AI สามารถเป็นเพื่อนหรือศัตรูในการปรับปรุงความเท่าเทียมทางสุขภาพ ได้อย่างไรจึงจะช่วยไม่ให้ถึงอันตราย

ความไม่เท่าเทียมและความแตกต่างในการดูแลสุขภาพแพร่หลายข้ามความแตกต่างทางเศรษฐกิจ สังคม และเชื้อชาติ ในฐานะสังคม เรามีหน้าที่ทางศีลธรรม จริยธรรม และเศรษฐกิจที่จะต้องปิดช่องว่างเหล่านี้และรับประกันว่าทุกคนสามารถเข้าถึงการดูแลสุขภาพที่สม่ำเสมอ ยุติธรรม และมีราคาไม่แพง

ปัญญาประดิษฐ์ (AI) ช่วยแก้ไขความไม่เท่าเทียมเหล่านี้ แต่ก็เป็นดาบสองคมเช่นกัน แน่นอนว่า AI กำลังช่วยให้การดูแลสุขภาพมีประสิทธิภาพมากขึ้น ทำให้การรักษาแบบบุคคลเป็นไปได้ และสนับสนุนการค้นพบใหม่ๆ อย่างไรก็ตาม ความลำเอียงที่มีอยู่ในข้อมูล อัลกอริทึม และผู้ใช้อาจทำให้ปัญหาแย่ลงหากเราไม่ระมัดระวัง

ซึ่งหมายความว่าผู้ที่พัฒนาและใช้โซลูชันการดูแลสุขภาพที่ขับเคลื่อนด้วย AI ต้องระมัดระวังในการป้องกันไม่ให้ AI ขยายช่องว่างที่มีอยู่โดยไม่ตั้งใจ และหน่วยงานกำกับดูแลและสหพันธ์ทางวิชาชีพต้องมีบทบาทที่แข็งแกร่งในการกำหนดขอบเขตเพื่อป้องกันหรือบรรเทาผลกระทบของความลำเอียง

นี่คือวิธีการที่ AI สามารถช่วยลดช่องว่างความไม่เท่าเทียมได้แทนที่จะขยายมัน

บรรลุความเท่าเทียมในงานวิจัยทางคลินิก

การวิจัยและทดลองใหม่ๆ มักมีความลำเอียงในด้านการออกแบบ ไม่ว่าจะตั้งใจหรือไม่ ตัวอย่างเช่น กฎหมายไม่ได้กำหนดให้必须รวมผู้หญิงเข้าในการวิจัยทางคลินิกที่ได้รับทุนจาก NIH จนถึงปี 1993 และเมื่อเร็วๆ นี้ วัคซีนโควิด-19 ไม่ได้ทดลองกับผู้หญิงที่ตั้งครรภ์โดยเจตนา — เรารู้ว่ามันปลอดภัยก็ต่อเมื่อผู้เข้าร่วมการทดลองบางคนตั้งครรภ์โดยไม่ได้ตั้งใจในขณะรับการฉีดวัคซีน

ความท้าทายในการวิจัยคือเราไม่เคยรู้ว่าเราจะไม่รู้อะไร AI ช่วยค้นหาชุดข้อมูลที่มีความลำเอียงโดยการวิเคราะห์ข้อมูลประชากรและระบุความไม่สมดุลหรือช่องว่างในการครอบคลุมประชากร โดยการรับรองการแสดงถึงที่หลากหลายและการฝึกอบรมโมเดล AI ด้วยข้อมูลที่สะท้อนถึงประชากรที่เป้าหมาย AI ช่วยให้การดูแลสุขภาพมีความเท่าเทียม ลดอันตราย และเพิ่มประสิทธิภาพผลลัพธ์

รับประกันการรักษาที่เท่าเทียม

มีการยืนยันแล้วว่าผู้หญิงที่ตั้งครรภ์ชาวแอฟริกัน-อเมริกันที่ประสบกับความเจ็บปวดและภาวะซับซ้อนระหว่างการคลอดบุตรมักถูกละเลย ส่งผลให้อัตราการตายของมารดาสูงกว่าผู้หญิงที่ไม่ใช่ฮิสแปนิกถึง 3 เท่า ไม่ว่าจะด้วยรายได้หรือระดับการศึกษาหรือไม่ ปัญหาเกิดจากความลำเอียงที่มีอยู่ในหมู่ผู้เชี่ยวชาญทางการแพทย์ ซึ่งมีความเข้าใจผิดที่แพร่หลายว่าคนดำมีความทนทานต่อความเจ็บปวดมากกว่าคนขาว

