Получение данных о состоянии пациента в компьютер может быть атрибутировано
Обновлено: 21.11.2024
По словам ИТ-консультантов в области здравоохранения, во многих частных клиниках отсутствуют письменные политики и процедуры для обеспечения безопасности данных, а также не проведена оценка рисков безопасности.
Эти упущения являются ошибкой по нескольким причинам, отмечают наблюдатели. Во-первых, как правило безопасности Закона о переносимости и подотчетности медицинского страхования (HIPAA), так и критерии значимого использования требуют периодической оценки рисков безопасности, а HIPAA предписывает письменные политики и процедуры. Если вы подверглись аудиту HIPAA и были обнаружены нарушения правил, вам может грозить крупный штраф. Если ваши подтверждения значимого использования проверены, вам, возможно, придется вернуть государству поощрительные платежи за электронные медицинские карты (EHR).
Нарушения безопасности также могут привести к судебным искам со стороны пациентов и нанести ущерб вашей репутации в сообществе. Кроме того, если нарушение настолько велико, что вы должны немедленно сообщить о нем в Управление по гражданским правам (OCR) Министерства здравоохранения и социальных служб США (HHS), OCR может расследовать ваши процедуры безопасности.
Большинство врачей хотя бы смутно осознают эти опасности. Так почему же они не уделяют больше внимания безопасности данных? «Некоторые врачи не знают о необходимости оценки рисков безопасности, потому что они слишком заняты, чтобы быть в курсе требований соответствия», — говорит Дэвид Зеттер, консультант из Механиксберга, штат Пенсильвания. Другие знают правила, но считают, что шансы быть пойманными, если они их игнорируют, очень малы, добавляет он.
Хотя уследить за всеми государственными требованиями сложно, эту область нельзя игнорировать или не знать. В любом случае вы подвергаете риску свою практику, своих пациентов и собственную финансовую безопасность. Вот несколько основных моментов, которые следует учитывать при оценке текущего уровня безопасности.
Практика настройки
Подходы к обеспечению безопасности различаются в зависимости от условий практики. Крупные медицинские группы и системы здравоохранения имеют собственный ИТ-персонал и могут позволить себе нанять консультантов по безопасности. Малые и средние компании, напротив, обычно зависят от своих поставщиков электронных медицинских карт и местных компьютерных сервисных компаний для реализации выбранных ими вариантов безопасности.
Вам нужны ИТ-поставщики для обеспечения безопасности данных, но вы не можете полагаться на них, чтобы защитить вас. Хотя все они должны подписывать соглашения о деловом партнерстве в соответствии с последней версией правил HIPAA, их ответственность ограничивается нарушениями безопасности, которые они вызывают напрямую, отмечает Зеттер.
Например, если поставщик электронных медицинских карт или сети допустил ошибку при настройке системы, в результате чего была раскрыта защищенная медицинская информация (PHI), ответственность будет нести этот поставщик. Но если практика решит не шифровать свои данные или не защитит свои мобильные устройства, она будет нести ответственность. Теоретически разработчик электронной медицинской карты будет нести ответственность, если недостаток программного обеспечения приведет к несанкционированному выпуску PHI; но ни один из экспертов, с которыми мы консультировались, не слышал об этом.
Врачи, работающие по найму, должны следовать политикам и процедурам безопасности своей системы здравоохранения или группы. Если работающий врач нарушает правила HIPAA, ответственность несет организация здравоохранения. Но эти врачи могут столкнуться с целым рядом санкций со стороны своего работодателя. На самом деле HHS требует, чтобы в организациях существовала политика санкций для сотрудников, нарушающих HIPAA, отмечает Рон Стерлинг, дипломированный бухгалтер, ИТ-консультант в сфере здравоохранения из Сильвер-Спринг, штат Мэриленд.
Тип ответственности врача может зависеть от характера его или ее отношений с больницей, – говорит Мак Макмиллан, главный исполнительный директор охранной фирмы CynergisTek и председатель рабочей группы по политике конфиденциальности и безопасности Healthcare Information. и Общество систем управления (HIMSS). «В некоторых случаях они автономны; в других случаях они почти как наемные работники; в других случаях они управляют своим персоналом в своих собственных кабинетах, но другие услуги они получают в больнице, и они регулируются правилами больницы», — говорит Макмиллан.
Но вне зависимости от отношения к больнице, добавляет он, врачи, не работающие по найму, несут ответственность за соблюдение правил HIPAA.
ДАЛЕЕ: влияние хостинга на безопасность
Влияние хостинга на безопасность
Большинство практик имеют локальную систему клиент-сервер или используют облачную электронную медицинскую карту. Если у вас последний, поставщик EHR несет ответственность за безопасность сервера, на котором хранятся ваше приложение и данные, а также за резервное копирование данных. Если у вас есть локальный сервер, это ваша ответственность.
Физическая безопасность, предусмотренная HIPAA, включает наличие запертой комнаты или шкафа, в котором находится ваш сервер. Кроме того, требуется внешнее резервное копирование данных. У вас должны быть правила, регулирующие получение и удаление оборудования и электронных носителей, содержащих PHI, в учреждение и из него, а также вы должны применять политики для защиты PHI от неправомерного изменения или уничтожения.
