Расовая предвзятость в инструментах принятия решений в медицинском обслуживании

Расовая предвзятость в медицинской помощи может проявляться в неожиданных местах. Один из примеров — клинические инструменты принятия решений, которые играют важную роль в том, как сегодня тестируют, диагностируют и лечат пациентов.

Эти инструменты содержат алгоритмы или пошаговые процедуры, обычно компьютеризированные, для расчета таких факторов, как риск сердечных заболеваний, необходимость рентгенографии грудной клетки и дозировки лекарств. Искусственный интеллект может использоваться для анализа медицинских записей и систем выставления счетов с целью создания необходимых наборов данных.

На первый взгляд, это может звучать объективно. Но исследования показали, что анализ данных, используемый в этих алгоритмах, может быть предвзятым в критически важных аспектах по отношению к определенным расовым и социально-экономическим группам. Это может иметь множество последствий в отношении объема и качества медицинской помощи, которую получают представители этих групп.

Основные выводы

• Медицинские инструменты принятия решений играют большую роль в том, как сегодня тестируют, диагностируют и лечат пациентов.
• К сожалению, алгоритмы, на которых они основаны, иногда могут быть предвзяты.
• Использование данных о медицинских расходах для оценки состояния здоровья человека может неправильно оценить тяжесть болезни у бедных и меньшинственных пациентов, когда низкие медицинские расходы отражают недостаток доступа к медицинской помощи, а не отсутствие необходимости.
• Алгоритм определения индекса массы тела (ИМТ), используемый для диагностики избыточного веса или ожирения, создал атмосферу стыда и недоверия между пациентами и врачами, поскольку больше чернокожих женщин, чем испаноязычных или белых женщин, теперь классифицируются как страдающие ожирением.
• Ввод данных и результаты теперь начинают проверяться на наличие расовых, этнических, доходных, гендерных и возрастных предвзятостей, чтобы выявлять различия и исправлять алгоритмы.

Расовая предвзятость влияет на самых больных пациентов

В 2019 году исследование алгоритма, широко используемого больницами и страховщиками США для распределения дополнительной помощи в управлении здоровьем, показало системную дискриминацию чернокожих. Инструмент принятия решений реже направлял чернокожих пациентов, чем белых, в программы по управлению сложными медицинскими потребностями, несмотря на одинаковую тяжесть их заболеваний.

Причина предвзятости заключалась в присвоении алгоритмом риск-оценок на основе медицинских затрат за прошлый год. Предполагалось, что более высокие затраты указывают на большие медицинские потребности. Однако у многих чернокожих пациентов меньше доступа к медицинской помощи, меньшие возможности оплатить лечение и меньше доверия к системе здравоохранения, чем у белых с аналогичным уровнем болезни. В этом случае их меньшие затраты не точно отражали их состояние здоровья.

Программы управления уходом используют интенсивный подход, включающий телефонные звонки, домашние визиты медсестер и приоритетные приемы у врачей для решения сложных потребностей самых тяжелых пациентов. Эти программы показывают улучшение результатов, снижение количества посещений скорой помощи и госпитализаций, а также снижение медицинских расходов. Поскольку такие программы дорогие, их назначают людям с самыми высокими баллами риска. Методы оценки, дискриминирующие самых тяжелых чернокожих пациентов, могут значительно повышать их риск смерти от различных заболеваний.

Раса как переменная при болезни почек

Алгоритмы могут содержать предвзятость и без учета расы, но некоторые инструменты специально используют расу как критерий. Например, показатель eGFR, оценивающий здоровье почек и используемый для определения необходимости пересадки почки.

В исследовании 1999 года, при установлении критериев для оценки eGFR, ученые заметили, что у чернокожих в среднем выше уровень креатинина (продукт распада мышечной ткани), чем у белых. Предполагалось, что это связано с большей мышечной массой у чернокожих. Поэтому скоринг был скорректирован так, что чернокожие должны иметь более низкий показатель eGFR, чтобы диагностировать у них терминальную стадию болезни почек. В результате чернокожие должны ждать более тяжелого этапа заболевания, чтобы получить лечение.

В 2018 году студентка-медик и специалист по общественному здравоохранению из Университета Вашингтона в Сиэтле обнаружила, что показатели eGFR не точны для диагностики тяжести болезни почек у чернокожих пациентов. Она боролась за исключение расы из алгоритма и победила. В 2020 году UW Medicine согласилась, что использование расы — неэффективная переменная, не соответствующая научным стандартам в медицинской диагностике.

Важно

В 2021 году совместная рабочая группа Национального фонда почек и Американского общества нефрологии рекомендовала принять новую формулу eGFR 2021 CKD EPI для оценки функции почек без использования расы как переменной.

Индекс массы тела и расовая предвзятость

Даже самый простой медицинский инструмент, не учитывающий расу, может отражать социальную предвзятость. Например, индекс массы тела (ИМТ), основанный на умножении веса на рост, используется для определения недостаточного веса, избыточного веса и ожирения.

В 1985 году Национальные институты здравоохранения связали определение ожирения с ИМТ, а в 1998 году экспертная группа установила руководящие принципы, основанные на ИМТ, которые перевели 29 миллионов американцев из категории нормального веса или легкого избыточного веса в категории ожирения.

Сегодня по стандартам ИМТ большинство чернокожих, испаноязычных и белых людей считаются страдающими избыточным весом или ожирением. Но отчет Центров по контролю и профилактике заболеваний (CDC) за 2021 год показал, что процент американцев, которых можно классифицировать как страдающих ожирением, варьируется по расовым и этническим группам.

