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 ومعالجة 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 أظهرت الدراسات أن تحليل البيانات المستخدم في هذه الخوارزميات يمكن أن يكون متحيزًا بشكل حاسم ضد مجموعات عرقية واجتماعية واقتصادية معينة. وهذا يمكن أن يترتب عليه 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 ومعالجة 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 الحاجة الفعلية.
• خوارزمية مؤشر كتلة الجسم (BMI) المستخدمة لتشخيص زيادة الوزن أو السمنة خلقت جوًا من إحراج الوزن وعدم الثقة بين المرضى والأطباء، حيث أصبح الآن أكثر من النساء السود يُصنفن 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 بشكل متساوٍ.

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 سيساعد في تحديد من يحتاج إلى رعاية طبية أكبر. لكن العديد من المرضى السود لديهم أقل وصول إلى الرعاية، وأقل قدرة على الدفع، وأقل ثقة في الرعاية الطبية مقارنةً بالبيض الذين يعانون من نفس الحالة. في هذه الحالة، لم تكن تكاليفهم الطبية المنخفضة تعكس حالتهم الصحية بدقة.

تستخدم برامج إدارة الرعاية نهجًا مكثفًا، مثل المكالمات الهاتفية، والزيارات المنزلية من قبل الممرضات، وتحديد مواعيد الأطباء لمعالجة احتياجات المرضى الأكثر مرضًا. أظهرت الدراسات أن هذه البرامج تحسن النتائج، وتقلل من زيارات الطوارئ، وتقليل حالات الاستشفاء، وتخفض التكاليف الطبية. نظرًا لأن البرامج ذاتها مكلفة، فهي تُخصص للأشخاص ذوي درجات المخاطر الأعلى. قد يكون استخدام تقنيات التقييم التي تميز ضد المرضى السود الأكثر مرضًا سببًا رئيسيًا 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 وضعت معايير لدرجة eGFR، لاحظ الباحثون أن السود كان لديهم، في المتوسط، مستويات أعلى من الكرياتينين (ناتج تحلل العضلات) مقارنةً بالبيض. افترض العلماء أن المستويات الأعلى كانت بسبب زيادة الكتلة العضلية لدى السود. لذلك، عدلوا التقييم، مما يعني أن السود يجب أن يكون لديهم درجة eGFR أقل من البيض لتشخيصهم بمرض الكلى النهائي. ونتيجة لذلك، كان على السود الانتظار حتى تصل حالتهم إلى مرحلة أكثر حدة من المرض ليكونوا مؤهلين 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 يفي بالصرامة العلمية في أدوات التشخيص الطبي.

مهم

في عام 2021، أوصت مجموعة عمل مشتركة من مؤسسة الكلى الوطنية والجمعية الأمريكية لعلم الكلى باعتماد معادلة eGFR الجديدة لعام 2021 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 يُصنفون سابقًا 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 هسباني أسود: 49.9%
• لاتيني: 45.6%
• غير هسباني أبيض: 41.4%
• غير هسباني آسيوي: 16.1%

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

• غير هسباني أسود: 57.9%
• لاتيني: 45.7%
• غير هسباني أبيض: 39.6%
• غير هسباني آسيوي: 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 كون الشخص زائد الوزن أو سمينًا ليس دائمًا مشكلة صحية. معدلات بعض الحالات الخطيرة، مثل أمراض القلب، والسكتة الدماغية، ومرض 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 وزن جسمهم 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 في الجسم وتأثيرها على الصحة، مقسمًا السمنة إلى فئتين: قبل سريري، عندما يكون لدى الشخص دهون زائدة لكن أعضاؤه تعمل بشكل طبيعي، وسريرية، عندما تضر الدهون الزائدة الأنسجة والأعضاء.

تقليل التحيز في أدوات اتخاذ القرار

ليست الخوارزميات الطبية هي النوع الوحيد من الخوارزميات التي يمكن أن تكون متحيزة. كما أشار مقال في The New England Journal of Medicine عام 2020، “هذه المشكلة ليست حصرية بالطب. على سبيل المثال، يستخدم نظام العدالة الجنائية أدوات تنبؤ بالانتكاس لتوجيه قرارات حول مبالغ الكفالة والأحكام بالسجن.” 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 للمحاكمين السود.”

كما أن الاستخدام المتزايد للذكاء الاصطناعي — خاصة التعلم الآلي — أثار أسئلة 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 ويُشاهدون في مؤسسات متعددة. هم أكثر عرضة للزيارة في عيادات التعليم حيث قد تكون إدخال 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 لتحقيق 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 عام 2021، “مصطلح ‘خوارزم’، مهما كانت تعريفاته، لا ينبغي أن يكون درعًا يعفي البشر الذين صمموها ونشروها من المسؤولية عن نتائج استخدامها.”