التحيز العنصري في أدوات اتخاذ قرارات الرعاية الطبية

التحيز العنصري في الرعاية الطبية يمكن أن يظهر في أماكن غير متوقعة. أحد الأمثلة: أدوات اتخاذ القرار السريرية التي تلعب دورًا هامًا في كيفية اختبار وتشخيص وعلاج المرضى اليوم.

تحتوي هذه الأدوات على خوارزميات، أو إجراءات خطوة بخطوة، عادةً محوسبة، لحساب عوامل مثل خطر الإصابة بأمراض القلب، الحاجة إلى أشعة صدر، وجرعات الأدوية الموصوفة. يمكن استخدام الذكاء الاصطناعي للبحث في السجلات الصحية وأنظمة الفوترة لإنشاء مجموعات البيانات اللازمة.

على السطح، قد يبدو الأمر موضوعيًا. لكن الدراسات أظهرت أن تحليل البيانات المستخدم في هذه الخوارزميات يمكن أن يكون متحيزًا بشكل حاسم ضد مجموعات عرقية واجتماعية واقتصادية معينة. وهذا يمكن أن يكون له عواقب متعددة من حيث كمية وجودة الرعاية الصحية التي يتلقاها هؤلاء الأشخاص.

النقاط الرئيسية

• تلعب أدوات اتخاذ القرار الطبي دورًا كبيرًا في كيفية اختبار وتشخيص وعلاج المرضى اليوم.
• للأسف، يمكن أن تكون الخوارزميات التي تعتمد عليها هذه الأدوات متحيزة أحيانًا.
• استخدام بيانات الإنفاق الطبي لتقييم حالة الشخص الصحية قد يسيء تقدير شدة مرض المرضى الفقراء والأقليات عندما يعكس الإنفاق المنخفض على الرعاية نقص الوصول إلى الرعاية الطبية بدلاً من نقص الحاجة.
• خوارزمية مؤشر كتلة الجسم (BMI) المستخدمة لتشخيص زيادة الوزن أو السمنة خلقت جوًا من إحراج الوزن وعدم الثقة بين المرضى والأطباء، حيث تم تصنيف المزيد من النساء السود على أنهن يعانين من السمنة مقارنةً بالنساء من أصول إسبانية أو بيضاء.
• بدأ الآن فحص مدخلات البيانات والنتائج للتحقق من وجود تحيز عرقي، إثني، دخل، جنس، وعمر، بحيث يمكن التعرف على الفوارق وتصحيح الخوارزميات.

التحيز العنصري يؤثر على المرضى الأكثر مرضًا

في عام 2019، أظهرت دراسة أن خوارزمية تستخدم على نطاق واسع من قبل المستشفيات وشركات التأمين الأمريكية لتخصيص المساعدة الإضافية في إدارة الصحة كانت تميز ضد السود بشكل منهجي. كانت أداة القرار أقل احتمالًا في إحالة السود إلى برامج إدارة الرعاية لاحتياجات طبية معقدة مقارنةً بالبيض، رغم أن كلا المجموعتين كانتا مريضتين بنفس القدر.

السبب الأساسي لهذا التحيز كان مرتبطًا بتقييم الخوارزمية لدرجات المخاطر بناءً على تكاليف الرعاية الطبية للسنة السابقة. كانت الفكرة أن تحديد المرضى ذوي التكاليف الأعلى سيحدد من يحتاجون إلى رعاية طبية أكبر. لكن العديد من المرضى السود لديهم وصول أقل، وقدرة أقل على الدفع، وثقة أقل في الرعاية الطبية مقارنةً بالبيض الذين يعانون من نفس الحالة. في هذه الحالة، لم تكن تكاليفهم الطبية المنخفضة تتطابق مع حالتهم الصحية.

تستخدم برامج إدارة الرعاية نهجًا مكثفًا، مثل المكالمات الهاتفية، الزيارات المنزلية من الممرضات، وتحديد مواعيد الأطباء لمعالجة احتياجات المرضى الأكثر مرضًا. أظهرت الدراسات أن هذه البرامج تحسن النتائج، وتقلل من زيارات الطوارئ، والإقامة في المستشفيات، وتخفض التكاليف الطبية. نظرًا لأن البرامج نفسها مكلفة، فهي تُخصص للأشخاص ذوي درجات المخاطر الأعلى. تقنيات التقييم التي تميز ضد المرضى السود الأكثر مرضًا قد تكون عاملاً مهمًا في زيادة خطر وفاتهم من العديد من الأمراض.

العرق كمتغير في أمراض الكلى

يمكن أن تحتوي الخوارزميات على تحيز دون أن تتضمن العرق كمتغير، لكن بعض الأدوات تستخدم العرق عمدًا كمعيار. خذ على سبيل المثال درجة eGFR، التي تقيم صحة الكلى وتستخدم لتحديد من يحتاج إلى زراعة كلية.

