治疗还是不治疗?”是临床医生一直面临的问题。为了帮助他们做出决策，一些人转向疾病风险预测模型。这些模型根据人口统计因素和医学数据预测哪些患者或多或少可能会患上疾病并因此可以从治疗中受益。
随着这些工具在整个医学领域的发展，特别是在临床指导领域，斯坦福大学和其他地方的研究人员正在努力解决如何确保模型底层算法的公平性。当没有使用反映不同人群的数据开发模型时，偏差已成为一个重大问题。
在一项新研究中，斯坦福大学的研究人员检查了心血管健康的重要临床指南，该指南建议使用风险计算器来指导黑人女性、女性、黑人男性和男性的处方决策。研究人员研究了两种提高计算器算法公平性的方法。一种方法，称为组重新校准，重新调整风险模型，以更好地匹配观察结果的频率。第二种方法称为均衡赔率，旨在确保所有组的错误率相似。研究人员发现，重新校准方法总体上更符合指南的建议。
这些发现强调了构建算法的重要性，该算法考虑到与其服务的人群相关的完整背景。
“虽然机器学习在医疗环境和其他社会环境中有很多希望，但这些技术有可能加剧现有的健康不平等，”斯坦福大学博士 Agata Foryciarz 说。计算机科学专业的学生和发表在BMJ Health & Care Informatics上的研究的主要作者。“我们的结果表明，评估疾病风险预测模型的公平性可以使它们的使用更加负责任。”
除了 Foryciarz 之外，研究人员还包括资深作者 Nigam Shah、斯坦福大学医疗保健首席数据科学家和斯坦福大学 HAI 教员;Google 研究科学家 Stephen Pfohl 和 Google Health 临床专家 Birju Patel。
谨慎预防
研究中评估的临床指南是针对动脉粥样硬化性心血管疾病的一级预防。这种情况是由脂肪、胆固醇和其他物质在动脉壁上形成所谓的斑块引起的。粘性斑块会阻塞血流，并可能导致不良后果，包括中风和肾衰竭。
该指南由美国心脏病学会和美国心脏协会发布，为患者何时应开始服用他汀类药物提供了建议，这种药物可降低导致动脉积聚的某些胆固醇水平。
动脉粥样硬化性心血管疾病指南考虑了医疗措施，包括血压、胆固醇水平、糖尿病诊断、吸烟状况和高血压治疗，以及性别、年龄和种族的人口统计数据。基于这些数据，指南建议使用计算器来估计患者在 10 年内患心血管疾病的总体风险。建议被确定为处于中度或高度疾病风险的患者开始他汀类药物治疗。对于处于疾病边缘或低风险的患者，考虑到潜在的药物副作用，他汀类药物治疗可能是不必要或不需要的。
“如果您作为患者被认为比实际风险更高，您可以使用不需要的他汀类药物，”Foryciarz 说。“另一方面，如果你被预测为低风险，但你真的应该服用他汀类药物，那么医生可能无法采取预防措施来预防以后的心脏病。”
临床实践指南越来越多地建议医生针对各种情况和患者群体使用临床风险预测模型。医疗决策支持计算器的普及——例如在手机和临床环境中使用的其他电子设备上——意味着此类应用程序通常就在手边。
“临床医生可能会遇到并使用越来越多的这些基于算法的决策支持工具，因此设计人员尽量确保这些工具尽可能公平和准确，这一点很重要，”Foryciarz 说。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！