Sağlık Eşitliğini Geliştirmede AI’nin Arkadaşı veya Düşmanı Olabileceği ve Nasıl Yararlı Olabileceği

Sağlık hizmetlerindeki eşitsizlikler ve bakım farklılıkları sosyoekonomik, ırksal ve cinsiyet ayrımcılığına karşı yaygın bir şekilde mevcuttur. 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 gidermede yardımcı olur, ancak bu aynı zamanda bir çift taraflı kılıçtır. Kesinlikle, AI already sağlık hizmetlerinin sunulmasını hızlandırıyor, kişiselleştirilmiş tıbbı büyük ölçekte mümkün kılıyor ve çığır açan keşiflere destek oluyor. Ancak, verilerin, algoritmaların ve kullanıcıların içinde bulunan önyargı, dikkatli olmazsak sorunu daha da kötüleştirebilir.

Bu, AI destekli sağlık çözümlerini geliştiren ve uygulayanların, AI’nin mevcut açıkları bilinçsizce genişletmemesi için dikkatli olması gerektiği anlamına geliyor ve düzenleyici kurumlar ve profesyonel organizasyonların da önyargıya karşı koruyucu önlemler oluşturmak için aktif bir rol oynaması gerekiyor.

AI’nin sağlık hizmetlerindeki eşitsizlikleri azaltmasına yardımcı olmak yerine nasıl artırabileceğini öğrenelim.

Klinik Deneylerde Eşitliği Sağlamak

Yeni ilaç ve tedavi denemelerinin çoğu, kasıtlı olsun ya da olmasın, tasarımlarında önyargılıdır. Örneğin, 1993 yılına kadar kadınlar, NIH tarafından finanse edilen klinik araştırmalara katılmak için yasal olarak gerekli değildi. Daha yakın zamanda, COVID aşıları bilinçli olarak hamile kadınlar üzerinde denenmedi—bunların güvenli olduğu biliniyordu, çünkü bazı deneklerin aşılandıkları sırada bilinçsizce hamile olduklarını biliyoruz.

Araştırmada bir zorluk, bilmediğimiz şeylerin neler olduğunu bilmememektir. Ancak AI, nüfus verilerini analiz ederek önyargılı veri setlerini ortaya çıkarıyor ve demografik temsildeki veya nüfus kapsamındaki açıkları işaretliyor. AI modellerini, hedeflenen nüfusları doğru bir şekilde temsil eden verilere dayalı olarak eğiterek ve çeşitli temsilin sağlanmasını sağlayarak, AI, kapsayıcılığı artırıyor, zararı azaltıyor ve sonuçları optimize ediyor.

Eşit Tedavileri Sağlamak

Siyah bekleyen annelerin doğum sırasında ağrı ve komplikasyonlar yaşadıklarında thường görmezden gelindikleri iyi bilinmektedir, bu da beyaz olmayan Hispanik kadınlara göre 3 kat daha yüksek anne ölümü oranına yol açıyor gelir veya eğitim seviyesine bakılmaksızın. Sorun büyük ölçüde içkin önyargı tarafından sürdürülüyor: tıbbi profesyoneller arasında Siyah insanların beyaz insanlardan daha yüksek bir ağrı eşiği olduğu yaygın bir yanlış anlaşılmadır.

AI algoritmalarındaki önyargı, sorunu daha da kötüleştirebilir: Harvard araştırmacıları, bir ortak algoritmanın Siyah ve Latina kadınların previous bir C-seksiyondan sonra başarılı bir vajinal doğum yapma olasılıklarının daha düşük olduğunu öngördüğünü keşfetti, bu da doktorların renkli kadınların daha fazla C-seksiyona tabi tutulmasına yol açmış olabilir. Ancak araştırmacılar, “ilişkinin biyolojik açıdan makul olmadığı” sonucuna vardılar, bu da ırkın “ırkçılığın sağlığa etkisini yansıtan diğer değişkenler için bir proxy” olduğunu gösteriyor. Algoritma daha sonra ırk veya etnik kökeni risk hesaplanırken hariç tutmak için güncellendi.

Bu, AI’nin örtük önyargıyı ortaya çıkarmak ve daha önce gözden kaçan bakım yollarını (kanıtlarla) önermek için mükemmel bir uygulamadır. “Standart bakım” uygulamaya devam etmek yerine, AI’yi kullanarak bu iyi uygulamaların tüm kadınların experiencesine dayalı olup olmadığını belirleyebiliriz. AI, veri temelimizin, sağlık hizmetlerindeki ve teknolojidaki ilerlemelerden en çok yararlanabilecek hastaları içerdiğinden emin olmamıza yardımcı olur.

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

Eşit Önleme Stratejilerini Sağlamak

AI çözümleri, potansiyel önyargı için dikkatli bir şekilde düşünülmezse, marjinalleştirilmiş topluluklardaki belirli durumları kolayca göz ardı edebilir. Örneğin, Veterinerler İdaresi, kalp hastalığının ve kalp krizlerinin belirtilerini öngörme ve tespit etme için birden fazla algoritma üzerinde çalışıyor. Bu, büyük bir hayat kurtarma potansiyeline sahiptir, ancak bu çalışmaların çoğu tarihsel olarak birçok kadını içermemiştir ve kalp damar hastalıkları kadınların ölümünün bir numaralı nedeni olduğundan, bu modellerin kadınlar için ne kadar etkili olduğu bilinmemektedir.

