AI, Sağlık Eşitliğini İyileştirmede Dost veya Düşman Olabilir. Nasıl Yararlı Olabileceğini ve Zarar Vermemesini Sağlayacağımızı Açıklıyoruz

Sağlık hizmetlerindeki eşitsizlikler ve bakım farklılıkları sosyoekonomik, ırksal ve cinsiyet ayrımcılığı açısından yaygın olarak görülmektedir. Toplum olarak, bu açıkları kapatmak ve herkes için tutarlı, adil ve uygun fiyatlı sağlık hizmetlerine erişimi sağlamak için ahlaki, etik ve ekonomik bir sorumluluğa sahibiz.

Yapay Zeka (AI), bu farklılıkları ele almak için yardımcı olur, ancak bu aynı zamanda iki uçlu bir kılıçtır. Kesinlikle, AI already sağlık hizmetlerinin sunulmasını basitleştirmeye, kişiselleştirilmiş tıbbı büyük ölçekte ermögilmeye ve yenilikçi keşifleri desteklemeye yardımcı oluyor. Ancak, verilerin, algoritmaların ve kullanıcıların içindeki içkin önyargı, dikkatli olmazsak sorunu daha da kötüleştirebilir.

Bu, AI destekli sağlık çözümlerini geliştiren ve uygulayan bizim gibi kişilerin, AI’nin var olan açıkları kazara genişletmemesi için dikkatli olması ve yönetim kuruluşları ile profesyonel derneklerin önyargıyı önlemek veya azaltmak için rehberler oluşturmak için aktif bir rol oynaması anlamına geliyor.

AI’nin eşitsizlik açıklarını köprülemek yerine genişletmemesi için nasıl yararlanabileceğimizi aşağıda açıklıyoruz.

Klinik Denemelerde Eşitliği Sağlayın

Yeni ilaç ve tedavi denemelerinin çoğu, tarihsel olarak tasarım olarak önyargılı olmuştur. Örneğin, 1993 yılına kadar kadınlar, NIH tarafından finanse edilen klinik araştırmalara dahil edilmek zorunda değildi. Daha yakın zamanda, COVID aşıları bilinçli olarak hamile kadınlar üzerinde denenmedi—bunu sadece bazı deneme katılımcılarının aşılanma sırasında bilinçsizce hamile olduklarını bildiğimiz için biliyoruz.

Araştırma ile ilgili bir zorluk, bilmediğimiz şeyleri bilmemizdir. Ancak AI, nüfus verilerini analiz ederek ve demografik kapsam veya nüfus temsiliyetindeki açıkları saptayarak önyargılı veri kümelerini ortaya çıkarmaya yardımcı olur. AI modellerini, hedeflenen nüfusları doğru bir şekilde temsil eden verilerle eğiterek ve çeşitli temsiliyeti sağlayarak, AI, kapsayıcılığı artırma, zararı azaltma ve sonuçları optimize etme yardımcı olur.

Eşit Tedavileri Sağlayın

Siyah beklentili annelerin doğum sırasında ağrı ve komplikasyonlar yaşadıklarında genellikle görmezden gelindikleri iyi kurulmuştur, bu da Siyah kadınların anne ölümü oranının Beyaz olmayan Hispanik kadınlarınkinden 3 kat daha yüksek gelir veya eğitim seviyesine bakılmaksızın. Sorun büyük ölçüde içkin önyargı tarafından sürdürülüyor: tıbbi profesyoneller arasında Siyah insanların beyaz insanlardan daha yüksek bir ağrı toleransına sahip olduğu yaygın bir yanlış anlama vardır.

