如何確保預測患者疾病風險的算法的公平性

治療還是不治療?”是臨床醫(yī)生一直面臨的問題。為了幫助他們做出決策，一些人轉(zhuǎn)向疾病風險預測模型。這些模型根據(jù)人口統(tǒng)計因素和醫(yī)學數(shù)據(jù)預測哪些患者或多或少可能會患上疾病并因此可以從治療中受益。

隨著這些工具在整個醫(yī)學領域的發(fā)展，特別是在臨床指導領域，斯坦福大學和其他地方的研究人員正在努力解決如何確保模型底層算法的公平性。當沒有使用反映不同人群的數(shù)據(jù)開發(fā)模型時，偏差已成為一個重大問題。

在一項新研究中，斯坦福大學的研究人員檢查了心血管健康的重要臨床指南，該指南建議使用風險計算器來指導黑人女性、女性、黑人男性和男性的處方?jīng)Q策。研究人員研究了兩種提高計算器算法公平性的方法。一種方法，稱為組重新校準，重新調(diào)整風險模型，以更好地匹配觀察結(jié)果的頻率。第二種方法稱為均衡賠率，旨在確保所有組的錯誤率相似。研究人員發(fā)現(xiàn)，重新校準方法總體上更符合指南的建議。

這些發(fā)現(xiàn)強調(diào)了構(gòu)建算法的重要性，該算法考慮到與其服務的人群相關(guān)的完整背景。

“雖然機器學習在醫(yī)療環(huán)境和其他社會環(huán)境中有很多希望，但這些技術(shù)有可能加劇現(xiàn)有的健康不平等，”斯坦福大學博士 Agata Foryciarz 說。計算機科學專業(yè)的學生和發(fā)表在BMJ Health & Care Informatics上的研究的主要作者。“我們的結(jié)果表明，評估疾病風險預測模型的公平性可以使它們的使用更加負責任。”

除了 Foryciarz 之外，研究人員還包括資深作者 Nigam Shah、斯坦福大學醫(yī)療保健首席數(shù)據(jù)科學家和斯坦福大學 HAI 教員;Google 研究科學家 Stephen Pfohl 和 Google Health 臨床專家 Birju Patel。

謹慎預防

研究中評估的臨床指南是針對動脈粥樣硬化性心血管疾病的一級預防。這種情況是由脂肪、膽固醇和其他物質(zhì)在動脈壁上形成所謂的斑塊引起的。粘性斑塊會阻塞血流，并可能導致不良后果，包括中風和腎衰竭。

該指南由美國心臟病學會和美國心臟協(xié)會發(fā)布，為患者何時應開始服用他汀類藥物提供了建議，這種藥物可降低導致動脈積聚的某些膽固醇水平。

動脈粥樣硬化性心血管疾病指南考慮了醫(yī)療措施，包括血壓、膽固醇水平、糖尿病診斷、吸煙狀況和高血壓治療，以及性別、年齡和種族的人口統(tǒng)計數(shù)據(jù)。基于這些數(shù)據(jù)，指南建議使用計算器來估計患者在 10 年內(nèi)患心血管疾病的總體風險。建議被確定為處于中度或高度疾病風險的患者開始他汀類藥物治療。對于處于疾病邊緣或低風險的患者，考慮到潛在的藥物副作用，他汀類藥物治療可能是不必要或不需要的。

“如果您作為患者被認為比實際風險更高，您可以使用不需要的他汀類藥物，”Foryciarz 說。“另一方面，如果你被預測為低風險，但你真的應該服用他汀類藥物，那么醫(yī)生可能無法采取預防措施來預防以后的心臟病。”

臨床實踐指南越來越多地建議醫(yī)生針對各種情況和患者群體使用臨床風險預測模型。醫(yī)療決策支持計算器的普及——例如在手機和臨床環(huán)境中使用的其他電子設備上——意味著此類應用程序通常就在手邊。

“臨床醫(yī)生可能會遇到并使用越來越多的這些基于算法的決策支持工具，因此設計人員盡量確保這些工具盡可能公平和準確，這一點很重要，”Foryciarz 說。

標簽：