冬天2023

CDS工具的竞争
作者:Lisa A. Eramo, MA
郑重声明
第35卷第1页

它是否导致了持续的医疗保健差距?越来越多的证据表明“是的”。

医疗机构收集种族数据已经有几十年了——从电子病历出现之初，甚至更早。然而，组织如何处理这些数据呢?更具体地说，他们是否应该将其用于临床决策支持(CDS)，以解决医疗保健差距?专家们一致认为，答案并不简单，在某些情况下，有关种族的数据实际上会加剧不平等，而不是帮助解决问题。

识别医疗保健差距
很明显，种族在解决医疗保健差异方面发挥着重要作用。没有什么比COVID-19大流行更能体现这一点了。

“从历史上看，几代人以来一直存在许多卫生不公平现象。他们继续存在，特别是在有色人种社区，特别是在预防保健和获得保健方面，”德克萨斯州平等健康组织的家庭医学医生和医疗主任、FAAFP医学博士、雪莉·d·奥尼戈说。

医学博士、MS、FACC、FAHA、FHFSA、终身医学副教授、Tools Indiana大学晚期心力衰竭和移植心脏病专家Khadijah brethett同意这一观点。“在COVID大流行期间，我们接近了一个社会正义的时代，这个时代受到越来越多的宣传和媒体关注。人们不能再忽视这些长期存在的问题了。“这些都是对少数民族人口造成毁灭性打击的现实问题。维持现状对美国医疗保健和社会来说是歧视性的，也是不可持续的。”

理解CDS算法
问题是:种族是否应该成为CDS算法的一部分，包括临床医生用来做医疗决策的工具、风险计算器和决策辅助工具?

在许多情况下，答案是否定的，布雷特说，他提供了用于监测肾功能的估计肾小球滤过率(eGFR)的例子。直到最近，许多卫生保健提供者和实验室都将种族因素纳入计算。然而，最近的研究表明，使用种族可能是不合适的。2021年9月，美国国家肾脏基金会和美国肾脏病学会工作组发布了一份报告，表明目前的GFR计算器高估了黑人人群的eGFR，在较小程度上也高估了非黑人人群的eGFR。

“这意味着黑人被错误地归类为患有不那么严重的肾脏疾病，”Onyiego说。“这导致了不准确的诊断和肾脏疾病分期，以及治疗延误，导致黑人患者不被考虑进行肾脏移植。”

因此，许多医疗机构开始从CDS工具中删除种族因素，the Chartis Group的董事兼首席医疗和质量官Andrew Resnick医学博士说。他说:“有一场运动是为了识别种族化的药物，并将其消除。”“根据eGFR的计算，它使黑人患者的肾功能看起来人为地更高，减少了包括肾脏移植在内的治疗机会。”

例如，加州大学戴维斯分校健康中心(UC Davis Health)在其博客上表示，将于2021年5月4日停止使用种族作为eGFR的参数。该博客指出:“在没有比赛参数的情况下计算的单个eGFR将在图表中报告为离散值。使用这种计算方法对CKD(慢性肾脏疾病)的检测更为敏感。这支持缩小CKD差异的目标，包括与白人患者相比，非裔美国人CKD患病率更高，终末期肾病进展率更高，以及移植资格。”

Onyiego提供了一个类似的例子，在临床决策中使用种族和民族:剖宫产后阴道分娩(VBAC)计算器。她说:“VBAC计算器是一个简单的工具，可以预测女性在之前剖腹产后成功顺产的可能性，产科医生已经使用它很多年了。”“然而，最近的文献表明，在这种计算中，种族作为一个风险因素主要是建立在社会/结构基础上的，而不是生物基础上的。这可能会导致得分不高的女性无法选择试产和顺产。”

例如，研究表明，黑人、美洲印第安人和阿拉斯加土著妇女死于与怀孕有关的原因的可能性是白人妇女的两到三倍。Onyiego说，基于种族的VBAC计算/预测的剖宫产可能是这些健康不平等的驱动因素之一。她补充说:“人们一直在努力将种族从VBAC计算器中删除。”

最近一篇发表在新英格兰医学杂志强调了在多个专业中不恰当地使用种族数据的无数其他例子——所有这些都对少数民族患者造成了潜在的损害。

此外,华盛顿邮报2019年报道称，一种广泛使用的算法用于预测哪些患者将受益于额外的医疗护理，严重低估了病情最严重的黑人患者的健康需求。

美国医学协会(AMA)候任主席Jesse Ehrenfeld医学博士说:“我们不能允许这些错误发生在广泛层面或个人层面的人群健康管理算法中，当它是床边的临床决策支持时。”

