L'algorithme de santé partial contre les découvertes noires de personnes étudient

Une étude neuve a indiqué que couramment et l'algorithme très utilisé de santé peut être décentré contre des noirs et peut les refuser de la demande de règlement médicale indispensable. L'étude intitulée, « polarisation raciale de dissection dans un algorithme employé pour manager la santé des populations, » était cette semaine publiée dans la dernière question de la Science de tourillon.

Crédit d
Crédit d'image : SeaRick1/Shutterstock

L'auteur important Ziad Obermeyer, un professeur agrégé temporaire à l'Université de Californie, Berkeley dit sans nommer l'algorithme que « presque chaque grand système de santé » emploie actuellement cet algorithme pour leur demande de règlement et ceci comprend les institutions ainsi que les assureurs importants. Il a dit, « c'est une caractéristique systématique de la voie à peu près chacun dans les approches de l'espace ce problème. » Selon l'étude plus de 200 millions de personnes et leur santé venez sous la protection de cet algorithme.

Les auteurs de l'étude ont expliqué que la plupart des fournisseurs de soins de santé emploient cet algorithme pour examiner les patients et la sélection ils pour des soins médicaux et des interventions à haut risque. Ceux avec des comorbidités complexes et des maladies sérieuses sont sélectés par l'algorithme pour la demande de règlement et l'intervention. Ces personnes sont oreille marquée et peuvent susciter plus d'attention des fournisseurs de soins de santé. Ces personnes obtiennent des affectations prioritaires avec des médecins et obtiennent le soin infirmier spécifique. Pour le système de santé, expliqué les auteurs de l'étude, ce genre d'algorithme épargne des millions et s'assure également que ceux qui la plupart de besoin le service et approvisionné à d'abord. Ceci assure la meilleure et optima utilisation des moyens.

Afin de sélecter ces patients, l'algorithme utilise des données concernant les coûts selon chacun des patients et ceci leur donne une idée juste au sujet du besoin du patient. Selon les auteurs de l'étude, leur recherche constate que les personnes de noir ont un accès à des soins de santé plus faible en premier lieu. Ceci signifie que moins est dépensé sur leur santé. L'algorithme pourrait de ce fait manquer ces personnes car elles ne sont pas parmi les patients qui sont plus coûteux au système de santé. L'équipe explique que l'irrégularité de l'accès inégal à la santé n'est pas adressée ainsi par algorithme universellement utilisé et reçu de ceci. Obermeyer a dit, le « coût est un proxy raisonnable pour la santé, mais il est décentré, et ce choix est réellement ce qui introduit de biais dans l'algorithme. »

Sendhil Mullainathan, un professeur du calcul et de la science comportementale à l'école de cabine d'Université de Chicago des affaires et à l'auteur de l'étude, a indiqué dans une déclaration, « il m'est vraiment inconcevable que n'importe qui d'autre algorithme ne souffre pas de ceci. Je suis plein d'espoir que ceci fasse indiquer l'industrie entière, ` oh, mon, nous dois fixer ceci.'  »

Selon leurs découvertes, l'équipe a noté qu'actuellement le service de soins et l'attention complémentaires est suscité par 17,7 pour cent de la population noire. Si les coûts de ligne zéro pourraient être portés au radar d'acquisition à impulsions avec la population blanche, 46,5 pour cent des patients noirs devraient être sur la liste de soins spéciaux. L'équipe a regardé 3,7 millions de personnes et comment l'algorithme les a classifiées pour leur étude. Ils ont constaté que le noir a dépensé $1.800 moins dans des coûts médicaux par an que les patients blancs quand les deux personnes ont eu le même numéro des maladies chroniques.

Selon Obermeyer, il y a beaucoup de disparités entre un individuel blanc et une personne de race noire en termes de dépense de santé. La perte de travail, pauvreté de ligne zéro, réductions des salaires dues aux au sol de santé sont tous les contributeurs à la disparité qu'il a dite. Il a ajouté, « là sont juste million de voies dont la pauvreté le rend difficile d'atteindre la santé. » La polarisation en termes de médecins soignant les patients noirs entre dans également le jeu qu'il a dit.

Obermeyer a ajouté cependant que ce problème n'est pas insoluble et pourrait être facilement remédié à. Il a dit, « qu'oblique est fixable, pas avec des caractéristiques neuves, pas avec un genre neuf et plus de fantaisie de réseau neuronal, mais réellement juste en changeant la chose que l'algorithme est censé prévoir. » Il a dit que l'algorithme doit se concentrer sur des résultats de santé de tous les patients plutôt que seul le coût. Ceci a pu résoudre ce problème de disparité. Il a conclu, « avec cette attention particulière à la façon dont nous formons des algorithmes que nous pouvons obtenir beaucoup de leurs avantages, mais réduit à un minimum le risque de polarisation. »

Dans un article de accompagnement avec l'étude, Ruha Benjamin, un professeur agrégé des études d'Afro-américain à l'Université de Princeton, a parlé au sujet de l'histoire de Henrietta manque. Lacks était une jeune mère d'Afro-américain avec le cancer cervical dont les cellules cervicales jaillissent utilisé pour la recherche biomédicale sans sa connaissance ou consentent. « Je suis frappé par combien de gens pensent toujours que le racisme toujours doit être intentionnel et rempli de combustible par méchanceté. Ils ne veulent pas admettre les effets racistes de la technologie à moins qu'ils puissent indiquer exactement le boogeyman fanatique derrière l'écran, » Benjamin ont dit.

Journal reference:

Dissecting racial bias in an algorithm used to manage the health of populations Ziad Obermeyer, Brian Powers, Christine Vogeli, Sendhil Mullainathan, Science 25 Oct 2019: Vol. 366, Issue 6464, pp. 447-453 DOI: 10.1126/science.aax2342, https://science.sciencemag.org/content/366/6464/447

Dr. Ananya Mandal

Written by

Dr. Ananya Mandal

Dr. Ananya Mandal is a doctor by profession, lecturer by vocation and a medical writer by passion. She specialized in Clinical Pharmacology after her bachelor's (MBBS). For her, health communication is not just writing complicated reviews for professionals but making medical knowledge understandable and available to the general public as well.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Mandal, Ananya. (2019, October 26). L'algorithme de santé partial contre les découvertes noires de personnes étudient. News-Medical. Retrieved on April 04, 2020 from https://www.news-medical.net/news/20191026/Health-algorithm-biased-against-black-individuals-finds-study.aspx.

  • MLA

    Mandal, Ananya. "L'algorithme de santé partial contre les découvertes noires de personnes étudient". News-Medical. 04 April 2020. <https://www.news-medical.net/news/20191026/Health-algorithm-biased-against-black-individuals-finds-study.aspx>.

  • Chicago

    Mandal, Ananya. "L'algorithme de santé partial contre les découvertes noires de personnes étudient". News-Medical. https://www.news-medical.net/news/20191026/Health-algorithm-biased-against-black-individuals-finds-study.aspx. (accessed April 04, 2020).

  • Harvard

    Mandal, Ananya. 2019. L'algorithme de santé partial contre les découvertes noires de personnes étudient. News-Medical, viewed 04 April 2020, https://www.news-medical.net/news/20191026/Health-algorithm-biased-against-black-individuals-finds-study.aspx.