医疗保健中的种族偏见会出现在一些意想不到的地方。例如：考虑临床决策工具，这些工具在今天的患者如何测试、诊断和治疗中起着重要作用。

这些工具包含算法，或逐步程序，通常是计算机化的，用于计算诸如心脏病风险、胸部X光检查的需要和处方药剂量等因素。人工智能可用于搜索健康记录和计费系统，以创建所需的数据集。

表面上看，这些因素听起来都很客观。但最近的研究表明，这些算法中使用的数据分析在关键方面可能会对某些种族和社会经济群体产生偏见。这可能会对这些群体中的人获得的医疗保健的数量和质量产生无数的影响。

关键要点

• 医学决策工具依赖的算法有时可能是有偏见的发挥了很大的作用，在今天的病人如何测试，诊断和治疗。
• 使用医疗支出数据来评估一个人的医疗状况可能会误判穷人和少数民族患者疾病的严重性，因为医疗支出减少反映的是缺乏医疗服务，而不是缺乏需求。
• 用于诊断患者超重或肥胖的体重指数（BMI）算法在患者和医生之间造成了一种羞辱和不信任的氛围，因为现在被归类为超重的黑人**多于西班牙裔和白人**。
• 现在开始检查数据输入和结果是否存在种族、族裔、收入、性别和年龄偏见，以便能够识别和纠正差异。

种族偏见影响最病重的病人

2019年，一项关于美国医院和保险公司广泛使用的分配额外健康管理援助的算法的研究显示，该算法系统地歧视黑人。 当两个种族的人都有同样的疾病时，这个决策工具不太可能让黑人比白人接受复杂医疗需求的护理管理计划。

产生这种偏差的根本原因与该算法根据患者上一年的医疗费用将风险评分分配给患者有关。假设是确定费用较高的患者将确定医疗需求最高的患者。 然而，许多黑人患者与同样患病的白人相比，获得医疗服务的机会更少，支付能力更低，对医疗的信任度也更低。在这种情况下，他们较低的医疗费用并不能准确预测他们的健康状况。

护理管理项目采用高度接触的方法，如电话、护士家访、优先安排医生预约等，以满足病情最严重患者的复杂需求。这些项目已被证明可以改善结果，减少急诊室的就诊和住院，并降低医疗费用。因为这些项目本身很昂贵，所以被分配给风险得分最高的人。在这种护理中，歧视病情最严重的黑人患者的评分技术可能是他们因多种疾病死亡风险增加的一个重要因素。

肾脏疾病中的种族变量

算法可以包含偏差而不将种族作为变量，但是一些工具故意使用种族作为标准。以eGFR评分为例，它评估肾脏健康状况，并用于确定谁需要肾移植。在1999年制定eGFR评分标准的一项研究中，研究人员注意到，平均而言，黑人的肌酐水平（肌肉分解的副产品）高于白人。科学家们认为，更高的水平是由于更高的肌肉质量在黑人。因此，他们调整了评分，这基本上意味着黑人的eGFR评分必须低于白人，才能被诊断为终末期肾病。因此，黑人不得不等到他们的肾脏疾病达到更严重的阶段，才有资格接受治疗。

最近，西雅图华盛顿大学医学院的医学和公共卫生学的学生观察到，EGFR分数对于诊断黑人患者肾病的严重程度是不准确的。她努力从算法中删除种族，并赢得了胜利。华盛顿大学医学院同意使用种族是一个无效的变量，不符合科学严谨的医疗诊断工具。

国家肾脏基金会和美国肾脏病学会已经成立了一个联合工作组来调查race在eGFR中的应用，并计划在2020年底前对其应用提出初步建议。

体重指数与偏倚

即使是不包括种族的最简单的医疗决策工具也能反映社会偏见。例如，体重指数（BMI）是基于体重乘以身高的计算。它用于识别体重不足、超重和肥胖患者。

1985年，美国国家卫生研究院将肥胖的定义与个人的BMI联系起来，1998年，一个专家小组制定了基于BMI的指南，将2900万以前被归类为正常体重或只是超重的美国人分为超重和肥胖两类。 根据BMI标准，大多数黑人、西班牙裔和白人现在都超重或肥胖。2018年，黑人、西班牙裔和白人**的肥胖率大致相当（从31.2%到34.2%）。但根据体重指数，肥胖**的比例是： 

• 44.2%——黑色
• 35.4%——西班牙裔
• 28.7%——白色

一种羞辱和不信任的气氛

将如此大比例的人群称为超重或肥胖，在患者和医生之间造成了一种羞辱体重和不信任的气氛。体重较高的人抱怨医生没有解决他们的健康问题，也没有解决他们的健康问题。相反，医生将健康问题归咎于患者的体重，并将减肥作为解决问题的方法。这有助于黑人和西班牙裔患者避免医疗从业者，因此可能错过了预防问题或及早发现问题的机会。

此外，越来越明显的是，超重或肥胖并不总是一个健康问题。一些严重疾病的发病率，如因COVID-19而住院、高血压、心脏病、中风、2型糖尿病和其他疾病，在肥胖人群中较高。 但对于其他情况，如严重损伤、癌症和心脏手术后的康复，体重越高的人存活率越高。  

新的、改进的加拿大指南

事实上，加拿大临床医生的新肥胖指南于2020年8月发布，强调医生在诊断病人时应该停止仅仅依靠体重指数。根据新的指导方针，只有当人们的体重影响他们的身体健康或精神健康时，才应该被诊断为肥胖。治疗应该是整体的，而不是仅仅针对减肥。该指南还指出：“肥胖患者面临严重的偏见和耻辱感，这导致发病率和死亡率增加，与体重或体重指数无关。”

减少决策工具中的偏差

医学算法并不是唯一一种有偏差的算法。例如，2018年，亚马逊停止使用显示对**偏见的招聘工具。这个工具分析了10年来亚马逊主要****期间的招聘数据，并利用这段历史教导自己更喜欢**候选人。

在医疗保健领域，机器学习通常依赖于电子健康记录。贫困和少数民族患者可能接受骨折治疗，并在多个机构就诊。在数据输入或临床推理可能不太准确的临床教学中，他们更容易出现。患者可能无法访问在线患者门户并记录结果。因此，这些患者的记录可能有缺失或错误的数据。因此，驱动机器学习的算法可能最终将贫困和少数民族患者排除在数据集和所需护理之外。

好消息是，在过去几年中，人们对医疗算法中的偏见的认识有所提高。正在检查数据输入和结果是否存在种族、族裔、收入、性别和年龄偏见。当差异被识别时，算法和数据集可以被修改以获得更好的客观性。