奥尼耶戈说，考虑到种族不是基于生物学的事实，从CDS工具中删除种族的努力是有道理的。事实上，在2020年，美国医学协会修改了其政策，承认种族是一种社会而非生物结构。

奥尼耶戈说:“多年来，种族已被纳入许多临床决策支持工具，但现在人们更多地意识到种族与任何生物学差异无关。”“这是对人群的结构和社会影响，使他们面临更糟糕结果的更高风险。”当我们将种族因素纳入临床工具和算法时，可能会导致治疗过度或治疗不足，或者可能会阻止人们接受改善结果的手术。”

艾伦菲尔德对此表示赞同。“人们错误地将种族与遗传特征的内在生物学混为一谈。我认为人们认识到的是，种族往往是风险因素和结构性种族主义的代表。我们没有任何证据表明种族是主要的生物决定因素。”

联邦政府也提高了对这一问题的认识。2021年10月，众议院筹款委员会发布了一份报告，描述了将种族纳入CDS工具如何对卫生公平产生负面影响，以及利益攸关方如何解决这一问题。此外，应国会要求，美国医疗保健研究与质量局(US Agency for Healthcare Research and Quality)正在研究临床算法可能如何在临床决策中引入偏见。

拥抱CDS 2.0
尽管如此，未来的CDS工具可能足够复杂，可以解释与种族和健康结果相关的细微差别。“我们需要用种族意识算法取代基于种族的算法，”埃伦菲尔德说。“后者将种族纳入其中，以促进公平的健康结果，尽管我们的机构中存在持续的种族不平等。”

布雷希特说，建立一个更好的模型要从临床指南开始。“许多临床指南没有基于不同的人群，卫生保健系统正在开始重新评估这一点，”她补充说。“其中一些指导方针已经发布并使用了很长时间，人们意识到我们做事的方式是错误的，这会导致护理恶化。”

布雷希特补充道:“那些决定将哪些因素纳入这些模型的人必须是一个多样化的群体。团队越多样化，结果就越好。同样重要的是，这些模型要在不同的人群中进行测试和研究。如果只在白人男性中进行研究，就不会对其他人群产生准确的结果。”她说，医疗保健系统“也需要愿意看看是谁开发了算法，这些算法在谁身上进行了测试。”

AHIMA最近回应了这一观点，称在开发人工智能(AI)和其他医生辅助技术时，必须考虑到偏见。AHIMA在其关于在美国联邦政策中进一步促进卫生公平的建议中指出:“随着卫生保健不断推进和实施新技术，对于那些开发、培训和实施这些技术的人来说，在业务活动中适当考虑偏见是至关重要的。如果在开发过程的每一步都没有不同的专家在场，那么人工智能和其他医生辅助技术的实施将会带来意想不到的偏见。确保在开发和实施过程的所有步骤中都有不同的代表，将有助于限制下一代医疗保健技术中意外偏见的存在。”

埃伦菲尔德说，透明度也很重要，这样医生就能充分了解算法，它是如何工作的，以及它是否适合用于某些病人。他说:“当你知道模型中的输入、数据集和变量时，就很容易理解是什么驱动了输出。”“当你开始使用机器学习时，事情就变得棘手了。有些公司选择在算法的底层基础方面做得非常清楚。美国医学协会对此表示支持。其他公司则不愿透露细节。我们认为这是个问题。”

布雷希特说，临床医生在使用CDS工具时应该经常问自己这三个关键问题:

1.这个计算器在不同的人群中得到验证了吗?

2.计算器会导致有偏见的决策或种族歧视吗?

3.我如何调整我的护理计划，以解决偏见、结构性种族主义和健康的社会决定因素?