ความลำเอียงในอัลกอริทึม AI สามารถทำให้ปัญหาแย่ลงได้: นักวิจัยจากฮาร์วาร์ดพบว่าอัลกอริทึมหนึ่งที่ใช้กันอย่างแพร่หลายคาดการณ์ว่าผู้หญิงชาวแอฟริกันและลาติน่าจะมีโอกาสน้อยที่จะคลอดบุตรโดยไม่ต้องผ่าตัดหลังจากการคลอดบุตรครั้งก่อน ซึ่งอาจทำให้แพทย์ทำการผ่าตัดมากกว่าในผู้หญิงสีผิว สิ่งนี้ไม่ได้รับการสนับสนุนจากหลักฐานทางชีววิทยา และบ่งชี้ว่าเชื้อชาติเป็น “ตัวแทนสำหรับตัวแปรอื่นๆ ที่สะท้อนถึงผลกระทบของการเหยียดเชื้อชาติต่อสุขภาพ” อัลกอริทึมได้รับการอัปเดตเพื่อไม่รวมเชื้อชาติหรือชาติพันธุ์เมื่อคำนวณความเสี่ยง

นี่เป็นตัวอย่างที่สมบูรณ์แบบสำหรับการใช้ AI ในการค้นหาความลำเอียงที่ไม่ได้ตั้งใจและแนะนำ (ด้วยหลักฐาน) วิธีการรักษาที่อาจถูกมองข้ามก่อนหน้านี้ แทนที่จะยังคงปฏิบัติตาม “มาตรฐานการรักษา” เราสามารถใช้ AI เพื่อกำหนดว่าแนวปฏิบัติที่ดีที่สุดนั้นขึ้นอยู่กับประสบการณ์ของผู้หญิงทุกคนหรือเพียงผู้หญิงผิวขาวเท่านั้น AI ช่วยให้แน่ใจว่าฐานข้อมูลของเรารวมผู้ป่วยที่มีประโยชน์มากที่สุดจากการพัฒนาการดูแลสุขภาพและเทคโนโลยี

ให้กลยุทธ์การป้องกันที่เท่าเทียม

โซลูชัน AI สามารถมองข้ามสภาวะบางอย่างในกลุ่มชายขอบโดยไม่คำนึงถึงความลำเอียงที่อาจเกิดขึ้น ตัวอย่างเช่น Department of Veterans Affairs กำลังพัฒนาอัลกอริทึมหลายตัวเพื่อคาดการณ์และตรวจจับอาการของโรคหัวใจและหัวใจวาย ซึ่งมีศักยภาพในการช่วยชีวิตที่ยิ่งใหญ่ แต่ส่วนใหญ่ของการศึกษานี้ไม่เคยรวมผู้หญิง ซึ่งโรคหัวใจและหลอดเลือดเป็นสาเหตุการเสียชีวิตอันดับหนึ่ง ดังนั้นจึงไม่ทราบว่าโมเดลเหล่านี้มีประสิทธิภาพสำหรับผู้หญิงซึ่งมีอาการที่แตกต่างจากผู้ชาย

การรวมผู้หญิงจำนวนสมดุลเข้าในเซตข้อมูลนี้สามารถช่วยป้องกันการเสียชีวิตจากหัวใจวายและโรคหัวใจได้บางส่วน โดยการตรวจจับและรักษาเร็วขึ้น ในทำนองเดียวกัน เครื่องมือ AI ใหม่ๆ กำลังถอดอัลกอริทึมที่อิงจากเชื้อชาติในการตรวจคัดกรองโรคไต ซึ่งเคยยกเว้นชาวแอฟริกัน-อเมริกัน ฮิสแปนิก และชาวอเมริกันพื้นเมือง ส่งผลให้เกิดความล่าช้าในการรักษาและผลลัพธ์ทางคลินิกที่ไม่ดี

ปรับปรุงกระบวนการบริหาร

นอกจากผลกระทบโดยตรงต่อผลลัพธ์ของผู้ป่วย AI มีศักยภาพที่จะเร่งกระบวนการทำงานเบื้องหลังเพื่อลดความไม่เท่าเทียม โดยตัวอย่างเช่น บริษัทและผู้ให้บริการกำลังใช้ AI เพื่อเติมช่องว่างในการเข้ารหัสคำเรียกร้องและอนุมัติ การตรวจสอบรหัสการวินิจฉัยกับบันทึกของแพทย์ และการอัตโนมัติกระบวนการอนุมัติล่วงหน้าสำหรับการตรวจวินิจฉัยทั่วไป

การปรับปรุงฟังก์ชันเหล่านี้ เราสามารถลดต้นทุนการดำเนินงานได้อย่างมาก ช่วยให้สำนักงานของผู้ให้บริการทำงานได้อย่างมีประสิทธิภาพมากขึ้น และให้พนักงานมีเวลามากขึ้นในการดูแลผู้ป่วย ทำให้การดูแลสุขภาพมีราคาไม่แพงและเข้าถึงได้มากขึ้น