AI algoritmalarındaki önyargı, sorunu daha da kötüleştirebilir: Harvard araştırmacıları, bir algoritmanın Siyah ve Latina kadınlarının previous bir C-seksiyon之后 başarılı bir vajinal doğum (VBAC) olasılığının daha düşük olduğunu öngördüğünü keşfetti, bu da doktorların renkli kadınların üzerinde daha fazla C-seksiyon yapmasına neden olabilir. Ancak araştırmacılar, “ilişkinin biyolojik olarak makul bir açıklaması olmadığını” buldular, bu da ırkın “sağlık üzerinde ırkçılığın etkisini yansıtan diğer değişkenler için bir proxy” olduğunu öne sürdü. Algoritma daha sonra riski hesaplanırken ırk veya etnik kökeni hariç tutmak için güncellendi.

Bu, AI’nin örtük önyargıyı ortaya çıkarmak ve daha önce gözden kaçmış olabilecek bakım yollarını önermek (kanıtlarla) için mükemmel bir uygulamadır. “Standart bakım” uygulamaya devam etmek yerine, AI’yi, bu en iyi uygulamaların tüm kadınların deneyimi mi yoksa sadece beyaz kadınların deneyimi mi temelinde olduğunu belirlemek için kullanabiliriz. AI, sağlık hizmetlerindeki ve teknolojidaki ilerlemelerden en çok yararlanacak hasta grubunun veri temelini içerdiğinden emin olmamıza yardımcı olur.

Irksal ve etnik kökenin bazı durumlarda etkili faktörler olabileceği durumlar olsa da, bunları ne zaman ve nasıl dikkate alacağımızı dikkatli bir şekilde bilmemiz gerekir ve sadece tarihsel önyargıya dayanarak algılarımızı ve AI algoritmalarını bilgilendirmekten kaçınmalıyız.

Eşit Önleme Stratejileri Sağlayın

AI çözümleri, potansiyel önyargı için dikkatli bir şekilde dikkate alınmadıkça marjinalleştirilmiş topluluklardaki bazı durumları kolayca göz ardı edebilir. Örneğin, Veterinerler İdaresi, kalp hastalığını ve kalp krizlerini öngörme ve tespit etme için birçok algoritma üzerinde çalışıyor. Bu, büyük bir hayat kurtarma potansiyeline sahiptir, ancak bu çalışmaların çoğu tarihsel olarak birçok kadını içermemiştir ve kalp-damar hastalıkları kadınların ölüm nedenlerinin başında gelir ve genellikle erkeklerden farklı semptomlar gösterir.

Bu veri kümesine yeterli sayıda kadının dahil edilmesi, yıllık olarak kadınların 3,2 milyon kalp krizi ve yarım milyon kalp ile ilgili ölümünün bazılarını erken tespit ve müdahale yoluyla önleyebilir. Benzer şekilde, yeni AI araçları, tarihsel olarak Siyah, Hispanik ve Kızılderili Amerikalileri dışlayan ırk temelli algoritmaları böbrek hastalığı taramasından kaldırıyor, bu da bakım gecikmeleri ve kötü klinik sonuçlara yol açıyor.

AI, marjinalleştirilmiş bireyleri dışlamak yerine, hizmet götürülen nüfuslar için sağlık risklerini öngörmeye ve daha iyi hedeflenen müdahaleler için kişiselleştirilmiş risk değerlendirmelerini ermögilmeye yardımcı olabilir. Veriler zaten orada olabilir; sadece modelleri, ırk, cinsiyet ve diğer demografik faktörlerin sonuçları nasıl etkilediğini belirlemek için “ayarlamak” meselesidir—eğer gerçekten etkilerse.

İdari Görevleri Basitleştirin

Hastaların sonuçlarını doğrudan etkilemekten başka, AI’nin arkadaki iş akışlarını hızlandırarak farklılıkları azaltma potansiyeli vardır. Örneğin, şirketler ve sağlayıcılar already AI’yi, talepleri kodlama ve hüküm verme boşluklarını doldurmak, teşhis kodlarını doktor notlarına karşı doğrulamak ve ortak tanı prosedürleri için ön izin işlemlerini otomatikleştirmek için kullanıyor.

