[Անցնել բովանդակությանը]

Առողջության հավասարության բարելավում միաժամանակ մեկ ալգորիթմով

Տվյալները և ալգորիթմները հաճախ օգտագործվում են առողջապահության ոլորտում՝ բացահայտելու այն բնակչությանը, որոնք կարող են օգուտ քաղել մասնագիտացված խնամքի կառավարումից: Տվյալների վրա հիմնված ծրագրերը, որոնք օգտագործում են ալգորիթմներ, կարող են բարելավել հիվանդության կառավարումը, առողջության արդյունքները և նվազեցնել խնամքի արժեքը: Նրանք նաև պոտենցիալ ունեն՝ հեռացնելու կողմնակալությունը մարդկային որոշումների կայացումից, երբ խոսքը վերաբերում է խնամքի հասանելիությանը: 

Բայց ի՞նչ է տեղի ունենում, երբ ալգորիթմն ինքնին կողմնակալ է: Վերջին հետազոտությունները ցույց են տվել, որ ալգորիթմները առողջապահության ոլորտում[1] և այլ ոլորտներ[2] կարող է կողմնակալություն ցուցաբերել որոշակի բնակչության նկատմամբ՝ համակարգային ռասիզմի պատճառով, որն արտացոլված է այս համակարգչային հաշվարկները կառուցելու համար օգտագործվող տվյալների մեջ: Առողջապահության ոլորտում, օրինակ, խնամքի ծախսերի և օգտագործման վերաբերյալ տվյալները հաճախ հիմնվում են որպես խնդրի ծանրության ցուցիչ: Այնուամենայնիվ, ուսումնասիրությունները ցույց են տալիս, որ սևամորթները, բնիկները և գունավոր մարդիկ (BIPOC) սովորաբար առողջապահություն են օգտագործում ավելի ցածր տեմպերով, քան ոչ իսպանացի սպիտակամորթները, չնայած ունեն նմանատիպ առողջական վիճակ:[3] Այս օրինակում օգտագործման կամ ծախսերի վրա հիմնված ցուցանիշների վրա չափից ավելի ապավինելը կարող է նպաստել կողմնակալությանը՝ BIPOC-ի բնակչության շրջանում առողջական խնդիրները չճանաչելով:

Վերջերս Beacon Health Options-ը և Connecticut Behavioral Health Partnership-ը (CT BHP) ձեռնամուխ եղան 14-ամսյա ծրագրին, որի նպատակն է բարելավել Medicaid անօթևան ստացողների առողջությունն ու բարեկեցությունը՝ տրամադրելով բնակարանային աջակցություն և հասանելիություն պետական ֆինանսավորմամբ բնակարանային վաուչերներին: Նրանց առաջին ալգորիթմի լուծումը փորձարկվեց և բացահայտեց մի կողմնակալություն, որը թույլ կտար իսպանախոս ազգությամբ անհատներին մասնակցել Կոնեկտիկուտի բնակարանային ներգրավման և աջակցության ծառայությունների (ՇԱԽՄԱՏ) ծրագրին: Beacon-ի թիմը, որը գլխավորում էր Վերլուծության և նորարարության SVP-ն, դոկտոր Ռոբերտ Փլանթը և առողջապահական գիտահետազոտական գիտնական դոկտոր Քրիստա Նոամը, այնուհետև ձեռնամուխ եղան նոր ալգորիթմ մշակելուն՝ նվազեցնելու և բարելավելու արդարությունը:

ՇԱԽՄԱՏԻ սկզբնական ալգորիթմում օգտագործվել են ստացիոնար հիվանդանոցում գտնվելու և օգտագործման այլ ցուցանիշների տվյալները: Beacon-ը պարզել է, որ այս ալգորիթմը չափից ավելի է ընտրել ոչ իսպանախոս սպիտակամորթներին և թերընտրել իսպանական ժառանգություն ունեցող մարդկանց: Կողմնակալությունն էլ ավելի մեծացավ, երբ ներառվեցին ծախսերի խնայողությունները: 