По данным CDC, среди взрослых в целом показатели были такие:

• Неиспанские чернокожие: 49,9%
• Испаноязычные: 45,6%
• Неиспанские белые: 41,4%
• Неиспанские азиаты: 16,1%

Если рассматривать женщин, классифицированных как страдающие ожирением, различия становятся еще более заметными:

• Неиспанские чернокожие: 57,9%
• Испаноязычные: 45,7%
• Неиспанские белые: 39,6%
• Неиспанские азиаты: 14,5%

Объявление такой большой части населения как страдающей ожирением создало атмосферу стыда и недоверия между пациентами и врачами. Люди с избыточным весом жалуются, что врачи не обращают внимания на их проблемы со здоровьем или причины обращения. Вместо этого врачи обвиняют вес пациента и предлагают похудение как решение. Это способствует тому, что многие чернокожие и испаноязычные пациенты избегают обращения к специалистам и, возможно, пропускают возможность профилактики или раннего выявления проблем.

Кроме того, становится все яснее, что избыточный вес или ожирение не всегда являются проблемой здоровья. Уровни некоторых серьезных заболеваний, таких как сердечно-сосудистые болезни, инсульт, диабет 2 типа и некоторые виды рака, выше у страдающих ожирением. Но в определенных ситуациях, например, после сердечных операций, избыточный вес или умеренное ожирение (не морбидное) связаны с лучшими показателями выживаемости.

Новые рекомендации по ожирению для канадских врачей, опубликованные в августе 2020 года, подчеркивают, что врачи должны перестать полагаться только на ИМТ при диагностике. Людей следует считать страдающими ожирением только если их вес влияет на физическое здоровье или психоэмоциональное состояние. Лечение должно быть комплексным и не ограничиваться только снижением веса. В руководствах также отмечается, что «люди, страдающие ожирением, сталкиваются с существенной предвзятостью и стигмой, что способствует увеличению заболеваемости и смертности независимо от веса или ИМТ».

Возможно, оценка ИМТ будет заменена другими мерами, например, окружностью талии. А само понятие ожирения может быть переосмыслено. В январе 2025 года группа из 58 исследователей предложила новое определение, которое сместит акцент с ИМТ на избыток жира и его влияние на здоровье. Предложены две категории ожирения: предклиническое — когда у человека есть избыток жира, но органы функционируют нормально, и клиническое — когда избыток жира повреждает ткани и органы.

Снижение предвзятости в инструментах принятия решений

Медицинские алгоритмы — не единственный тип алгоритмов, которые могут быть предвзятыми. Как отметил в 2020 году The New England Journal of Medicine, «Эта проблема не уникальна для медицины. Например, система уголовного правосудия использует инструменты предсказания рецидива для определения размеров залога и сроков заключения». Авторы отметили, что один широко используемый инструмент, «хотя и не использует расу напрямую, использует множество факторов, коррелирующих с расой, и выдает более высокие оценки риска для чернокожих обвиняемых».

Рост использования искусственного интеллекта (ИИ), особенно машинного обучения, также вызывает вопросы о предвзятости по расовым, социально-экономическим и другим признакам. В здравоохранении машинное обучение часто опирается на электронные медицинские записи. Бедные и меньшинственные пациенты могут получать разрозненную помощь и обращаться в разные учреждения. Они чаще всего попадают в учебные клиники, где ввод данных или клиническое мышление могут быть менее точными. Также у них может не быть доступа к онлайн-порталам для пациентов и документированию результатов. В результате у таких пациентов могут отсутствовать или быть ошибочные данные. Алгоритмы, управляющие машинным обучением, могут исключать бедных и меньшинственных пациентов из наборов данных и необходимого ухода.

Хорошая новость — за последние годы возросло осознание предвзятости в медицинских алгоритмах. Ввод данных и результаты начинают проверяться на наличие расовых, этнических, доходных, гендерных и возрастных предвзятостей. Медицинские профессиональные общества в США признают вред, причиняемый расовой медицине, и работают над исключением расы из клинических алгоритмов. Когда выявляются различия, алгоритмы и наборы данных могут быть пересмотрены для повышения объективности.

Что такое алгоритм?

Нет единого юридического или научного определения алгоритма, но Национальный институт стандартов и технологий (NIST) определяет его как «четко определенный математический процесс для вычислений; набор правил, которые, если соблюдать, дадут предписанный результат».

Пример алгоритма

В самом широком смысле алгоритм — это просто пошаговый процесс для ответа на вопрос или достижения желаемого результата. Например, рецепт торта — это форма алгоритма. В сфере финансов автоматизированная торговая система — пример.

Что такое машинное обучение?

IBM, пионер в этой области, определяет машинное обучение как «подмножество искусственного интеллекта (ИИ), сосредоточенное на алгоритмах, которые могут «учиться» распознавать шаблоны обучающих данных и, впоследствии, делать точные выводы о новых данных».

Итог

Несмотря на кажущуюся объективность, алгоритмы, используемые медицинскими специалистами для принятия решений, могут быть предвзяты по признакам расы, класса и другим факторам. Поэтому алгоритмы нельзя принимать на веру — их необходимо подвергать строгому анализу. Как отметила в 2021 году статья в MIT Technology Review, «Термин ‘алгоритм’, каким бы определением он ни обладал, не должен служить щитом, освобождающим создателей и внедрителей систем от ответственности за последствия их использования».