[Chuyển đến nội dung]

Cải thiện công bằng sức khỏe từng thuật toán tại một thời điểm

Dữ liệu và thuật toán thường được sử dụng trong ngành chăm sóc sức khỏe để xác định các nhóm dân số có thể được hưởng lợi từ việc quản lý chăm sóc đặc biệt. Các chương trình định hướng dữ liệu sử dụng các thuật toán có thể cải thiện việc quản lý bệnh tật, kết quả sức khỏe và giảm chi phí chăm sóc. Chúng cũng có khả năng loại bỏ sự thiên vị trong quá trình ra quyết định của con người khi tiếp cận dịch vụ chăm sóc. 

Nhưng điều gì sẽ xảy ra khi bản thân thuật toán bị sai lệch? Nghiên cứu gần đây đã chỉ ra rằng các thuật toán trong chăm sóc sức khỏe[1] và các lĩnh vực khác[2] có thể thể hiện sự thiên vị đối với một số nhóm dân cư nhất định do sự phân biệt chủng tộc có hệ thống được phản ánh trong dữ liệu được sử dụng để xây dựng các phép tính dựa trên máy tính này. Ví dụ, trong lĩnh vực chăm sóc sức khỏe, dữ liệu về chi phí và việc sử dụng dịch vụ chăm sóc thường được dựa vào như một chỉ báo về mức độ nghiêm trọng của vấn đề. Tuy nhiên, các nghiên cứu chỉ ra rằng Người da đen, Người bản địa và Người da màu (BIPOC) thường tiêu thụ dịch vụ chăm sóc sức khỏe ở mức thấp hơn Người da trắng không phải gốc Tây Ban Nha mặc dù có tình trạng sức khỏe tương tự.[3] Trong ví dụ này, việc phụ thuộc quá mức vào các chỉ số sử dụng hoặc dựa trên chi phí có thể kéo dài sự sai lệch do các vấn đề sức khỏe chưa được công nhận trong dân số BIPOC.

Gần đây, Beacon Health Options và Connecticut Behavioral Health Partnership (CT BHP) đã bắt tay vào một dự án kéo dài 14 tháng nhằm cải thiện sức khỏe và phúc lợi của những người nhận Medicaid vô gia cư bằng cách cung cấp hỗ trợ nhà ở và tiếp cận các phiếu mua nhà do tiểu bang tài trợ. Giải pháp thuật toán đầu tiên của họ đã được thử nghiệm và cho thấy sự thiên vị sẽ có những cá nhân được lựa chọn ít hơn với sắc tộc gốc Tây Ban Nha để tham gia vào chương trình Dịch vụ Hỗ trợ và Gắn kết Nhà ở Connecticut (CHESS). Nhóm Beacon, dẫn đầu bởi SVP của Phân tích và Đổi mới Tiến sĩ Robert Plant và Nhà khoa học Nghiên cứu Sức khỏe Tiến sĩ Krista Noam, sau đó đã bắt đầu phát triển một thuật toán mới để giảm thiểu và cải thiện công bằng.

Thuật toán ban đầu cho CHESS sử dụng dữ liệu về thời gian nằm viện nội trú và các chỉ số sử dụng khác. Beacon nhận thấy rằng thuật toán này đã chọn quá nhiều người da trắng không phải gốc Tây Ban Nha và những người được chọn ít hơn có di sản gốc Tây Ban Nha. Sự thiên lệch thậm chí còn lớn hơn khi tiết kiệm chi phí. 

Để cải thiện tính công bằng, các nhà khoa học dữ liệu của chúng tôi đã chuyển trọng tâm sang chỉ số bệnh đi kèm dựa trên chẩn đoán, được sử dụng để dự đoán ai có nhiều khả năng bị bệnh nặng hoặc tử vong trong năm tới. Cách tiếp cận này làm giảm sự thiên vị đáng kể nhưng vẫn chưa đủ. Beacon nhận thấy rằng người gốc Tây Ban Nha vẫn ít có khả năng được chọn để đưa vào chương trình hơn, cho thấy rằng cần có những điều chỉnh khác đối với thuật toán.

Để đảm bảo rằng dân số được chọn thông qua thuật toán gần giống với tổng dân số đang trải qua tình trạng vô gia cư, số ngày mà một thành viên đã dành cho nơi trú ẩn trong suốt cuộc đời của họ đã được bao gồm. Sử dụng cách tiếp cận này, Tiến sĩ. Plant và Noam nhận thấy rằng thành phần dân tộc / chủng tộc của các thành viên vượt qua thuật toán gần giống với tổng dân số hơn khi những người ở trong một nơi trú ẩn nhiều ngày hơn trong suốt cuộc đời của họ được chọn.

Công việc của Beacon với CT BHP đang diễn ra và chỉ là một ví dụ về những bước tiến mà chúng tôi đang thực hiện để cải thiện công bằng cho các nhóm dân cư dễ bị tổn thương. Để tìm hiểu thêm về Tiến sĩ. Công trình của Plant và Noam về việc loại bỏ thành công sự thiên vị khỏi các thuật toán, bao gồm cả những điều nên làm và không nên hữu ích, lập kế hoạch tham dự phiên họp áp phích của họ tại hội nghị quốc gia cho Hội đồng Quốc gia về Sức khỏe Tâm thần, NATCON 2022, tại Washington, DC vào Thứ Hai, ngày 11 tháng 4. Phiên họp của họ sẽ bao gồm:

  • Một bài tổng quan tài liệu ngắn gọn nói về sự hiện diện của sai lệch trong các thuật toán
  • Các chỉ số thường được sử dụng để xác định các nhóm dân cư đặc biệt có thể dẫn đến sự thiên vị
  • Cách kiểm tra độ chệch trong thuật toán
  • Rủi ro liên quan đến các phương pháp giảm thiểu thiên vị nhất định có thể được coi là phân biệt đối xử
  • Việc kết hợp các chỉ số về các yếu tố xã hội quyết định sức khỏe có thể giúp giảm thiểu sự thiên vị như thế nào
  • Ví dụ thực tế về các thuật toán phóng đại và giảm thiểu sự thiên vị trong việc lựa chọn khách hàng hoặc thành viên

[1] Obermeyer và cộng sự, Science 366, 447–453 (2019) Phân tích thành kiến chủng tộc trong một thuật toán được sử dụng để quản lý sức khỏe của dân số

[2] NY Times ngày 7 tháng 12 năm 2020 - Ngay cả các thuật toán không hoàn hảo cũng có thể cải thiện hệ thống tư pháp hình sự và ngày 7 tháng 2 năm 2020 - Thuật toán cho phép tự do hoặc loại bỏ nó

[3] Các yêu cầu bồi thường đã được rút trong một năm, cho phép khoảng cách bốn tháng, bắt đầu từ tháng dữ liệu HMIS được tải. Dữ liệu được lấy bất kể số ngày hội viên đủ điều kiện nhận Medicaid trong năm đó.


Miễn bình luận

Trả lời

Địa chỉ email của bạn sẽ không được công bố. Các trường bắt buộc được đánh dấu *
Các nhận xét không phù hợp và / hoặc không liên quan đến chủ đề hiện tại sẽ không được xuất bản.

Liên kết hàng đầu
viTiếng Việt