Οι παρατηρήσεις αυτές εγείρουν ανησυχία σχετικά με τη διαφορά στην ποιότητα των ηλεκτρονικών αρχείων υγείας μεταξύ ασθενών με διαφορετικό υπόβαθρο κοινωνικοοικονομικής κατάστασης σε ατομικό επίπεδο SES, η οποία μπορεί να κρύβεται πίσω από πιθανές μεροληψίες του μοντέλου AI ανάλογα με την κοινωνικοοικονομική κατάσταση σε ατομικό επίπεδο SES".
Υγεία: Οι κοινωνικοί προσδιοριστικοί παράγοντες της υγείας επηρεάζουν την ευημερία και την ποιότητα ζωής των ανθρώπων. Αυτοί οι κοινωνικοί καθοριστικοί παράγοντες -συνθήκες όπως η πρόσβαση στη διατροφή, η ασφαλής και προσιτή στέγαση, οι θέσεις εργασίας, οι μεταφορές και η πρόσβαση στην υγειονομική περίθαλψη- είναι ορισμένοι από τους παράγοντες που οδηγούν σε ανισότητες στην υγεία και την υγειονομική περίθαλψη, εάν δεν αντιμετωπιστούν. “Ο ορισμός και η αξιολόγηση των κοινωνικών καθοριστικών παραγόντων της υγείας προσκαλεί πραγματικά τους κλινικούς γιατρούς, τους εκπαιδευτικούς και τους ερευνητές να υιοθετήσουν μια ευρύτερη κατανόηση της υγείας στο κοινωνικό πλαίσιο, πέρα, ίσως, από τους στενά καθορισμένους ή εστιασμένους βιοϊατρικούς παράγοντες”, εξηγεί ο Δρ Young Juhn, καθηγητής Παιδιατρικής στην Κλινική Mayo, διευθυντής του προγράμματος τεχνητής νοημοσύνης (AI) για το Τμήμα Παιδιατρικής και πρόεδρος έρευνας του Συστήματος Υγείας της Κλινικής Mayo. “Έτσι, ορίζεται πραγματικά ως καταστάσεις ή συνθήκες που λαμβάνουν χώρα στην καθημερινή ζωή, επηρεάζοντας ένα ευρύτερο φάσμα αποτελεσμάτων υγείας, λειτουργικότητας και ποιότητας ζωής”.
Οι οργανισμοί υγειονομικής περίθαλψης, συμπεριλαμβανομένης της Mayo Clinic, εργάζονται για τη βελτίωση της ισότητας της υγείας και των αποτελεσμάτων της υγείας, μειώνοντας παράλληλα το κόστος της υγειονομικής περίθαλψης. Ένα από τα προβλήματα που αντιμετωπίζουν οι οργανισμοί υγειονομικής περίθαλψης είναι η έλλειψη αξιόπιστων και ακριβών δεδομένων για την κοινωνικοοικονομική κατάσταση σε ατομικό επίπεδο (SES), η οποία αποτελεί βασικό στοιχείο των κοινωνικών καθοριστικών παραγόντων της υγείας, διότι η κοινωνικοοικονομική κατάσταση σε ατομικό επίπεδο SES ορίζεται ως η δυνατότητα πρόσβασης σε επιθυμητούς πόρους, όπως η υγειονομική περίθαλψη, η εκπαίδευση, το επάγγελμα, η στέγαση και οι πόροι της γειτονιάς. “Αποτελεί μεγάλη πρόκληση η ορθή μέτρηση και εφαρμογή δεδομένων κοινωνικοοικονομικής κατάστασης σε ατομικό επίπεδο SES για την παροχή υγειονομικής περίθαλψης και την έρευνα, διότι δεν υπάρχουν τέτοια μέτρα με αξιοπιστία, ακρίβεια και επεκτασιμότητα”, λέει ο Δρ Juhn.
Ο Dr. Juhn και η ομάδα του προσπαθούν να αντιμετωπίσουν αυτό το εμπόδιο εστιάζοντας την έρευνά τους στην παροχή ενός επικυρωμένου, αντικειμενικού και κλιμακούμενου μέτρου κοινωνικοοικονομικής κατάστασης σε ατομικό επίπεδο SES χρησιμοποιώντας δημόσια διαθέσιμα δεδομένα ιδιοκτησίας. Ο δείκτης HOUSES (Κοινωνικοοικονομική κατάσταση με βάση τη στέγαση Housing-Based Socioeconomic Status), που αναπτύχθηκε στο Εργαστήριο Πληθυσμιακής Επιστήμης Ακριβείας (Precision Population Science Lab) του Dr. Juhn, είναι ένα εργαλείο λογισμικού που βασίζεται στο cloud και επιτρέπει στους ερευνητές να μετρήσουν την κοινωνικοοικονομική κατάσταση σε ατομικό επίπεδο SES σε με βάση μια διεύθυνση και δημόσια διαθέσιμα δεδομένα αξιολόγησης κατοικίας. Με την υποστήριξη μιας επιχορήγησης του Εθνικού Συστήματος Υγείας NIH, η έρευνα έχει επεκταθεί σε 44 πολιτείες των ΗΠΑ με σχέδια να ολοκληρωθεί η επέκτασή της σε όλες τις ΗΠΑ.