Bu veri setine kadınların orantılı bir sayısının dahil edilmesi, erken tespit ve müdahale yoluyla kadınların her yıl yaklaşık 3.2 milyon kalp krizi ve yarım milyon kalp ile ilgili ölümünü önleyebilir. Benzer şekilde, yeni AI araçları, tarihsel olarak Siyah, Hispanik ve Kızılderili Amerikalileri dışlayan ırka dayalı algoritmaları böbrek hastalığı taramasından kaldırıyor, bu da bakım gecikmeleri ve kötü klinik sonuçlara yol açıyor.

AI, marjinalleştirilmiş bireyleri dışlamak yerine, sağlık risklerini öngörmede ve kişiselleştirilmiş risk değerlendirmelerini daha iyi hedefleyen müdahaleleri ermögmede yardımcı olabilir. Veriler zaten mevcut olabilir; sadece ırk, cinsiyet ve diğer demografik faktörlerin sonuçları nasıl etkilediğini belirlemek için modelleri “ayarlamak” gerekiyor—eğer gerçekten etkilerse.

İdari Görevleri Basitleştirmek

Hastaların sonuçlarını doğrudan etkilemenin yanı sıra, AI’nin iş akışlarını hızlandırarak sağlık hizmetlerindeki eşitsizlikleri azaltma potansiyeli vardır. Örneğin, şirketler ve sağlayıcılar already AI’yi, taleplerin kodlanmasını ve tahakkuk işlemlerini doldurmak, teşhis kodlarını doktor notlarına karşı doğrulamak ve ortak tanı prosedürleri için ön izin işlemlerini otomatikleştirmek için kullanıyor.

Bu işlevleri basitleştirerek, işletme maliyetlerini büyük ölçüde azaltabilir, sağlayıcı ofislerinin daha verimli çalışmasına yardımcı olabilir ve personelin hastalarla daha fazla zaman geçirmesine olanak tanıyabilir, böylece bakımı çok daha uygun fiyatlı ve erişilebilir hale getirebiliriz.

Her Birimizin Önemli Bir Rolü Var

Bu harika araçların elimizde olması, sağlık hizmetlerindeki önyargıları ortadan kaldırmak ve aşmak için bunları kullanmamızın daha da önemli hale getirdiği anlamına geliyor. Ne yazık ki, AI’yi “önyargılı” sağlık hizmetleri sunumundan arındırmak için çabalara düzenleyen bir sertifika kuruluşu ABD’de mevcut değil ve bu tür rehberler yayınlayan organizasyonlar için bile, bunlara uymak için düzenleyici bir teşvik yok.

Bu nedenle, AI uygulayıcıları, veri bilimcileri, algoritma yaratıcıları ve kullanıcıları olarak, bu araçları ve içgörülerinin kullanımını kapsayıcı, çeşitli veri ve adil kullanımını sağlamak için bilinçli bir strateji geliştirmek bizim sorumluluğumuzda.

Bunu yapmak için doğru entegrasyon ve etkileşim çok önemli. Çok sayıda veri kaynağından—giyilebilir cihazlardan, üçüncü taraf laboratuvar ve görüntüleme sağlayıcılarından, birincil bakım, sağlık bilgi değişimlerinden ve hastane kayıtlarına kadar—tüm bu verileri entegre etmemiz gerekiyor, böylece anahtar parçalar dahil ediliyor, kaynaklarımızın formatından bağımsız olarak. Endüstri, veri normalizasyonu, standardizasyonu ve kimlik eşleştirmesine ihtiyaç duyuyor, böylece temel hasta verilerinin dahil edildiğinden emin olabiliriz, çeşitli kültürler ve dillerdeki farklı ad yazım veya adlandırma kurallarına rağmen.

Ayrıca, AI geliştirme sürecimize çeşitlilik değerlendirmelerini entegre etmeli ve metriklerimizdeki “ kayma”yı zaman içinde izlemeliyiz. AI uygulayıcılarının, model performansını demografik alt gruplar genelinde test etmek, önyargı denetimleri gerçekleştirmek ve modelin nasıl kararlar aldığını anlamak için bir sorumluluğu var. Irksal varsayımlara dayanarak analizlerimizi temsil eden nüfusu inşa ettiğimizden emin olmak için ırk temelli varsayımların ötesine geçmek zorunda kalabiliriz. Örneğin, Arizona’daki Gila Nehri Rezervasyonunda yaşayan Pima Kızılderili kabilesi üyeleri, obezite ve tip 2 diyabet oranlarında aşırı yüksek oranlara sahipken, aynı kabileye mensup kişiler Meksika’daki Sierra Madre dağlarında yaşayanlar, obezite ve diyabet oranlarında belirgin şekilde daha düşük oranlara sahipler, bu da genetiklerin tek faktör olmadığını kanıtlıyor.

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 organizasyonların birlikte çalışarak, veri değişimi ve hassasiyet için standartlar ve çerçeveler oluşturmak ve önyargıya karşı korumak için çalışması gerekiyor.

Sağlık verilerinin paylaşımını standardize ederek ve HTI-1 ve HTI-2 üzerine genişleyerek, akredite eden kurumlarla birlikte çalışmak için geliştiricileri gerektirerek, uyumun sağlanmasına yardımcı oluyoruz ve geçmişteki eşitsizlik hatalarını düzeltiyoruz. Ayrıca, tam ve doğru hasta verilerine erişimi demokratikleştirebilir ve AI’yi kullanarak, daha kapsamlı ve nesnel içgörülerle bakım farklılıklarını çözebiliriz.