O Papel da Raça em Algoritmos Médicos

Nos últimos anos, tem rolado uma conversa bem importante na saúde sobre incluir ou não a raça na criação de Algoritmos médicos. Esses algoritmos são ferramentas que ajudam médicos e profissionais da saúde a tomarem decisões sobre tratamento, diagnósticos e cuidados com os pacientes. Algumas áreas da medicina, como cardiologia, oncologia e nefrologia, costumam usar esses algoritmos e incluem a raça como um dos fatores para calcular resultados ou riscos para os pacientes.

Porém, o debate sobre incluir a raça nesses algoritmos ainda tá em andamento e é super relevante para o cuidado dos pacientes. Por exemplo, alguns sistemas de saúde pararam de usar a raça na avaliação da função renal. Essa mudança é crucial porque alguns ajustes relacionados à raça nos dados podem ser baseados em informações questionáveis, aumentar as desigualdades na saúde ou vir de visões erradas sobre a raça como um fator biológico. Na verdade, a raça deve ser vista como uma questão social. Apesar da necessidade de repensar a raça nessas práticas, os efeitos de tirar a raça desses algoritmos ainda são incertos. Por isso, os pesquisadores pedem cautela e uma investigação minuciosa antes de fazer mudanças.

#Qualidade dos Dados de Saúde e Raça

Um ponto chave do debate é a qualidade dos dados médicos coletados de diferentes grupos raciais. Muitas vezes, há diferenças visíveis em como os dados de saúde são registrados com base na raça da pessoa. Essa inconsistência pode afetar a equidade na saúde. Quando as informações que entram nos algoritmos médicos não são igualmente confiáveis entre os grupos raciais, as previsões feitas por esses algoritmos podem ser imprecisas para certos grupos. Se um algoritmo é feito sem considerar a raça, pode deixar de lado a qualidade variada dos dados que diferentes grupos raciais têm.

Um exemplo específico desse problema aparece nas histórias de saúde familiares. Saber se membros da família tiveram certas doenças pode ajudar a avaliar o risco de um indivíduo. Infelizmente, estudos mostram que a história de saúde familiar é registrada com mais precisão em pacientes brancos em comparação aos pacientes negros. Essa discrepância significa que a previsão do risco de Câncer baseada na história familiar pode não ser tão confiável para pacientes não brancos. Se um algoritmo não levar isso em consideração, pode subestimar o risco para esses pacientes. Por outro lado, incluir a raça pode ajudar o algoritmo a refletir melhor essas diferenças.

#Visão Geral do Estudo

Para entender melhor essa questão, os pesquisadores analisaram dados de um grande estudo focado nas disparidades de saúde no sudeste dos Estados Unidos. O estudo incluiu um grupo diverso de participantes, principalmente adultos de 40 a 74 anos sem histórico anterior de câncer colorretal.

Os participantes foram perguntados sobre a história de câncer na família, incluindo mãe, pai, irmãs e irmãos. Eles podiam responder “sim”, “não” ou “não sei”. Os pesquisadores então categorizaram os participantes com base na história familiar conhecida de câncer colorretal. Notavelmente, observaram que, embora os participantes negros representassem uma parte significativa da amostra, eles relataram uma taxa mais baixa de história familiar conhecida em comparação aos participantes brancos.

Os resultados de interesse foram se um participante desenvolveu câncer colorretal dentro de dez anos após entrar no estudo. Os pesquisadores analisaram isso usando diferentes métodos estatísticos, permitindo comparar como a história familiar conhecida de câncer impactou o risco de forma diferente com base na raça.

#Comparando Algoritmos

Os pesquisadores criaram dois algoritmos para prever o risco de câncer colorretal em dez anos, um que incluía a raça como um fator e outro que não incluía. Eles queriam avaliar como cada método se saiu na estimativa do risco de câncer e identificar indivíduos em alto risco para Triagem.

Ambos os algoritmos analisaram vários fatores, como idade, sexo e hábitos de vida. O algoritmo corrigido por raça incorporou a raça e a história familiar, enquanto a versão sem considerar a raça não levou isso em conta. Os pesquisadores então checaram qual algoritmo foi melhor em prever o risco de câncer colorretal, especialmente para os participantes negros.

Na análise, descobriram que o algoritmo corrigido por raça se saiu melhor que a versão sem raça. Ele mostrou uma precisão de previsão aprimorada, particularmente entre indivíduos negros. Isso sugere que incluir a raça ajuda a abordar a inconsistência na qualidade dos dados para diferentes grupos, auxiliando em previsões mais precisas.

#Implicações para Triagem de Câncer

Identificar indivíduos em alto risco para câncer colorretal é crucial para estratégias eficazes de prevenção e triagem. Os pesquisadores descobriram que usando o algoritmo corrigido por raça, uma maior parte dos participantes negros foi identificada como de alto risco em comparação ao algoritmo sem raça. Essa é uma descoberta importante, pois indica que considerar a raça pode ajudar a garantir que mais indivíduos recebam triagens em tempo hábil, o que é essencial para detectar cânceres mais cedo, quando são mais tratáveis.

As diretrizes dos EUA para triagem do câncer colorretal mudaram recentemente, reduzindo a idade recomendada para começar a triagem para 45 anos, numa tentativa de melhorar a triagem e lidar com o aumento das taxas de câncer colorretal entre populações mais jovens, especialmente entre homens negros. Ao não incluir a raça nos preditores de triagem, existe a preocupação de que as oportunidades para pacientes negros receberem triagens necessárias poderiam diminuir, indo na contramão dos esforços para fechar as lacunas de saúde.

#Conclusões e Direções Futuras

Em resumo, essa pesquisa destaca como incluir a raça nos algoritmos médicos pode levar a previsões melhores e aumentar a equidade na saúde, especialmente quando a qualidade dos dados varia entre os grupos raciais. Essa abordagem não trata a raça como um fator biológico, mas reconhece as estruturas sociais que afetam os dados de saúde.

No entanto, o estudo tem limitações. Ele não avalia se a maior proporção de pacientes negros identificados como de alto risco realmente leva a um melhor acesso a triagens em cenários clínicos reais. Mais pesquisas são necessárias em outras áreas médicas para ver se padrões semelhantes surgem, assim como para explorar soluções alternativas para melhorar a coleta e a qualidade dos dados.

No final das contas, reconhecer as diferenças na qualidade dos dados entre grupos raciais é essencial para criar algoritmos que reflitam com precisão as necessidades dos pacientes. Enquanto correções de raça podem ajudar a lidar com as deficiências atuais nos dados, os esforços também devem se concentrar em melhorar a qualidade geral dos dados médicos para todos os pacientes.