เราทุกคนมีบทบาทสำคัญที่ต้องรับผิดชอบ

เรามีเครื่องมือเหล่านี้ที่น่าทึ่งให้ใช้ ทำให้เราต้องรับผิดชอบในการใช้เครื่องมือเหล่านี้เพื่อขจัดและเอาชนะความลำเอียงในการดูแลสุขภาพ อย่างไรก็ตาม ไม่มีหน่วยงานที่รับรองความพยายามในการใช้ AI เพื่อ “ถอดความลำเอียง” ออกจากการดูแลสุขภาพในสหรัฐอเมริกา และแม้สำหรับองค์กรที่ได้กำหนดแนวทางแล้ว ก็ไม่มีแรงจูงใจในการปฏิบัติตาม

ดังนั้น บทบาทของเราคือผู้ปฏิบัติงาน AI นักวิทยาศาสตร์ข้อมูล ผู้สร้างอัลกอริทึม และผู้ใช้เพื่อสร้างกลยุทธ์ที่ตระหนักถึงความหลากหลายและความเท่าเทียมในการใช้เครื่องมือและข้อมูลเหล่านี้

เพื่อที่จะทำเช่นนั้น การรวมและเชื่อมต่อข้อมูลที่แม่นยำเป็นสิ่งจำเป็น ด้วยแหล่งข้อมูลมากมาย — ตั้งแต่อุปกรณ์สวมใส่ ผู้ให้บริการแล็บและภาพถ่ายที่สาม ไปจนถึงการดูแลสุขภาพเบื้องต้น การแลกเปลี่ยนข้อมูลสุขภาพ และบันทึกผู้ป่วยใน — เราต้องรวมข้อมูลทั้งหมดนี้เพื่อให้แน่ใจว่าชิ้นส่วนที่สำคัญถูก включมาด้วย ไม่ว่าจะเป็นรูปแบบหรือไม่ก็ตาม อุตสาหกรรมต้องการการปรับมาตรฐานข้อมูล การจับคู่ข้อมูล และการระบุตัวตนเพื่อให้แน่ใจว่าข้อมูลผู้ป่วยที่สำคัญถูก รวมเข้าด้วยกัน แม้จะมีการสะกดชื่อที่แตกต่างกันหรือการเรียกชื่อที่แตกต่างกันตามวัฒนธรรมและภาษาต่างๆ

เรายังต้องสร้างการประเมินความหลากหลายเข้าไปในกระบวนการพัฒนา AI และติดตาม “การเปลี่ยนแปลง” ในเมตริกของเราเมื่อเวลาผ่านไป ผู้ปฏิบัติงาน AI มีหน้าที่ในการทดสอบประสิทธิภาพของโมเดลข้ามกลุ่มประชากรที่แตกต่างกัน ทำการตรวจสอบความลำเอียง และเข้าใจว่าโมเดลตัดสินใจอย่างไร เราอาจต้องไปไกลกว่าสมมติฐานที่อิงจากเชื้อชาติเพื่อให้แน่ใจว่าการวิเคราะห์ของเราสะท้อนถึงประชากรที่เรากำลังสร้างมันขึ้นมา

สุดท้าย เราต้องการให้องค์กรเช่น American Medical Association สำนักงานผู้ประสานงานแห่งชาติสำหรับเทคโนโลยีสารสนเทศสุขภาพ และองค์กรทางวิชาชีพอื่นๆ ร่วมมือกันเพื่อกำหนดมาตรฐานและกรอบการทำงานสำหรับการแลกเปลี่ยนข้อมูลและการทำงานร่วมกันเพื่อป้องกันความลำเอียง

โดยการกำหนดมาตรฐานในการแบ่งปันข้อมูลสุขภาพและขยาย HTI-1 และ HTI-2 เพื่อขอให้นักพัฒนาร่วมมือกับองค์กรรับรอง เราจะช่วยให้แน่ใจว่ามีการปฏิบัติตามและแก้ไขข้อผิดพลาดในอดีตของความไม่เท่าเทียม นอกจากนี้ โดยการทำให้ข้อมูลผู้ป่วยที่สมบูรณ์และแม่นยำสามารถเข้าถึงได้โดยทุกคน เราสามารถลบ “แว่นตาที่บดบัง” ที่ทำให้เกิดความลำเอียงและใช้ AI เพื่อแก้ไขความไม่เท่าเทียมในการดูแลสุขภาพโดยใช้ข้อมูลที่ครอบคลุมและเป็นกลางมากขึ้น