Menghilangkan ras dan etnis dari model prediksi risiko kekambuhan kanker kolorektal (CRC) dapat menurunkan akurasi dan keadilannya, terutama untuk kelompok minoritas, yang berpotensi mengarah pada saran perawatan yang tidak tepat dan berkontribusi pada perbedaan kesehatan yang ada, saran penelitian baru.
“Studi kami memiliki implikasi penting untuk mengembangkan algoritme klinis yang akurat dan adil,” tulis penulis pertama Sara Khor, MASc, bersama University of Washington, Seattle, dan rekannya.
“Banyak kelompok menyerukan penghapusan ras dalam algoritme klinis,” kata Khor kepada Medscape Medical News. “Kami ingin lebih memahami, dengan menggunakan perulangan CRC sebagai studi kasus, implikasi apa yang mungkin terjadi jika kami menghapus ras sebagai prediktor dalam algoritme prediksi risiko.”
Temuan mereka menunjukkan bahwa melakukan hal itu dapat menyebabkan bias rasial yang lebih tinggi dalam akurasi model dan estimasi risiko yang kurang akurat untuk kelompok minoritas ras dan etnis. Hal ini dapat menyebabkan pengawasan dan perawatan tindak lanjut yang tidak memadai atau tidak tepat lebih sering pada pasien dari kelompok ras dan etnis minoritas.
Studi ini dipublikasikan secara online 15 Juni di JAMA Network Open.
Kurangnya Data dan Konsensus
Saat ini ada kekurangan konsensus tentang apakah dan bagaimana ras dan etnis harus dimasukkan dalam model prediksi risiko klinis yang digunakan untuk memandu keputusan perawatan kesehatan, catat para penulis.
Dimasukkannya ras dan etnis dalam algoritme prediksi risiko klinis telah semakin diawasi, karena kekhawatiran atas potensi profil rasial dan pengobatan yang bias. Di sisi lain, beberapa orang berpendapat bahwa mengecualikan ras dan etnis dapat merugikan semua kelompok dengan mengurangi akurasi prediksi dan terutama akan merugikan kelompok minoritas.
Namun, masih belum jelas apakah menghilangkan ras dan etnis dari algoritme pada akhirnya akan meningkatkan keputusan perawatan untuk pasien dari kelompok ras dan etnis minoritas.
Khor dan rekan menyelidiki kinerja empat model prediksi risiko untuk kekambuhan CRC menggunakan data dari 4230 pasien dengan CRC (53% kulit putih non-Hispanik; 22% Hispanik; 13% Hitam atau Afrika Amerika; dan 12% Asia, Hawaii, atau Kepulauan Pasifik ).
Keempat model tersebut adalah: (1) model ras-netral yang secara eksplisit mengecualikan ras dan etnis sebagai prediktor; (2) model peka ras yang mencakup ras dan etnis; (3) model dengan interaksi dua arah antara prediktor klinis dan ras dan etnis; dan (4) model terpisah yang dikelompokkan berdasarkan ras dan etnis.
Mereka menemukan bahwa model ras-netral memiliki kinerja yang lebih buruk (kalibrasi lebih buruk, nilai prediktif negatif, dan tingkat negatif palsu) di antara subkelompok ras dan etnis minoritas dibandingkan dengan kulit putih non-Hispanik. Tingkat negatif palsu untuk pasien Hispanik adalah 12% vs 3% untuk pasien kulit putih non-Hispanik.
Sebaliknya, termasuk ras dan etnis sebagai prediktor kekambuhan kanker pasca operasi meningkatkan akurasi model dan meningkatkan “keadilan algoritmik” dalam hal kemiringan kalibrasi, kemampuan diskriminatif, nilai prediksi positif, dan tingkat negatif palsu. Tingkat negatif palsu untuk pasien Hispanik adalah 9% dan 8% untuk pasien kulit putih non-Hispanik.
Dimasukkannya istilah interaksi ras atau menggunakan model bertingkat ras tidak meningkatkan keadilan model, kemungkinan karena ukuran sampel yang kecil dalam subkelompok, tambah penulis.
‘Tidak Ada Jawaban yang Cocok untuk Semua’
“Tidak ada jawaban yang cocok untuk semua apakah ras/etnis harus dimasukkan, karena konsekuensi kesenjangan kesehatan yang dihasilkan dari setiap keputusan klinis berbeda,” kata Khor kepada Medscape Medical News.
“Kerugian dan keuntungan hilir dari memasukkan atau mengecualikan ras perlu dipertimbangkan dengan hati-hati dalam setiap kasus,” kata Khor.
“Saat mengembangkan algoritme prediksi risiko klinis, seseorang harus mempertimbangkan potensi bias ras/etnis yang ada dalam praktik klinis, yang diterjemahkan menjadi bias dalam data,” tambah Khor. “Harus berhati-hati untuk memikirkan implikasi dari bias tersebut selama pengembangan algoritma dan proses evaluasi untuk menghindari penyebaran lebih lanjut dari bias tersebut.”
Rekan penulis komentar terkait mengatakan penelitian ini “menyoroti tantangan saat ini dalam mengukur dan mengatasi bias algoritmik, dengan implikasi untuk perawatan pasien dan pengambilan keputusan kebijakan kesehatan.”
Ankur Pandya, PhD, dengan Fakultas Kesehatan Masyarakat Harvard TH Chan, Boston, Massachusetts, dan Jinyi Zhu, PhD, dengan Fakultas Kedokteran Universitas Vanderbilt, Nashville, Tennessee, setuju bahwa tidak ada “solusi satu ukuran untuk semua” — seperti selalu mengecualikan ras dan etnis dari model risiko — hingga menghadapi bias algoritmik.
“Bila memungkinkan, pendekatan untuk mengidentifikasi dan menanggapi bias algoritmik harus fokus pada keputusan yang dibuat oleh pasien dan pembuat kebijakan karena berkaitan dengan hasil akhir dari kepentingan (seperti panjang hidup, kualitas hidup, dan biaya) dan distribusi ini hasil di seluruh subkelompok yang menentukan perbedaan kesehatan yang penting,” saran Pandya dan Zhu.
“Apa yang paling menjanjikan,” tulis mereka, adalah keterlibatan tingkat tinggi dari para peneliti, filsuf, pembuat kebijakan, dokter dan profesional perawatan kesehatan lainnya, pengasuh, dan pasien untuk tujuan ini dalam beberapa tahun terakhir, “menunjukkan bahwa bias algoritmik tidak akan dibiarkan begitu saja. karena akses ke jumlah data dan metode yang belum pernah terjadi sebelumnya terus meningkat di masa mendatang.”
Penelitian ini didukung oleh hibah dari National Cancer Institute dari National Institutes of Health. Penulis dan penulis editorial tidak mengungkapkan hubungan keuangan yang relevan.
Jaringan JAMA Terbuka. 2023;6(6):e2318495, e2318501. Teks lengkap, Komentar
Untuk berita lebih lanjut, ikuti Medscape di Facebook, Twitter, Instagram, dan YouTube.