Bu işlevlerin basitleştirilmesi, işletme maliyetlerini önemli ölçüde azaltmamızı, sağlayıcı ofislerinin daha verimli çalışmasını ve personelin hastalarla daha fazla zaman geçirmesini sağlar, böylece bakımı çok daha uygun fiyatlı ve erişilebilir hale getirir.

Her Birimiz Önemli Bir Rol Oynamaktayız

Bu harika araçlara sahip olmamız, sağlık hizmetlerindeki önyargıları ortadan kaldırmak ve aşmak için bunları kullanmamız daha da önemli hale getiriyor. Maalesef, ABD’de sağlık hizmetleri sunumunu “önyargsız” hale getirmek için AI’yi kullanma çabalarını düzenleyen bir sertifika kuruluşu yoktur ve bu kuruluşlar tarafından rehberler ortaya konmuş olsa bile, bunlara uymak için bir düzenleyici teşvik yoktur.

Bu nedenle, AI uygulayıcıları, veri bilimcileri, algoritma yaratıcıları ve kullanıcıları olarak, bu araçları ve içgörülerini kullanırken kapsayıcılık, veri çeşitliliği ve adil kullanımı için bilinçli bir strateji geliştirmek bizim sorumluluğumuzdadır.

Bunu yapmak için, doğru entegrasyon ve interoperabilite temelidir. Wearable’lar, üçüncü taraf laboratuvar ve görüntüleme sağlayıcıları, birincil bakım, sağlık bilgi değişimi ve hastane kayıtları gibi birçok veri kaynağından dolayı, tüm bu verilerin dahil edildiğinden emin olmak için bunları entegre etmemiz gerekir. Endüstri, veri normalize etme, standardize etme ve kimlik eşleştirmeye ihtiyaç duyar, böylece CultureInfo ve dillerdeki farklı adlandırma kurallarına bağlı olarak önemli hasta verilerinin dahil edildiğinden emin olabiliriz.

AI geliştirme sürecimize çeşitlilik değerlendirmeleri eklemeli ve metriklerimizdeki “kayma”yı zaman içinde izlemeliyiz. AI uygulayıcılarının, model performansını demografik alt gruplar boyunca test etmek, önyargı denetimleri gerçekleştirmek ve modelin kararlarını nasıl aldığına dair bir anlayışa sahip olmak için bir sorumluluğu vardır. Irk temelli varsayımların ötesine geçerek, analizimizin temsil ettiği nüfusu temsil ettiğinden emin olmak için gitmemiz gerekebilir. Örneğin, Arizona’daki Gila Nehri Rezervasyonunda yaşayan Pima Kızılderili kabilesi üyelerinin obezite ve tip 2 diyabet oranları çok yüksektir, ancak aynı kabileye ait üyelerin Meksika’daki Sierra Madre dağlarında yaşayan üyelerinin obezite ve diyabet oranları çok daha düşüktür, bu da genetiklerin tek faktör olmadığını kanıtlar.

Son olarak, American Medical Association, Sağlık Bilgi Teknolojisi Ulusal Koordinatörü Ofisi ve American College of Obstetrics and Gynecology, American Academy of Pediatrics, American College of Cardiology gibi uzman dernekleri gibi kuruluşların, veri değişimi ve keskinliği için standartlar ve çerçeveler oluşturmak üzere birlikte çalışması gerekir.

Sağlık verilerini paylaşımını standardize ederek ve HTI-1 ve HTI-2 üzerine genişleyerek, geliştiricilerin akreditasyon kuruluşları ile çalışmasını gerektirerek, uyumu sağlar ve geçmişteki eşitsizlik hatalarını düzeltiriz. Ayrıca, tam ve doğru hasta verilerine erişimi demokratikleştirmek, AI’yi kullanarak bakım farklılıklarını daha kapsamlı, nesnel içgörülerle çözmek için bizi önyargıların kör ettiği engelleri kaldırabilir.