Спросите почти любого чернокожего американца, обращающегося за медицинской помощью, и у него есть хотя бы одна история о случае, когда врач оказывал им некачественную помощь. На самом деле, если у них нет преданного, и обычно Черного, терапевта, шансы, что большинство их переживаний отрицательны. Хотя эта проблема существует уже сотни лет, благодаря таким платформам, как Tiktok, все больше врачей открыто признают долгую историю медицины в отношении расизма.

Медицинский расизм в значительной степени способствует высоким уровням материнской смертности, чрезвычайно непропорциональным показателям инфицирования и смерти от Covid-19 и самым низким показателям получения надлежащей медицинской помощи у тех же врачей и больниц, что и другие демографические группы населения. . Фактически, в опросе 2016 года, посвященном оценке расистских убеждений студентов-медиков и резидентов, по крайней мере половина опрошенных верила в расистские медицинские мифы, такие как черные люди: наличие более толстой кожи; ощущение меньшей боли, потому что у нас меньше / меньше чувствительных нервных окончаний; и имеют дополнительные биологические и анатомические структуры, чем белые люди. Хотя медицинский расизм должен быть в центре обсуждения, пока он продолжает существовать, он особенно актуален во время пандемии COVID-19.

Несоразмерный уход и высокий уровень смертности

В одном только Чикаго 70% людей, умерших от COVID-19, были чернокожими, хотя только 30% всего населения Чикаго были черными. COVID-19 оказался особенно тяжелым в индийской стране, в результате чего количество госпитализаций выросло в 5,3 раза по сравнению с белыми аналогами. В то время как многие факторы, такие как социально-экономическое положение, были предложены как вклад в эти цифры, самый большой вклад был обнаружен почти 20 лет назад: чернокожие и коричневые люди просто получают более низкое качество помощи.

Согласно отчету Неравное обращение: борьба с расовым и этническим неравенством в сфере здравоохранения за 2003 год, проведенному Институтом медицины, ныне Национальной академией медицины, социально-экономический класс, страхование, доступ к здравоохранению, возраст и другие факторы могут не учитывать различия в здравоохранении. Сравнивая этот уровень ухода с медицинскими услугами белых с аналогичным доходом, возрастом, условиями, врачами и степенью серьезности, исследователи обнаружили значительную закономерность конкретной, некачественной помощи, которую врачи оказывают своим черным пациентам.

Причина, по которой расовые и этнические меньшинства получают более низкое качество медицинской помощи, от глобальных пандемий до самых серьезных факторов смерти, является сложной, но недостаточная академическая и профессиональная лицензия является наиболее сильной среди них. Чтобы еще больше укоренить расовое неравенство в медицине, примеры большинства болезней с внешними симптомами, такими как признаки меланомы, почти исключительно показаны на светлокожих или слегка загорелых телах, что способствует 65% выживаемости чернокожих пациентов по сравнению с 91% для белых пациентов. Для большего контекста: 1 из 38 белых людей страдает меланомой по сравнению с 1 из 1000 чернокожих.

Машинное обучение - это ответ?

Возникает вопрос: может ли машинное обучение успешно устранить расовые различия в медицине для чернокожих пациентов и других цветных пациентов? Это зависит от обстоятельств, но пока ответ - громкое «НЕТ!»

К сожалению, модели машинного обучения подвержены тем же предубеждениям, что и разработчик моделей, и данные. Фактически, миллионы чернокожих пациентов уже стали жертвами смещения алгоритмов здравоохранения в системе, которая уже оставляет черным пациентам большую медицинскую задолженность в обмен на более низкое качество помощи. Хотя применение моделей машинного обучения кажется отличным способом улучшить качество медицинской помощи среди представителей всех рас, те же расистские мифы и тенденции, которые заражают медицину, также влияют на науку о данных. Компьютерное зрение унаследовало артефакты, унаследованные от своего предка фотографии, который редко принимает во внимание небелые оттенки кожи. Модели рекомендаций хороши ровно настолько, насколько хороши качество и точность данных, используемых для их обучения и тестирования. Модели классификации изображений в значительной степени полагались на пациентов не-чернокожих, поэтому существующие модели не учитывают перекрывающиеся состояния здоровья, которые непропорционально влияют на пациентов-чернокожих и способствуют более высокому уровню ошибочного диагноза.

Одно из необходимых решений - увеличить расовое разнообразие; не только в данных, но и в моделистах. Лишь около 5% разработчиков программного обеспечения - черные, хотя чернокожее население, не относящееся к латинскому языку, составляет более 13% населения страны, с еще меньшим процентом чернокожих разработчиков моделей данных и ученых. Для сравнения, латиноамериканские инженеры любой расы составляют лишь 6% отрасли, хотя большинство технологических центров находятся в городах с высоким уровнем латинского населения. Это обычная практика, когда чернокожие пользователи или аудитория редко учитываются при разработке ИИ и продуктов здравоохранения, даже в вопросах, которые в основном затрагивают чернокожих. Если бы с самого начала было задействовано больше черных моделистов, по сравнению с моделями, созданными преимущественно белыми и азиатскими командами, мы могли бы устранить гораздо больше предвзятости еще до запуска моделей. И хотя более разноплановые группы по работе с данными могут устранить предубеждения, заложенные в основу этих моделей, машинное обучение - это еще не конец медицинскому расизму.

Эти расистские мифы не просто появились в 2016 году. Они существуют в США почти 400 лет и до сих пор преподаются медицинскими школами, ординаторами, слушателями и практикующими врачами. Даже с идеальной инфраструктурой модели, модель хороша ровно настолько, насколько хороши данные, используемые для тестирования, обучения и проверки. Хотя технологии могут помочь нам улучшить здравоохранение, если медицина не изменится к лучшему, мы только усугубим многовековые диспропорции и рискуем подвергнуть опасности бесчисленные миллионы.