解决结构性种族主义
也许更重要的是认识到结构性种族主义的影响——特别是在CDS工具中缺乏种族数据的情况下，布雷希特说。她说:“在不考虑导致偏见的因素的情况下，完全从CDS工具中删除种族是错误的。”“我们需要做的是解决导致结构性种族主义的因素，并在我们的临床决策中解决这些因素，这样我们就可以提供公平的护理。”

艾伦菲尔德对此表示赞同。他说:“美国医学会支持将种族和民族作为疾病风险增加的标志。”

确保数据完整性
医学博士、公共卫生硕士、工商管理硕士、Cityblock health副首席卫生官史蒂文·斯宾塞(Steven Spencer)说，现在收集有关种族的准确、全面的数据比以往任何时候都更重要。这要从电子病历开始。例如，电子病历是否为种族提供了足够的选择?此外，一线工作人员必须能够放心地询问患者的种族问题。对于任何想要正确处理这一问题的组织来说，第一步就是停止做假设。”“员工需要问这个问题。他们不能假设种族或民族。”

Breathett表示同意。“你不能通过一个人的长相或名字来猜测他的种族，”她说。“患者必须自我识别这些信息。”

然而，即使当工作人员问这个问题时，一些患者可能会犹豫是否提供信息。这就是耐心教育的意义所在。

斯宾塞说:“我认为我们需要更好地解释这个问题背后的‘原因’。”他补充说，即使在摄入表格上，患者也只是把种族问题留白，或者选择“其他”。他补充说:“人们普遍认为，无论阶级或保险状况如何，少数族裔都不会得到与非少数族裔相同的待遇。”

研究证实了这一点。凯泽家庭基金会(Kaiser Family Foundation)在2020年进行的一项调查发现，黑人和西班牙裔成年人比白人成年人更有可能报告说，他们在过去一年获得医疗保健时，因种族和民族而受到不公平对待。黑人成年人也比白人成年人更有可能报告与卫生保健提供者的负面经历。这包括感觉提供者不相信他们说的是真话，被拒绝进行他们认为需要的测试或治疗，以及被拒绝服用止痛药。此外，与白人相比，黑人和西班牙裔成年人更有可能说，很难找到一个对他们有尊严和尊重的医生。

斯宾塞说，应对这些挑战始于数据收集，一线工作人员必须能够自如地解释该组织如何利用种族数据来加强治疗，而不是成为治疗的障碍。斯宾塞提供了工作人员可以用来吸引患者的三个谈话要点:

•该组织对每个病人都提出这个问题，而不仅仅是少数族裔。

•组织收集信息是因为它想平等对待每个人。

•这些信息可能对你的治疗和你寻求护理的原因很重要。

然而，看到卫生公平的大局也很重要，Resnick说。“这绝对是一个过程，”他补充道。“我曾与许多组织合作，试图解决这个问题。这不仅仅是一次谈话，而是与你所服务的社区建立信任。”

利用种族数据改善健康公平和基于价值的护理
组织可以利用种族和民族数据来促进所有患者群体的公平护理——这是基于价值的护理的一个目标，Onyiego说。她说:“我认为，我们将继续看到，掌握有关种族、民族和语言的准确信息，有助于医疗服务提供者在照顾他们的人群方面做出更好的决定。”“我们可以利用基于价值的护理作为卫生公平的杠杆。”

斯宾塞说，例如，组织可以——也应该——根据种族和民族来检查所有的临床结果。斯宾塞以前在宾夕法尼亚州阿宾顿市的阿宾顿医院担任人口健康医学主任时就这样做过。在那里，他按种族和民族检查了多种临床结果，包括对乳房x光检查率差异的全面观察。

Resnick对此表示赞同，并补充说，组织应该根据种族、民族和语言(REAL)对所有临床状况、结果和过程测量进行分层;残疾;性取向和性别认同(SOGI)数据。他提供了重新接纳的例子。他说:“如果你试图解决再入院的问题，而你只是在看所有再入院的病人，那么缩小差距将是非常困难的。”“但如果你看一下每个人群，你就会开始发现这些患者获得护理的方式存在差异。

组织还可以利用REAL和SOGI数据来促进文化主管护理，并为提供者提供文化主管培训。奥尼耶戈说:“无论环境如何，都需要有文化能力的护理。”“它也超越了供应商本身，延伸到前台员工、高管，以及两者之间的所有人。它还包括用病人喜欢的语言提供健康信息，提供翻译，帮助病人以他们文化上喜欢的方式吸收信息等等。”

埃伦菲尔德说:“美国医学协会坚信种族和民族数据收集的重要性，它可以更好地了解我们社会中健康和疾病的分布，以及我们系统中结构性种族主义的遗留问题，从而为设计和实施解决方案提供信息，以促进和推动公平。”

- Lisa a . Eramo, MA，罗德岛克兰斯顿的自由撰稿人和编辑，专门研究HIM，医疗编码和医疗保健监管主题。