Predecir la raza de los pacientes puede mejorar la equidad en la prestación de atención médica, según un nuevo análisis

Los algoritmos diseñados para guiar la atención médica pueden contribuir a resultados racialmente inequitativos, pero eliminar la información sobre la raza y el origen étnico del paciente como entrada a los algoritmos no es la forma correcta de abordar el problema, según un nuevo análisis de RAND Corporation.

En cambio, el uso de herramientas para estimar la información racial y étnica sobre los pacientes donde la información de identificación personal no está disponible en realidad podría catalizar los esfuerzos para mejorar los algoritmos de atención médica y capacitar a los médicos para reducir el sesgo en la forma en que practican.

El análisis se publica en la edición de agosto de la revista asuntos de salud.

«El conocimiento de la raza y el origen étnico, no la ignorancia, es necesario para combatir el sesgo algorítmico», dijo Marc Elliott, autor principal del artículo y estadístico principal principal de RAND, una organización de investigación sin fines de lucro. «La imputación de información sobre raza y etnia puede ampliar las oportunidades no solo para identificar el sesgo algorítmico, sino también para combatir el sesgo en entornos clínicos y no clínicos».

Los algoritmos, procedimientos matemáticos bien definidos para derivar predicciones o puntajes de la información, se usan ampliamente para ayudar en la toma de decisiones en el cuidado de la salud. Dichas herramientas afectan las decisiones sobre quién recibe atención, el tipo de atención que reciben, cómo se brinda la atención y a qué costo.

Los algoritmos de atención médica se desarrollan con el objetivo de mejorar la calidad de la atención minimizando la variación en la toma de decisiones clínicas, promoviendo una mayor adherencia a las mejores prácticas y maximizando el uso eficiente de los escasos recursos.

Por ejemplo, varios estudios han encontrado que las puntuaciones derivadas de los algoritmos predicen las infecciones de garganta por estreptococo e identifican las lesiones cancerosas de la piel con mayor precisión que las evaluaciones clínicas.

A medida que ha aumentado el uso de algoritmos en el cuidado de la salud, se ha reconocido cada vez más que las herramientas pueden tener la consecuencia no deseada de codificar sesgos raciales y étnicos, lo que podría perpetuar peores resultados para los pacientes.

Por ejemplo, se ha demostrado que un algoritmo ampliamente utilizado desarrollado para ayudar a guiar la atención de la insuficiencia cardíaca reduce los puntajes de riesgo de los pacientes negros en relación con pacientes similares de otras razas.

En otro caso, un algoritmo de uso común para predecir el éxito del parto vaginal después de una cesárea anterior predice un éxito menor para las madres negras e hispanas en comparación con las madres blancas similares.

Los investigadores de RAND dicen que aunque los sesgos albergados por los algoritmos pueden dar lugar a resultados inequitativos, en muchos casos la toma de decisiones humanas sesgadas es la alternativa del statu quo al sesgo algorítmico. De hecho, los sesgos algorítmicos a menudo ocurren cuando un algoritmo aprende a detectar disparidades que ya están presentes en los datos en los que se entrenan.

Aunque pocos piden la eliminación de algoritmos para ayudar en la toma de decisiones de atención médica, una recomendación común para reducir el potencial de sesgo algorítmico es excluir la raza y el origen étnico como entrada, una práctica comúnmente conocida como equidad por desconocimiento.

Los investigadores de RAND argumentan que una mejor estrategia es emplear herramientas de disparidad de salud (incluidas las ampliamente utilizadas desarrolladas por el equipo de RAND) para medir las desigualdades algorítmicas por raza y etnia, lo que puede ser posible incluso cuando la raza y la etnia de un paciente no han sido autoinformadas. .

La imputación de datos de raza y etnicidad faltantes o poco confiables facilita la identificación del sesgo algorítmico y aclara qué medidas correctivas se necesitan para reducir o eliminar el sesgo algorítmico de las decisiones de tratamiento.

Otro ejemplo de cómo la información imputada sobre raza y etnia puede mejorar la equidad en la atención médica sería usar la información para garantizar la equidad en esquemas de pago por desempeño que usan sistemas de pago para recompensar a los médicos que brindan atención de mayor calidad.

«La imputación de raza y etnia en la investigación de la atención de la salud se ha aplicado tradicionalmente para identificar las disparidades en la salud», dijo Elliott. «El continuo crecimiento y uso de algoritmos en las decisiones de atención médica destaca la necesidad de aprovechar la imputación de raza y etnia para abordar las disparidades de salud de nuevas maneras».

Otros autores del análisis son Irineo Cabreros, Denis Agniel, Steven C. Martino y Cheryl L. Damberg.