Πώς μπορούν αυτά τα δεδομένα να βοηθήσουν στη βελτίωση της ισότητας στην υγεία;
Ο Dr. Juhn εξηγεί ότι ο δείκτης HOUSES μπορεί να βοηθήσει τους οργανισμούς υγειονομικής περίθαλψης να προβλέψουν και να εντοπίσουν όσους έχουν ανάγκη από υπηρεσίες υποστήριξης των κοινωνικών καθοριστικών παραγόντων της υγείας, όπως η μεταφορά, η κοινωνική υποστήριξη ή η οικονομική βοήθεια, πριν ή μετά από δαπανηρές υπηρεσίες όπως η μεταμόσχευση ή η θεραπεία του καρκίνου. Μπορεί επίσης να βοηθήσει στην παρακολούθηση του τρόπου με τον οποίο οι κοινωνικοί καθοριστικοί παράγοντες της υγείας μεταβάλλονται με την πάροδο του χρόνου, γεγονός που επιτρέπει τον έγκαιρο εντοπισμό των αναγκών υποστήριξης.
“Για να επιδείξουμε την αναλυτική ικανότητα του HOUSES, πραγματοποιήσαμε γεωχωρική ανάλυση για να εντοπίσουμε τα καυτά σημεία των κρουσμάτων COVID-19 κατά την πρώιμη φάση της πανδημίας”, εξηγεί ο Dr. Juhn. “Βρήκαμε εστίες σε περιοχές με ιδιαίτερα συγκεντρωμένους κατοίκους, όπως διαμερίσματα με χαμηλό εισόδημα και κοινότητες κινητών κατοικιών. Στη συνέχεια, καθοδηγήσαμε το ιατρείο να απευθυνθεί σε αυτούς τους υποεξυπηρετούμενους πληθυσμούς για εμβολιασμούς κατά της COVID και της γρίπης. Μπορούν πραγματικά να προσεγγίσουν ανθρώπους σε μια πολύ στοχευμένη περιοχή μέσω της εμπλοκής της κοινότητας”. Ο Dr. Juhn και το εργαστήριό του συνεργάζονται με την πλατφόρμα της Mayo Clinic για τον εντοπισμό και την ανίχνευση της μεροληψίας της ΑΙ με τη χρήση του δείκτη HOUSES. Ένα παράδειγμα ήρθε στο φως κατά τη μελέτη του άσθματος. Η έρευνα έδειξε μια σημαντική διαφορά στην απόδοση του μοντέλου μηχανικής μάθησης, που σημαίνει μεροληψία της ΤΝ, μεταξύ ασθματικών παιδιών με χαμηλό και υψηλότερο SES, όπως μετρήθηκε με τον δείκτη HOUSES.
“Ως επιστήμονες, είμαστε πολύ καλοί στο να κάνουμε επιστήμη ανακάλυψης και μεταφραστική επιστήμη, αλλά όχι απαραίτητα επιστήμη εφαρμογής και διάδοσης. Η πλατφόρμα της Mayo Clinic μπορεί να διαδραματίσει σημαντικό ρόλο στο πώς μπορούμε πραγματικά να κάνουμε αυτό το χρήσιμο εργαλείο και την τεχνολογία διαθέσιμη στους χρήστες και να κερδίσουμε την εμπιστοσύνη για την εφαρμογή εργαλείων τεχνητής νοημοσύνης στην υγειονομική περίθαλψη”.
“Εξετάσαμε από πού προερχόταν η προκατάληψη”, εξηγεί ο Δρ Juhn. “Διαπιστώσαμε ότι τα παιδιά που προέρχονταν από χαμηλότερο κοινωνικοοικονομικό υπόβαθρο είχαν πολύ μεγαλύτερη επικράτηση των ελλιπών δεδομένων, δηλαδή της μη πληρότητας των δεδομένων. Και ένα δεύτερο πρόβλημα ήταν η ανακρίβεια -δηλαδή, υπάρχει μια ομάδα παιδιών που πληρούσαν τα κριτήρια για το άσθμα αλλά δεν είχαν διάγνωση άσθματος. Αυτές οι μεροληψίες μπορεί να τα εμποδίζουν να έχουν πρόσβαση σε προληπτικές και θεραπευτικές παρεμβάσεις. Οι παρατηρήσεις αυτές εγείρουν ανησυχία σχετικά με τη διαφορά στην ποιότητα των ηλεκτρονικών αρχείων υγείας μεταξύ ασθενών με διαφορετικό υπόβαθρο κοινωνικοοικονομικής κατάστασης σε ατομικό επίπεδο SES, η οποία μπορεί να κρύβεται πίσω από πιθανές μεροληψίες του μοντέλου AI ανάλογα με την κοινωνικοοικονομική κατάσταση σε ατομικό επίπεδο SES”.
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον ΚόσμοΑκολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
