Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

La nueva investigación determina los factores que contribuyen a la disparidad racial en sistemas sanitarios

Los estudios de la investigación muestran que los pacientes del negro pueden ser sujetados a los tiempos de espera el 30% más de largo que otros pacientes en las oficinas de los doctores y otras instalaciones de atención sanitaria, saliendo de poca duda sobre la naturaleza en polarización negativa de los sistemas de previsión de la atención sanitaria. La nueva investigación en INFORMA a la fabricación del gorrón y la administración de operaciones de servicio ha determinado los factores que contribuyen a esta disparidad racial y encontraron maneras de crear paridad entre todos los pacientes.

El estudio, “sobrerreservado y pasado por alto: El aprendizaje de máquina y la polarización negativa racial en Scheduling médico de la cita,” conducto por Micaela Samorani, universidad de Santa Clara, junto a Shannon Harris de la universidad de la Commonwealth de Virginia, de Haibing Lu y de Michael Santoro también de la universidad de Santa Clara, y de Linda Goler Blount del imperativo de la salud de las mujeres negras.

Esta solución ha estado “carrera-enterada aparado” y explica el hecho de que programan al grupo racial con la ocasión más alta de no aparecer típicamente en muescas indeseables, y por lo tanto la espera más de largo.

Encontramos que si las clínicas disminuyen la época de espera del grupo racial preveído esperar más de largo, él suprime casi la disparidad racial involuntaria, y hacemos tan sin negativo afectar a la eficiencia de la clínica.”

Micaela Samorani, profesor adjunto, escuela del asunto, universidad de Leavey de Santa Clara

Una cierta reacción a este método puede ser que los pacientes que la demostración será penalizada típicamente. “Es una situación rara del triunfo-triunfo-triunfo,” diga Harris, profesor adjunto en la escuela de VCU del asunto. “Actualmente, estos sistemas de previsión están penalizando a los pacientes negros para no aparecer basada en las entregas socioeconómicas que están fuera de su mando. Las disparidades están presentes a través de muchas áreas y causan un efecto dominó para los grupos infrarrepresentados. Por ejemplo, debido a las entregas del transporte, los pacientes negros no pueden alcanzar siempre sus citas, significando ellos consiguen programados en muescas sobrerreservadas y esperan más de largo. ¿Pero es realmente su avería? Es el sistema estropeado?”

Este trabajo se puede aplicar a otras disparidades donde definen a dos grupos distintos, por ejemplo en casos de género, la religión o el estado socioeconómico.

Source:
Journal reference:

Samorani, M., et al. (2021) Overbooked and Overlooked: Machine Learning and Racial Bias in Medical Appointment Scheduling. Manufacturing & Service Operations Management. doi.org/10.1287/msom.2021.0999.