, что, хотя предубеждения, заложенные в алгоритмах, могут привести к несправедливым результатам, во многих случаях предвзятое принятие решений человеком является существующей альтернативой алгоритмическому предубеждению. На самом деле алгоритмические предубеждения часто возникают, когда алгоритм учится обнаруживать несоответствия, которые уже присутствуют в данных, на которых он обучен.


Хотя мало кто призывает к устранению алгоритмов для облегчения принятия решений в области здравоохранения, одна из распространенных рекомендаций по снижению вероятности алгоритмической предвзятости состоит в том, чтобы исключить расу и этническую принадлежность в качестве входных данных — практика, обычно называемая справедливостью через неосведомленность.


Исследователи RAND утверждают, что лучшей стратегией является использование инструментов неравенства в состоянии здоровья (в том числе широко используемых, разработанных командой RAND) для измерения алгоритмического неравенства по расе и этнической принадлежности, что может быть возможно, даже если расовая и этническая принадлежность пациента не сообщается самостоятельно. .


Вменение отсутствующих или ненадежных данных о расе и этнической принадлежности облегчает выявление алгоритмической погрешности и проясняет, какие корректирующие меры необходимы для уменьшения или устранения алгоритмической погрешности в решениях о лечении.


Другим примером того, как вмененная информация о расе и этническом происхождении может улучшить справедливость в области здравоохранения, может быть использование этой информации для обеспечения справедливости в схемах оплаты по результатам, которые используют системы оплаты для вознаграждения клиницистов, которые предоставляют более качественную помощь.


«Вменение расы и этнической принадлежности в исследованиях в области здравоохранения традиционно применялось для выявления различий в состоянии здоровья», — сказал Эллиотт. «Продолжающийся рост и использование алгоритмов в решениях о здравоохранении выдвигает на первый план необходимость использовать вменение расы и этнической принадлежности для устранения различий в состоянии здоровья по- новому».


Оставьте комментарии и отзывы!

Используйте нормальные имена. Ваш комментарий будет опубликован после проверки.

(обязательно)