KI könnte die Gesundheitsversorgung gerechter machen – indem sie uns hilft, zu glauben, was Patienten sagen

Frau Tech

In den letzten Jahren hat die Forschung gezeigt, dass Deep Learning bei Aufgaben der medizinischen Bildgebung mit der Leistung auf Expertenniveau mithalten kann, z Früherkennung von Krebs und Diagnose von Augenkrankheiten . Aber es gibt auch Grund zur Vorsicht. Andere Untersuchungen haben gezeigt, dass Deep Learning dazu neigt Diskriminierung fortführen . Bei einem Gesundheitssystem, das bereits von Ungleichheiten durchsetzt ist, könnten schlampige Anwendungen von Deep Learning dies noch verschlimmern.

Jetzt ein neues Papier veröffentlicht in Naturmedizin schlägt einen Weg vor, medizinische Algorithmen zu entwickeln, die dazu beitragen könnten, bestehende Ungleichheiten umzukehren, anstatt sie zu verschärfen. Der Schlüssel, sagt Ziad Obermeyer, außerordentlicher Professor an der UC Berkeley, der die Forschung beaufsichtigte, besteht darin, die Algorithmen nicht mehr so ​​zu trainieren, dass sie der Leistung menschlicher Experten entsprechen.

Das Papier betrachtet ein spezifisches klinisches Beispiel für die Unterschiede, die bei der Behandlung von Kniearthrose bestehen, einer Erkrankung, die chronische Schmerzen verursacht. Die Beurteilung der Schwere dieser Schmerzen hilft Ärzten, die richtige Behandlung zu verschreiben, einschließlich Physiotherapie, Medikamente oder Operation. Dies wird traditionell von einem Radiologen durchgeführt, der eine Röntgenaufnahme des Knies überprüft und die Schmerzen des Patienten anhand des Kellgren-Lawrence-Grads (KLG) bewertet, der die Schmerzstärke basierend auf dem Vorhandensein verschiedener röntgenologischer Merkmale wie dem Grad des fehlenden Knorpels oder berechnet strukturelle Schäden.

Die vom National Institute of Health gesammelten Daten ergaben jedoch, dass Ärzte, die diese Methode anwenden, die Schmerzen schwarzer Patienten systematisch als weitaus weniger schwerwiegend bewerten als das, was sie sagen. Die Patienten geben ihre Schmerzniveaus selbst an, indem sie eine Umfrage verwenden, in der sie gefragt werden, wie sehr es weh tut, verschiedene Dinge zu tun, z. B. das Knie vollständig zu strecken. Diese selbstberichteten Schmerzwerte werden jedoch zugunsten des KLG-Scores des Radiologen bei der Verschreibung der Behandlung ignoriert. Mit anderen Worten, schwarze Patienten, die die gleiche Menge an fehlendem Knorpel aufweisen wie weiße Patienten, berichten selbst über höhere Schmerzen.

Dies hat medizinische Experten immer wieder verärgert. Eine Hypothese ist, dass schwarze Patienten möglicherweise stärkere Schmerzen melden, um Ärzte dazu zu bringen, sie ernsthafter zu behandeln. Aber es gibt eine alternative Erklärung. Die KLG-Methodik selbst könnte voreingenommen sein. Es wurde vor mehreren Jahrzehnten mit weißer britischer Bevölkerung entwickelt. Einige medizinische Experten argumentieren, dass die Liste der Röntgenmarker, nach denen Ärzte suchen sollen, möglicherweise nicht alle möglichen physischen Schmerzquellen innerhalb einer heterogenen Bevölkerung enthält. Anders ausgedrückt, es kann radiologische Schmerzindikatoren geben, die bei Schwarzen häufiger auftreten, die einfach nicht Teil der KLG-Rubrik sind.

Verwandte Geschichte

Ärzte verwenden KI zur Triage von Covid-19-Patienten. Die Tools sind möglicherweise da, um zu bleiben Angesichts des Personalmangels und der überwältigenden Patientenlast wenden sich immer mehr Krankenhäuser automatisierten Tools zu, um sie bei der Bewältigung der Pandemie zu unterstützen.

Um diese Möglichkeit zu testen, trainierten die Forscher ein Deep-Learning-Modell, um das selbstberichtete Schmerzniveau der Patienten anhand ihrer Knieröntgenaufnahme vorherzusagen. Wenn das resultierende Modell eine schreckliche Genauigkeit hätte, würde dies darauf hindeuten, dass selbstberichteter Schmerz eher willkürlich ist. Aber wenn das Modell eine wirklich gute Genauigkeit hätte, würde dies den Beweis liefern, dass selbstberichteter Schmerz tatsächlich mit Röntgenmarkern im Röntgenbild korreliert.

Nach der Durchführung mehrerer Experimente, darunter einige, die darauf abzielten, Störfaktoren auszuschließen, stellten die Forscher fest, dass das Modell viel genauer als KLG war, um selbstberichtete Schmerzniveaus sowohl für weiße als auch für schwarze Patienten, insbesondere aber für schwarze Patienten, vorherzusagen. Es reduzierte die Rassenunterschiede auf jeder Schmerzstufe um fast die Hälfte.

Das Ziel ist nicht unbedingt, diesen Algorithmus in einem klinischen Umfeld einzusetzen. Aber indem es die KLG-Methodik übertraf, zeigte es, dass die Standardmethode zur Schmerzmessung fehlerhaft ist und zu viel höheren Kosten für Schwarze führt. Dies sollte die medizinische Gemeinschaft dazu veranlassen, zu untersuchen, welche radiologischen Marker der Algorithmus möglicherweise sieht, und ihre Bewertungsmethodik zu aktualisieren.

Es hebt tatsächlich einen wirklich spannenden Teil hervor, in dem diese Art von Algorithmen in den Prozess der medizinischen Entdeckung passen kann, sagt Obermeyer. Es sagt uns, ob es hier etwas gibt, das es wert ist, betrachtet zu werden, das wir nicht verstehen. Es schafft die Voraussetzungen dafür, dass Menschen dann eingreifen und mithilfe dieser Algorithmen als Werkzeuge versuchen, herauszufinden, was vor sich geht.

Das Coole an diesem Artikel ist, dass er die Dinge aus einer völlig anderen Perspektive betrachtet, sagt Irene Chen, eine Forscherin am MIT, die untersucht, wie Ungerechtigkeiten in der Gesundheitsversorgung durch maschinelles Lernen verringert werden können, und nicht an dem Artikel beteiligt war. Anstatt den Algorithmus auf fundiertem Expertenwissen zu trainieren, sagt sie, haben sich die Forscher dafür entschieden, die Selbsteinschätzung der Patienten als Wahrheit zu behandeln. Dadurch wurden wichtige Lücken in dem aufgedeckt, was die Medizin normalerweise als das objektivere Schmerzmaß ansieht.

Genau das sei das Geheimnis gewesen, stimmt Obermeyer zu. Wenn Algorithmen immer nur auf die Leistung von Experten trainiert werden, werden sie bestehende Lücken und Ungleichheiten einfach aufrechterhalten, sagt er. Diese Studie ist ein Einblick in eine allgemeinere Pipeline, die wir in der Medizin zunehmend nutzen können, um neues Wissen zu generieren.

verbergen