Макмиллан настоятельно рекомендует малым и средним компаниям рассмотреть возможность передачи своих медицинских ИТ-услуг на аутсорсинг компаниям, предоставляющим удаленный хостинг. «Для врача это похоже на покупку услуги: он покупает электронную медицинскую карту, электронную почту, сетевую поддержку, рабочие станции, файловые серверы и хранилище данных, и все это размещается в виртуальной среде. Поэтому у него нет головной боли, связанной с необходимостью понять, как защитить систему. Он покупает это как услугу».
С точки зрения безопасности, добавляет Макмиллан, «единственное, за что несут ответственность медицинские учреждения, — это их собственные сотрудники и их врачи, а также то, как они взаимодействуют с этой системой и что они делают с информацией, получив к ней доступ. Им гораздо проще управлять».
Некоторые крупные поставщики электронных медицинских карт, в том числе Epic, Cerner, McKesson, Allscripts и eClinicalWorks, предлагают такое простое хостинговое решение, отмечает Макмиллан. В качестве альтернативы, по его словам, можно использовать стороннюю хостинговую фирму, которая понимает требования HIPAA. По его словам, общая стоимость владения собственной сетью клиент-сервер, вероятно, выше, чем плата за удаленный хостинг.
Дэвид Боулс, DO, возглавляющий практику из 12 поставщиков в Кларксвилле, штат Теннесси, говорит, что его практика недавно решила перейти на удаленный хостинг, «потому что выполнение требований безопасности оказалось для меня чем-то большим, чем я хотел».
Хотя еще слишком рано оценивать результаты, он отмечает, что переключился после того, как облачный EHR, предложенный давним поставщиком его группы, не сработал, как было обещано. Группа вернулась к клиент-серверной версии EHR; но вместо того, чтобы инвестировать в новые серверы, Болес решил нанять компанию удаленного хостинга.
ДАЛЕЕ: Важность шифрования
Важность шифрования
Независимо от того, как настроена ваша система, вам необходимо знать некоторые основы безопасности.
По мнению экспертов, для начала вам следует зашифровать все свои данные. Шифрование является надежной защитой от воров и считается практически неуязвимым, отмечают Макмиллан и Стерлинг. По словам Зеттера, вполне возможно, что для получения пароля пользователя может быть использована «атака грубой силы», что позволит обойти шифрование. На вопрос по этому поводу Макмиллан ответил: «Это, безусловно, возможно, но шифрование по-прежнему является надежной мерой по снижению рисков и реакцией менеджера по ответственности».
Шифрование особенно важно для ноутбуков, смартфонов и планшетов, поскольку эти устройства легко потерять или украсть. На самом деле, согласно одному исследованию, на утерянные или украденные мобильные устройства приходится 39 % инцидентов безопасности в здравоохранении и 78 % скомпрометированных записей в результате нарушений безопасности.
Один из способов предотвратить кражу мобильных устройств — запретить провайдерам и персоналу выносить их из офиса или учреждения, отмечает Зеттер. Если врач идет в больницу, указывает он, этот врач может использовать больничный ноутбук и подключаться к офисной сети с этого устройства.
По словам Зеттера, если ноутбук или другое мобильное устройство утеряно, а на нем есть PHI, об этом следует сообщить, даже если данные зашифрованы. "Потому что, если вы этого не сделаете и об этом узнает правительство, у вас будут большие проблемы", – говорит Зеттер.
Стерлинг придерживается другого мнения. «Если данные правильно зашифрованы, они не считаются PHI», — говорит он. «Если я потеряю флешку со всевозможной зашифрованной информацией, это не будет считаться взломом».
Что представляет собой нарушение безопасности в соответствии с HIPAA, обсуждается далее в этой статье. На данный момент просто важно понимать, что шифрование значительно снижает вероятность такого взлома.
К середине мая 2020 г. в США было зарегистрировано более 1,5 миллиона случаев (SARS-CoV-2) или COVID-19, при этом число новых подтвержденных случаев продолжает расти после повторного открытия большинства штатов. Предыдущие исследования были сосредоточены в основном на клинических факторах риска, связанных с серьезными заболеваниями и смертностью от COVID-19. Было проведено меньше анализа клинических, социально-демографических и экологических переменных, связанных с первоначальным заражением COVID-19.
Методы
Многофакторная статистическая модель использовалась для характеристики факторов риска в 34 503 лабораторно подтвержденных положительных или отрицательных случаях инфекции COVID-19 в системе здравоохранения Провиденс (США) в период с 28 февраля по 27 апреля 2020 г. Общедоступные данные использовались в качестве аппроксимации социальных детерминант здоровья, а также клинических и социально-демографических факторов на уровне пациента были извлечены из электронной медицинской карты.