في دراسة عام 1999، لاحظ الباحثون أن السود كان لديهم، في المتوسط، مستويات أعلى من الكرياتينين (ناتج تحلل العضلات) مقارنةً بالبيض. افترض العلماء أن المستويات الأعلى تعود إلى زيادة الكتلة العضلية لدى السود. لذلك، عدلوا التقييم، مما يعني أن السود يجب أن يكون لديهم درجة eGFR أقل من البيض لتشخيصهم بمرض الكلى في المرحلة النهائية. ونتيجة لذلك، كان على السود الانتظار حتى تصل حالة كليتهم إلى مرحلة أكثر حدة للتأهل للعلاج.

في عام 2018، لاحظت طالبة طب وصحة عامة في جامعة واشنطن في سياتل أن درجات eGFR لم تكن دقيقة في تشخيص شدة مرض الكلى لدى المرضى السود. ناضلت لإزالة العرق من الخوارزمية وفازت. في عام 2020، وافقت جامعة واشنطن على أن استخدام العرق كان متغيرًا غير فعال ولا يلتزم بالصرامة العلمية في أدوات التشخيص الطبي.

مهم

في عام 2021، أوصت فرقة عمل مشتركة من مؤسسة الكلى الوطنية والجمعية الأمريكية لعلم الكلى باعتماد معادلة eGFR 2021 CKD EPI الجديدة التي تقدر وظيفة الكلى بدون استخدام العرق كمتغير.

مؤشر كتلة الجسم والتحيز العنصري

حتى أبسط أدوات اتخاذ القرار الطبي التي لا تتضمن العرق يمكن أن تعكس تحيزًا اجتماعيًا. على سبيل المثال، مؤشر كتلة الجسم (BMI) يعتمد على عملية حسابية تضرب الوزن في الطول. يُستخدم لتحديد نقص الوزن، زيادة الوزن، والسمنة.

في عام 1985، ربط المعهد الوطني للصحة تعريف السمنة بمؤشر كتلة الجسم للفرد، وفي عام 1998، وضعت لجنة خبراء إرشادات تعتمد على BMI حولت 29 مليون أمريكي كانوا سابقًا يُصنفون على أنهم ذوو وزن طبيعي أو وزن زائد بسيط إلى فئة الوزن الزائد والسمنة.

اليوم، وفقًا لمعايير BMI، فإن غالبية السود، واللاتينيين، والبيض يُصنفون على أنهم يعانون من زيادة الوزن أو السمنة. لكن تقريرًا من مراكز السيطرة على الأمراض والوقاية منها (CDC) في عام 2021 وجد أن نسبة الأمريكيين الذين يمكن تصنيفهم على أنهم يعانون من السمنة تختلف حسب العرق أو المجموعة الإثنية.

وفقًا لمراكز السيطرة على الأمراض، كانت النسب بين البالغين بشكل عام:

• غير اللاتيني الأسود: 49.9%
• اللاتيني: 45.6%
• غير اللاتيني الأبيض: 41.4%
• غير اللاتيني الآسيوي: 16.1%

وعند استعراض النساء البالغات المصنفة على أنهن يعانين من السمنة، تظهر الفوارق بشكل أكبر:

• غير اللاتيني الأسود: 57.9%
• اللاتيني: 45.7%
• غير اللاتيني الأبيض: 39.6%
• غير اللاتيني الآسيوي: 14.5%

تصنيف نسب كبيرة من السكان على أنهم يعانون من زيادة الوزن أو السمنة خلق جوًا من إحراج الوزن وعدم الثقة بين المرضى والأطباء. يشتكي الأشخاص ذوو الوزن الزائد من أن الأطباء لا يعالجون المشاكل الصحية أو المخاوف التي دفعتهم للفحص. بدلاً من ذلك، يلوم الأطباء وزن المريض على مشاكله الصحية ويدفعون نحو فقدان الوزن كحل. هذا يؤدي إلى تجنب العديد من المرضى السود واللاتينيين لمقدمي الرعاية الصحية، وربما يفوتون فرصًا للوقاية أو الكشف المبكر عن المشاكل.

علاوة على ذلك، يتضح بشكل متزايد أن زيادة الوزن أو السمنة ليست دائمًا مشكلة صحية. معدلات بعض الحالات الخطيرة، مثل أمراض القلب، السكتة الدماغية، السكري من النوع 2، وأنواع معينة من السرطان، أعلى بين الأشخاص الذين يعانون من السمنة. لكن في حالات معينة، مثل التعافي بعد جراحة القلب، فإن زيادة الوزن أو السمنة المعتدلة (وليس السمنة المفرطة) مرتبطة بمعدلات بقاء أفضل.

تؤكد إرشادات السمنة الجديدة للأطباء الكنديين، المنشورة في أغسطس 2020، على ضرورة توقف الأطباء عن الاعتماد فقط على مؤشر كتلة الجسم في تشخيص المرضى. يجب أن يُشخص الأشخاص بالسمنة فقط إذا كان وزنهم يؤثر على صحتهم الجسدية أو النفسية، وفقًا للإرشادات الجديدة. ويجب أن يكون العلاج شاملاً وليس فقط يركز على فقدان الوزن. وتذكر الإرشادات أيضًا أن “الأشخاص الذين يعانون من السمنة يواجهون تحيزًا ووصمة اجتماعية كبيرة، تساهم في زيادة الأمراض والوفيات بشكل مستقل عن الوزن أو مؤشر كتلة الجسم.”

