医疗算法对种族和族裔差异的影响

背景：人们越来越关注医疗算法对种族和族裔差异的潜在影响。目的：审查关于医疗算法及相关缓解策略如何影响种族和族裔差异的证据。数据来源：检索了多个数据库中2011年1月1日至2023年9月30日期间发表的相关研究。研究选择：采用预设标准并进行双人独立审查，对研究进行筛选和纳入，以确定：1）算法对健康及医疗结局中种族和族裔差异的影响；2）在算法开发、验证、传播和实施过程中缓解种族和族裔偏见的策略或方法的效果。数据提取：提取感兴趣的结局（即医疗服务的可及性、医疗质量和健康结局），并使用 ROBINS-I（非随机干预研究偏倚风险评估）工具和改编的 CARE-CPM（临床预测模型种族与族裔公平性关键评价）公平性扩展工具评估偏倚风险。数据综合：共纳入63项研究（51项建模研究、4项回顾性研究、2项前瞻性研究、5项前后对照研究和1项随机对照试验）。关于算法的证据具有异质性，结果显示算法能够：a）减少差异（例如修订后的肾脏分配系统）；b）延续或加剧差异（例如应用于重症监护资源分配的疾病严重程度评分）；和/或 c）对选定结局无统计学显著影响（例如 HEART Pathway 病史、心电图、年龄、危险因素和肌钙蛋白）。为了缓解差异，共确定了7种策略：移除输入变量、替换变量、添加种族变量、添加非基于种族的变量、改变用于模型开发的人群的种族和族裔构成、为亚群设立单独的阈值，以及修改算法分析技术。局限性：结果主要基于建模研究，且可能具有高度的情境特异性。结论：无论是否明确使用种族和族裔变量，算法均可能缓解、延续或加剧种族和族裔差异，但现有证据存在异质性。算法的预期用途和实施方式可能会影响其对差异的作用效果，并且在结局之间可能存在权衡。主要资助来源：Agency for Healthcare Quality and Research。