El papel de la raza en los algoritmos médicos

En los últimos años, ha habido una conversación bastante importante en el ámbito de la salud sobre si se debe considerar la raza al crear Algoritmos médicos. Estos algoritmos son herramientas que ayudan a los médicos y proveedores de salud a tomar decisiones sobre tratamientos, diagnósticos y atención al paciente. Algunas áreas médicas, como la cardiología, oncología y nefrología, suelen utilizar estos algoritmos. Incluyen la raza como uno de los factores para calcular resultados o riesgos para los pacientes.

Sin embargo, la discusión sobre incluir la raza en estos algoritmos sigue en curso y es importante para la atención al paciente. Por ejemplo, algunos sistemas de salud han dejado de usar la raza al evaluar la función renal. Este cambio es fundamental porque algunos ajustes relacionados con la raza en los datos pueden basarse en información cuestionable, aumentar las brechas de salud o provenir de nociones incorrectas sobre la raza como un factor biológico. En su lugar, la raza debería verse como un tema social. A pesar de que hay que repensar la raza en estas prácticas, los efectos de eliminar la raza de estos algoritmos todavía son inciertos. Por lo tanto, los investigadores piden cautela e investigación a fondo antes de hacer cambios.

#Calidad de los datos de Salud y Raza

Un aspecto clave del debate se centra en la calidad de los datos médicos recopilados de diferentes grupos raciales. A menudo hay diferencias notables en cómo se registran los datos de salud según la raza de una persona. Esta inconsistencia puede afectar la equidad en salud. Cuando la información que se usa en los algoritmos médicos no es igualmente fiable entre líneas raciales, las predicciones hechas por estos algoritmos pueden ser inexactas para ciertos grupos. Si un algoritmo se diseña sin considerar la raza, podría pasar por alto la calidad variable de los datos que experimentan diferentes grupos raciales.

Un caso específico de este problema surge con las historias de salud familiar. Saber si los miembros de la familia han tenido ciertas enfermedades puede ayudar a evaluar el riesgo de un individuo. Desafortunadamente, estudios muestran que la Historia de salud familiar se registra de manera más precisa en pacientes blancos en comparación con pacientes negros. Esta discrepancia significa que la predicción del riesgo de Cáncer basada en la historia familiar puede no ser tan fiable para los pacientes no blancos. Si un algoritmo no toma esto en cuenta, podría subestimar el riesgo para estos pacientes. Por otro lado, incluir la raza puede ayudar al algoritmo a reflejar mejor estas diferencias.

#Resumen del Estudio

Para entender mejor este problema, los investigadores analizaron datos de un gran estudio centrado en las disparidades de salud en el sureste de Estados Unidos. El estudio incluyó un grupo diverso de participantes, principalmente adultos de 40 a 74 años sin antecedentes de cáncer colorrectal.

Se les preguntó a los participantes sobre la historia de cáncer en su familia, incluyendo a su madre, padre, hermanas y hermanos. Tenían la opción de responder "sí", "no" o "no sé". Luego, los investigadores categorizaron a los participantes según si tenían una historia familiar conocida de cáncer colorrectal. Es notable que, aunque los participantes negros conformaban una parte sustancial de la muestra, reportaron una tasa más baja de historia familiar conocida en comparación con los participantes blancos.

Los resultados del interés eran si un participante desarrolló cáncer colorrectal dentro de los diez años posteriores a unirse al estudio. Los investigadores analizaron esto usando diferentes métodos estadísticos, lo que les permitió comparar cómo la historia familiar conocida de cáncer impactó el riesgo de manera diferente según la raza.

#Comparando Algoritmos

Los investigadores crearon dos algoritmos para predecir el riesgo a diez años de cáncer colorrectal, uno que incluía la raza como un factor y otro que no. Querían evaluar cómo se desempeñaba cada método para estimar el riesgo de cáncer e identificar a individuos de alto riesgo para exámenes.

Ambos algoritmos consideraron varios factores, como edad, sexo y hábitos de vida. El algoritmo corregido por raza incorporó la raza y la historia familiar, mientras que la versión ciega a la raza no consideró la raza como un factor. Luego, los investigadores comprobaron qué algoritmo era mejor para predecir el riesgo de cáncer colorrectal, particularmente para los participantes negros.

En su análisis, encontraron que el algoritmo corregido por raza tuvo un mejor desempeño que la versión ciega a la raza. Mostró una mayor precisión en la predicción, especialmente entre individuos negros. Esto sugiere que incluir la raza ayuda a abordar la inconsistencia en la calidad de los datos para diferentes grupos, facilitando predicciones más exactas.

#Implicaciones para el Cribado del Cáncer

Identificar a individuos con alto riesgo de cáncer colorrectal es crucial para estrategias efectivas de prevención y cribado. Los investigadores encontraron que al usar el algoritmo corregido por raza, se identificó a una mayor porción de participantes negros como de alto riesgo en comparación con el algoritmo ciego a la raza. Este es un hallazgo importante, ya que indica que tener en cuenta la raza puede ayudar a asegurar que más individuos reciban exámenes a tiempo, lo cual es esencial para detectar cánceres temprano cuando son más tratables.

Las pautas de EE. UU. para el cribado del cáncer colorrectal han cambiado recientemente, bajando la edad de inicio recomendada a 45 años en un esfuerzo por mejorar el cribado y abordar el aumento de tasas de cáncer colorrectal entre poblaciones más jóvenes, particularmente hombres negros. Al no incluir la raza en los predictores de cribado, hay preocupación de que se puedan reducir las oportunidades para que los pacientes negros reciban los exámenes necesarios, contrarrestando los esfuerzos dirigidos a cerrar las brechas de salud.

#Conclusiones y Direcciones Futuras

En resumen, esta investigación destaca cómo incluir la raza en los algoritmos médicos puede llevar a mejores predicciones y mejorar la equidad en salud, especialmente cuando la calidad de los datos varía entre grupos raciales. Este enfoque no trata la raza como un factor biológico, sino que reconoce las estructuras sociales que afectan los datos de salud.

Sin embargo, el estudio tiene limitaciones. No evalúa si el mayor porcentaje de pacientes negros señalados como de alto riesgo realmente conduce a un mejor acceso a los Cribados en entornos clínicos del mundo real. Se necesita más investigación en otras áreas médicas para ver si surgen patrones similares, además de explorar soluciones alternativas para mejorar la recolección y calidad de datos.

En última instancia, reconocer las diferencias en la calidad de los datos entre grupos raciales es esencial para crear algoritmos que reflejen con precisión las necesidades de los pacientes. Mientras que las correcciones por raza pueden ayudar a abordar deficiencias actuales de los datos, los esfuerzos también deben centrarse en mejorar la calidad general de los datos médicos para todos los pacientes.