الگوریتم‌های ارزیابی خطر سکته مغزی برای سیاه‌پوستان آمریکایی بدتر است

استانداردهای پزشکی فعلی برای دسترسی به خطر سکته مغزی برای سیاه‌پوستان آمریکایی نسبت به آمریکایی‌های سفیدپوست بدتر عمل می‌کند و به طور بالقوه باعث ایجاد نابرابری‌های سلامتی می‌شود.

مطالعه‌ای که توسط محققان دوک هلث رهبری شد و در 24 ژانویه به صورت آنلاین ظاهر شد مجله انجمن پزشکی آمریکا (جاما) الگوریتم های مختلف موجود و دو روش ارزیابی هوش مصنوعی را ارزیابی کرد که با هدف پیش بینی خطر سکته مغزی در 10 سال آینده انجام می شود.

این مطالعه نشان داد که همه الگوریتم‌ها در طبقه‌بندی خطر برای افراد سیاه‌پوست بدتر از افرادی که سفید پوست هستند، صرف نظر از جنسیت افراد، عمل می‌کنند. پیامدها در سطح فردی و جمعیتی است: افرادی که در معرض خطر بالای سکته مغزی هستند ممکن است درمان دریافت نکنند، و افرادی که در معرض خطر کم یا بدون خطر هستند، بی جهت درمان می شوند.

مایکل پنسینا، نویسنده مسئول این مطالعه، استاد دپارتمان گفت: ما باید روش‌های جمع‌آوری داده‌ها را بهبود بخشیم و مجموعه عوامل خطر سکته را گسترش دهیم تا شکاف عملکرد الگوریتم‌ها بین بزرگسالان سیاه‌پوست و سفیدپوست را کاهش دهیم. بخش آمار زیستی و بیوانفورماتیک و مدیر بخش سلامت هوش مصنوعی در دانشکده پزشکی دانشگاه دوک.

پنسینا گفت: «به عنوان مثال، الگوریتم‌های آزمایش‌شده در اینجا عمدتاً عوامل اجتماعی تعیین‌کننده سلامت و برخی عوامل دیگر پیشنهاد شده توسط دستورالعمل پیشگیری از سکته مغزی را در نظر نمی‌گیرند. جمع آوری داده ها باید به بیمار و جامعه نزدیک تر باشد.

او افزود: «اختلاف‌ها به‌طور بالقوه می‌توانند توسط این الگوریتم‌ها منتشر شوند، و اوضاع برای برخی افراد بدتر می‌شود، که ممکن است منجر به نابرابری در تصمیم‌گیری‌های درمانی سیاه‌پوستان در مقابل بزرگسالان سفیدپوست شود».

این مطالعه به طور خاص به چیزی به نام سفارش ریسک نگاه کرد، که چشم‌اندازی را در مورد احتمال ابتلا به سکته مغزی در مقایسه با دیگران ارائه می‌دهد – مفهوم مهمی که برای تخصیص منابع پزشکی محدود استفاده می‌شود.

این مطالعه همچنین نشان داد که یک روش ساده با استفاده از پاسخ به سؤالات بیمار دقیق‌ترین روش در سطح جمعیت است و روش‌های پیچیده یادگیری ماشینی نتوانستند عملکرد را بهبود بخشند.

پنسینا گفت: «در حالی که تکنیک‌های پیشرفته هوش مصنوعی به‌عنوان امیدوارکننده‌ترین مسیر برای الگوریتم‌های بهتر معرفی شده‌اند، نتایج ما نشان می‌دهد که برای انواع ساده‌تر داده‌ها مانند آنچه در مطالعه ما استفاده می‌شود، ریاضیات پیچیده کمکی نمی‌کند.»

او گفت: «دقت بهتر الگوریتم‌های ساده‌تر، بر اساس عوامل خطر گزارش‌شده خود، یک راه امیدوارکننده و بالقوه مقرون‌به‌صرفه را برای تلاش‌های پیشگیرانه نشان می‌دهد.»