قد يُستبدل النظر في مؤشر كتلة الجسم بقياسات أخرى، مثل محيط الخصر. وقد يُعاد تعريف السمنة نفسها. في يناير 2025، اقترح مجموعة من 58 باحثًا تعريفًا جديدًا يركز على الدهون الزائدة وتأثيرها على الصحة، مقسمًا السمنة إلى فئتين: قبل سريري، عندما يكون لدى الشخص دهون زائدة لكن أعضاؤه تعمل بشكل طبيعي، وسريرية، عندما تتسبب الدهون الزائدة في ضرر للأنسجة والأعضاء.

تقليل التحيز في أدوات اتخاذ القرار

ليست الخوارزميات الطبية وحدها معرضة للتحيز. كما أشار مقال في The New England Journal of Medicine في عام 2020، “هذه المشكلة ليست حصرية على الطب. فمثلاً، يستخدم نظام العدالة الجنائية أدوات تنبؤ بإعادة الجريمة لتوجيه قرارات حول مبالغ الكفالة وأحكام السجن.” وقال المؤلفون إن أداة واحدة واسعة الاستخدام، “رغم أنها لا تستخدم العرق بشكل مباشر، إلا أنها تعتمد على عوامل كثيرة تتعلق بالعرق وتعيد درجات مخاطر أعلى للمحكوم عليهم السود.”

كما أن الاستخدام المتزايد للذكاء الاصطناعي — خاصة التعلم الآلي — أثار تساؤلات حول التحيز بناءً على العرق، الحالة الاجتماعية والاقتصادية، وعوامل أخرى. في الرعاية الصحية، غالبًا ما يعتمد التعلم الآلي على السجلات الصحية الإلكترونية. قد يتلقى المرضى الفقراء والأقليات رعاية غير متماسكة ويُرون في مؤسسات متعددة. هم أكثر عرضة للعرض في عيادات التعليم حيث قد تكون إدخالات البيانات أو التفكير السريري أقل دقة. وقد لا يتمكنون من الوصول إلى بوابات المرضى عبر الإنترنت وتوثيق النتائج. ونتيجة لذلك، قد تحتوي سجلات هؤلاء المرضى على بيانات مفقودة أو خاطئة. لذلك، قد تتسبب الخوارزميات التي تدير التعلم الآلي في استبعاد المرضى الفقراء والأقليات من مجموعات البيانات ومن الرعاية اللازمة.

الخبر السار هو أن الوعي بالتحيزات في خوارزميات الرعاية الصحية قد زاد خلال السنوات القليلة الماضية. يتم الآن فحص مدخلات البيانات والنتائج للتحقق من وجود تحيز عرقي، إثني، دخل، جنس، وعمر. تعترف جمعيات التخصصات الطبية في الولايات المتحدة بالأضرار التي يسببها الطب المبني على العرق وتتحرك نحو إنهاء اعتبار العرق في الخوارزميات السريرية. وعندما يتم التعرف على الفوارق، يمكن تعديل الخوارزميات ومجموعات البيانات لتحقيق موضوعية أفضل.

ما هو الخوارزم؟

لا توجد تعريفات قانونية أو علمية موحدة للخوارزم، لكن المعهد الوطني للمقاييس والتكنولوجيا يصفه بأنه “عملية حسابية محددة بوضوح؛ مجموعة من القواعد التي، إذا اتبعت، ستعطي نتيجة محددة.”

ما هو مثال على الخوارزم؟

بأوسع معانيه، الخوارزم هو ببساطة عملية خطوة بخطوة للإجابة على سؤال أو تحقيق نتيجة مرغوبة. على سبيل المثال، وصفة الكعكة نوع من الخوارزميات. في عالم التمويل، نظام التداول الآلي هو مثال.

ما هو التعلم الآلي؟

تعرف شركة IBM، الرائدة في المجال، التعلم الآلي بأنه “الجزء من الذكاء الاصطناعي (AI) الذي يركز على الخوارزميات التي يمكنها ‘تعلم’ أنماط بيانات التدريب، ومن ثم إجراء استنتاجات دقيقة حول بيانات جديدة.”

الخلاصة

على الرغم من مظهرها الموضوعي غير العاطفي، فإن الخوارزميات التي يستخدمها المهنيون الطبيون لاتخاذ قرارات معينة قد تكون عرضة للتحيز بناءً على العرق، الطبقة الاجتماعية، وعوامل أخرى. لذلك، لا يمكن الاعتماد على الخوارزميات على أنها موثوقة بشكل أعمى، بل يجب إخضاعها لتحليل دقيق. كما أشار مقال في MIT Technology Review في عام 2021، “مصطلح ‘خوارزم’، مهما كان تعريفه، لا ينبغي أن يكون درعًا يعفي البشر الذين صمموها ونشروها من المسؤولية عن نتائج استخدامها.”