医疗保健不平等和护理差异普遍存在于社会经济、种族和性别鸿沟中。作为社会，我们有道德、伦理和经济责任来弥合这些差距，确保每个人都能获得一致、公平和负担得起的医疗服务。
人工智能（AI）有助于解决这些差异，但它也是一把双刃剑。当然，AI已经在简化护理交付、实现大规模个性化医疗和支持突破性发现方面发挥了作用。然而，数据、算法和用户的固有偏见可能会使问题更加严重，如果我们不小心的话。
这意味着我们这些开发和部署AI驱动的医疗解决方案的人必须小心，防止AI无意中扩大现有的差距，而监管机构和专业协会必须积极发挥作用，建立防止或减轻偏见的护栏。以下是利用AI可以弥合不公平差距而不是扩大它们的方法。
实现临床试验的公平性
许多新的药物和治疗试验在设计上存在偏见，无论有意还是无意。例如，直到1993年，法律才要求女性被纳入由NIH资助的临床研究。最近，COVID疫苗从未有意在孕妇中进行试验——只是因为一些试验参与者在接种疫苗时不知情怀孕，我们才知道它是安全的。
研究的一个挑战是我们不知道自己不知道什么。然而，AI通过分析人口数据并标记不成比例的代表性或人口覆盖范围的空白，帮助揭示了有偏见的数据集。通过确保多样化的代表性和训练AI模型以准确反映目标人群，AI有助于确保包容性、减少伤害并优化结果。
确保公平的治疗
众所周知，黑人待产母亲在分娩期间经历疼痛和并发症时往往被忽视，导致黑人妇女的孕产妇死亡率是非西班牙裔白人妇女的三倍，无论收入或教育水平如何。这个问题主要由固有偏见延续：医疗专业人员普遍存在一种错误观念，即黑人的疼痛耐受性比白人高。
AI算法中的偏见会使问题更加严重：哈佛研究人员发现，一个常见的算法预测黑人和拉丁裔妇女在剖宫产后阴道分娩（VBAC）成功的可能性较低，这可能导致医生对有色人种女性进行更多的剖宫产。然而，研究人员发现“这种关联没有生物学上的合理性”，表明种族是“反映种族主义对健康影响的其他变量的代理”。该算法随后更新，排除了种族或民族在计算风险时的考虑。
这是一个完美的应用，AI可以根除隐性偏见并建议（用证据支持）可能被忽视的护理路径。我们可以使用AI来确定这些最佳实践是否基于所有女性的经验，而不仅仅是白人女性。AI确保我们的数据基础包括从医疗和技术进步中受益最多的患者。
虽然在某些情况下，种族和民族可能是重要的因素，但我们必须谨慎了解何时以及如何考虑它们，而不是简单地默认历史偏见来影响我们的认知和AI算法。
提供公平的预防策略
如果不仔细考虑潜在的偏见，AI解决方案很容易忽略边缘化社区中的某些条件。例如，退伍军人事务部正在开发多个算法来预测和检测心脏病和心肌梗死的迹象。这具有巨大的挽救生命潜力，但大多数研究历史上并未包括很多女性，心血管疾病是女性的第一大死因。因此，目前尚不清楚这些模型对女性是否同样有效，女性的心脏病症状通常与男性不同。
在这个数据集中包括适当比例的女性可以帮助通过早期检测和干预预防每年约320万次心脏病发作和50万例心脏相关死亡。同样，新的AI工具正在去除肾脏疾病筛查中的种族基础算法，这些算法历史上排除了黑人、西班牙裔和美洲原住民，导致护理延迟和不良临床结果。
与其排除边缘化个体，AI实际上可以帮助预测边缘化人口的健康风险，并实现个性化的风险评估，以更好地针对干预措施。数据可能已经存在；只需调整模型以确定种族、性别和其他人口统计因素如何影响结果——如果有的话。
流程化行政任务
除了直接影响患者结果外，AI在幕后加速工作流程方面具有巨大潜力，以减少差异。例如，公司和提供者已经在使用AI填补索赔编码和裁定中的空白，验证诊断代码与医生笔记的一致性，并自动化常见诊断程序的预授权过程。
通过简化这些功能，我们可以大幅降低运营成本，帮助提供者办公室更高效地运行，并让员工有更多时间与患者相处，从而使护理变得更加负担得起和可及。
我们每个人都有重要作用
我们拥有这些令人难以置信的工具，这使得我们更有责任使用它们来根除和克服医疗偏见。不幸的是，美国没有认证机构监管使用AI消除医疗偏见的努力，即使对于那些已经制定指南的组织，也没有监管激励措施来遵守这些指南。
因此，作为AI从业者、数据科学家、算法创建者和用户，我们必须制定有意识的战略，确保包容性、数据多样性以及这些工具和见解的公平使用。
为此，准确集成和互操作性至关重要。鉴于有许多数据来源——从可穿戴设备和第三方实验室和影像提供商到初级保健、卫生信息交换和住院记录——我们必须整合所有这些数据，以确保关键部分被包含，无论其格式或来源如何。行业需要数据规范化、标准化和身份匹配，以确保重要患者数据的包含，即使存在不同的拼写或基于各种文化和语言的命名惯例。
我们还必须在AI开发过程中构建多样性评估，并监测指标随时间的变化。AI从业者有责任测试模型在不同人口子群体中的性能，进行偏见审计，并了解模型如何做出决策。我们可能需要超越基于种族的假设，以确保我们的分析代表我们要为其构建的目标人群。例如，生活在亚利桑那州吉拉河保留地的皮马印第安部落成员患有肥胖和2型糖尿病的比例极高，而生活在墨西哥西马德雷山脉边境另一边的同一部落成员患肥胖和糖尿病的比例明显较低，证明遗传并非唯一因素。
最后，我们需要像美国医学协会、国家卫生信息技术协调办公室以及美国妇产科学院、美国儿科学会、美国心脏病学会等专业组织共同努力，制定数据交换和急性度的标准和框架，以防止偏见。
通过标准化健康数据的共享并扩展HTI-1和HTI-2，要求开发者与认证机构合作，我们有助于确保合规并纠正过去的不平等错误。此外，通过民主化访问完整、准确的患者数据，我们可以消除延续偏见的盲点，利用AI通过更全面、客观的见解解决护理差异。
(全文结束)