Արդարությունը բարելավելու համար մեր տվյալների գիտնականներն իրենց ուշադրությունը տեղափոխեցին ախտորոշման վրա հիմնված համակցվածության ինդեքսի վրա, որն օգտագործվում է գուշակելու համար, թե ով է ամենայն հավանականությամբ լուրջ հիվանդանալու կամ մահանալու գալիք տարում: Այս մոտեցումը զգալիորեն նվազեցրեց կողմնակալությունը, բայց ոչ բավականաչափ: Beacon-ը պարզել է, որ իսպանախոսները դեռևս զգալիորեն ավելի քիչ հավանական է, որ ընտրվեն ծրագրի ընդգրկման համար, ինչը ցույց է տալիս, որ ալգորիթմի այլ ճշգրտումներ են անհրաժեշտ:

Ապահովելու համար, որ ալգորիթմի միջոցով ընտրված բնակչությունն ավելի շատ նման է անօթևանության մեջ հայտնված ընդհանուր բնակչությանը, ներառվել է այն օրերի թիվը, որոնք անդամն անցկացրել է ապաստանում իր ողջ կյանքի ընթացքում: Օգտագործելով այս մոտեցումը՝ դոկտ. Փլանթը և Նոամը պարզել են, որ ալգորիթմն անցնող անդամների էթնիկ/ռասայական կազմը ավելի շատ նման է ընդհանուր բնակչությանը, երբ ընտրվել են նրանք, ովքեր իրենց կյանքի ընթացքում ավելի շատ օրեր են անցկացրել ապաստարանում:

Beacon-ի աշխատանքը CT BHP-ի հետ շարունակվում է, և միայն մեկ օրինակ է այն քայլերի, որոնք մենք անում ենք՝ բարելավելու խոցելի բնակչության հավասարությունը: Ավելին իմանալու համար Dr. Փլանթի և Նոամի աշխատանքը ալգորիթմներից կանխակալության հաջող հեռացման վերաբերյալ, ներառյալ օգտակար անելն ու չանելը, պլանավորում են մասնակցել իրենց պաստառների նիստին Հոգեկան բարեկեցության ազգային խորհրդի համար: NATCON 2022, Վաշինգտոնում, երկուշաբթի, ապրիլի 11-ին։ Նրանց նիստը կներառի.

  • Գրականության համառոտ ակնարկ, որը խոսում է ալգորիթմներում կողմնակալության առկայության մասին
  • Չափիչները, որոնք սովորաբար օգտագործվում են մասնագիտացված պոպուլյացիաների բացահայտման համար, որոնք կարող են ենթարկվել կանխակալության ներդրմանը
  • Ինչպես ստուգել ալգորիթմներում կողմնակալության համար
  • Ռիսկեր՝ կապված կողմնակալության մեղմացման որոշակի մեթոդների հետ, որոնք կարող են դիտվել որպես խտրական
  • Ինչպես կարող է առողջության սոցիալական որոշիչ գործոնների ցուցիչների ներառումը օգնել մեղմելու կողմնակալությունը
  • Ալգորիթմների իրական աշխարհի օրինակներ, որոնք մեծացնում և մեղմացնում են հաճախորդի կամ անդամի ընտրության հարցում կողմնակալությունը

[1] Obermeyer et al., Science 366, 447–453 (2019) Ռասայական կողմնակալության մասնատում ալգորիթմում, որն օգտագործվում է բնակչության առողջությունը կառավարելու համար

[2] NY Times 7 դեկտեմբերի, 2020 – Նույնիսկ անկատար ալգորիթմները կարող են բարելավել քրեական արդարադատության համակարգը, և 7 փետրվարի, 2020 – Ալգորիթմ, որը տալիս է ազատություն կամ խլում է այն

[3] Հայցերը հետ են կանչվել մեկ տարով, ինչը թույլ է տալիս չորս ամիս ընդմիջում ունենալ՝ սկսած HMIS-ի տվյալների բեռնման ամսից: Տվյալները հավաքագրվել են՝ անկախ այն բանից, թե քանի օր է անդամը իրավասու եղել Medicaid-ի համար այդ տարվա ընթացքում:


Առանց մեկնաբանությունների

Թողնել պատասխան

Ձեր էլ. Փոստի հասցեն չի հրապարակվի Պարտադիր դաշտերը նշված են *
Մեկնաբանությունները, որոնք անտեղի են և (կամ) չեն վերաբերվում անմիջական թեմային, չեն հրապարակվի:

Վերին հղում
hyՀայերեն