Home Notizie recenti La previsione della razza dei pazienti può migliorare l’equità nell’erogazione dell’assistenza sanitaria,...

La previsione della razza dei pazienti può migliorare l’equità nell’erogazione dell’assistenza sanitaria, afferma una nuova analisi

11
0

Credito: Unsplash/CC0 di dominio pubblico

Gli algoritmi progettati per guidare l’assistenza medica possono contribuire a risultati razzialmente iniqui, ma l’eliminazione delle informazioni sulla razza e l’etnia dei pazienti come input per gli algoritmi non è il modo giusto per affrontare il problema, secondo una nuova analisi della RAND Corporation.

Invece, l’utilizzo di strumenti per stimare le informazioni razziali ed etniche sui pazienti in cui le informazioni autoidentificate non sono effettivamente disponibili potrebbe catalizzare gli sforzi sia per migliorare gli algoritmi sanitari sia per consentire ai medici di ridurre i pregiudizi nel modo in cui praticano.

L’analisi è pubblicata nel numero di agosto della rivista Affari sanitari.

“La conoscenza della razza e dell’etnia, non l’ignoranza, è necessaria per combattere i pregiudizi algoritmici”, ha affermato Marc Elliott, autore senior del documento e statistico principale senior presso RAND, un’organizzazione di ricerca senza scopo di lucro. “Imputare informazioni su razza ed etnia può ampliare le opportunità non solo per identificare i pregiudizi algoritmici, ma anche combattere i pregiudizi in contesti sia clinici che non clinici”.

Gli algoritmi, procedure matematiche ben definite per derivare previsioni o punteggi dalle informazioni, sono ampiamente utilizzati per aiutare il processo decisionale nell’assistenza sanitaria. Tali strumenti influenzano le decisioni su chi riceve l’assistenza, il tipo di assistenza che riceve, come viene fornita l’assistenza ea quale costo.

Gli algoritmi sanitari sono sviluppati con l’obiettivo di migliorare la qualità dell’assistenza riducendo al minimo le variazioni nel processo decisionale clinico, promuovendo una maggiore aderenza alle migliori pratiche e massimizzando l’uso efficiente delle scarse risorse.

Ad esempio, numerosi studi hanno scoperto che i punteggi derivati ​​dagli algoritmi predicono le infezioni da streptococco e identificano le lesioni cutanee cancerose in modo più accurato rispetto alle valutazioni cliniche.

Con l’aumento dell’uso degli algoritmi nell’assistenza sanitaria, c’è stato un crescente riconoscimento che gli strumenti possono avere la conseguenza non intenzionale di codificare i pregiudizi razziali ed etnici, perpetuando potenzialmente esiti peggiori per i pazienti.

Ad esempio, è stato dimostrato che un algoritmo ampiamente utilizzato sviluppato per aiutare a guidare la cura per l’insufficienza cardiaca sgonfia i punteggi di rischio dei pazienti neri rispetto a pazienti simili di altre razze.

In un altro caso, un algoritmo comunemente usato per predire il successo del parto vaginale dopo un precedente parto cesareo prevede un successo inferiore per le madri nere e ispaniche rispetto a madri bianche simili.

I ricercatori della RAND affermano che, sebbene i pregiudizi nutriti dagli algoritmi possano portare a risultati iniqui, in molti casi il processo decisionale umano distorto è l’alternativa allo status quo al pregiudizio algoritmico. In effetti, le distorsioni algoritmiche si verificano spesso quando un algoritmo impara a rilevare le disparità che sono già presenti nei dati su cui viene addestrato.

Sebbene pochi richiedano l’eliminazione di algoritmi per aiutare il processo decisionale sanitario, una raccomandazione comune per ridurre il potenziale di pregiudizi algoritmici è escludere la razza e l’etnia come input, una pratica comunemente definita equità attraverso l’inconsapevolezza.

I ricercatori della RAND sostengono che una strategia migliore consiste nell’utilizzare strumenti per la disparità di salute (compresi quelli ampiamente utilizzati sviluppati dal team RAND) per misurare le disuguaglianze algoritmiche per razza ed etnia, il che può essere possibile anche quando la razza e l’etnia di un paziente non sono state auto-riferite .

L’imputazione di dati razziali ed etnici mancanti o inaffidabili facilita l’identificazione dei bias algoritmici e chiarisce quali misure correttive sono necessarie per ridurre o rimuovere i bias algoritmici dalle decisioni terapeutiche.

Un altro esempio di come le informazioni imputate su razza ed etnia possano migliorare l’equità dell’assistenza sanitaria sarebbe l’utilizzo delle informazioni per garantire l’equità in schemi di pagamento in base alle prestazioni che utilizzano sistemi di pagamento per premiare i medici che forniscono cure di qualità superiore.

“L’imputazione di razza ed etnia nella ricerca sanitaria è stata tradizionalmente applicata per identificare le disparità di salute”, ha affermato Elliott. “La continua crescita e l’uso di algoritmi nelle decisioni sanitarie mette in luce la necessità di sfruttare l’imputazione di razza ed etnia per affrontare le disparità sanitarie in modi nuovi”.

Altri autori dell’analisi sono Irineo Cabreros, Denis Agniel, Steven C. Martino e Cheryl L. Damberg.


Articolo precedenteMantenere il flusso costante dei refrigeranti nelle unità HVAC
Articolo successivoUn nuovo studio sulla popolazione statunitense prevede un forte aumento delle malattie cardiovascolari entro il 2060