Результаты
Более высокий риск заражения COVID-19 был связан с пожилым возрастом (ОШ 1,69; 95% ДИ 1,41–2,02, p
Фон
Поскольку штаты США начинают ослаблять социальные ограничения, связанные с коронавирусом, риск заражения COVID-19, вероятно, возрастет.Хотя для прогнозирования тяжести заболевания и смертности, связанной с инфекцией COVID-19, были созданы статистические модели [1], меньше было сделано для прогнозирования риска первоначального заражения в условиях сообщества. На сегодняшний день исследования содержат ограниченную демографическую информацию, сосредоточены на госпитализированных пациентах и не являются репрезентативными для населения США [2,3,4,5,6,7].
Большинство исследований ограничиваются известными клиническими факторами риска тяжелых заболеваний и смертности, такими как пожилой возраст [3, 4] и хронические состояния здоровья, такие как гипертония [3], сердечно-сосудистые заболевания [4] и диабет [7]. Более поздние исследования, проведенные Центрами по контролю и профилактике заболеваний США (CDC), выявили определенные группы повышенного риска тяжелых заболеваний, такие как пожилые люди, проживающие в учреждениях длительного ухода, люди с ИМТ сорока или выше и лица с ослабленным иммунитетом. включая людей с ВИЧ/СПИДом [8]. Однако в большинстве моделей риска не учитывались клинические, социально-демографические и экологические переменные, которые могут предсказывать распространение среди населения в США.
Как и в случае с другими инфекционными заболеваниями, предикторами инфекции COVID-19 могут быть статус занятости, уровень образования, доход и жилищные условия [9], которые могут влиять на способность обращаться за медицинской помощью, соблюдать режим лечения и соблюдать меры физического дистанцирования. . Таким образом, эффективные стратегии прогнозирования факторов риска внебольничной передачи должны включать как клинические, так и социальные факторы [10]. Последние факторы, в частности, остаются недостаточно изученными, особенно среди сообществ с более низким социально-экономическим статусом [10].
Появляющиеся данные уже показывают, что в сообществах с цветным цветом кожи и/или с низким социально-экономическим статусом наблюдается непропорционально высокий уровень серьезных заболеваний в случае заражения из-за существовавшего ранее неравенства в экономике и здоровье [11, 12].
Выполняя крупномасштабный анализ, системы здравоохранения могут играть роль в изучении различий между пациентами и популяциями в восприимчивости к заболеваниям, а не в риске смертности. Цель этого исследования состояла в том, чтобы использовать сопоставленные данные из всей системы здравоохранения для выявления очевидных социально-демографических и экологических, а также клинических предикторов риска заражения COVID-19 и их значимости для постоянных различий в состоянии здоровья между расами, этническими группами, социально-экономическим статусом. , язык и возраст [13].
Методы
Изучите дизайн и настройку
Это исследование было проведено в Providence Health System, третьей по величине некоммерческой системе здравоохранения в США, обслуживающей более пяти миллионов человек в семи штатах, расположенных в западной и юго-западной части США.
Источник данных
Данные были собраны из корпоративного хранилища данных Providence. Элементы данных, которые были собраны, были основаны на всестороннем обзоре предыдущих научных исследований, в которых задокументированы факторы риска смертности, а также список групп CDC с повышенным риском тяжелого заболевания [8]. Переменные включали демографическую, социальную и поведенческую информацию о пациенте; хронические состояния, задокументированные в истории болезни; текущие условия; прописанные лекарства; результаты лабораторных исследований; и неотложная и амбулаторная медицинская помощь.
Для изучения социально-демографических и экологических переменных использовались данные электронных медицинских карт (EMR), чтобы связать местонахождение пациентов с опросом американского сообщества 2018 года, проведенным Бюро переписи населения США, и данными CDC о качестве воздуха. Чтобы объединить эти наборы данных с данными EMR, адреса пациентов были геокодированы и сопоставлены на уровне переписных кварталов или участков.
Glottolog, репозиторий языков мира, использовался для назначения языковых групп. Географические регионы и клинические симптомы также были включены в качестве переменных. Данные переписи населения об уровне образования и финансовой незащищенности использовались для оценки социально-экономического статуса.
Участники и процедуры
Пациенты, проживающие на Аляске, в Вашингтоне, Орегоне, Монтане и Калифорнии (Лос-Анджелес и части округа Ориндж), которые прошли тестирование на коронавирус острого респираторного синдрома 2 (SARS-CoV-2) в период с 28 февраля 2020 г. по 27 апреля. , 2020 были включены в набор данных. Механизмы тестирования включали мазки из респираторных образцов, подходящие для тестирования вирусной РНК, с восьми платформ для тестирования.
Результаты и предикторы
Основной зависимой переменной для нашей модели была инфекция COVID-19, о чем свидетельствует положительный лабораторный тест.
Распределения всех непрерывных переменных, включая возраст, ИМТ, количество лекарств и финансовую незащищенность района, были проверены на предмет нормальности и преобразованы в категориальные атрибуты. Сопутствующие заболевания определялись документацией по списку проблем или клиническими диагнозами с использованием стандартной номенклатуры Международной классификации болезней, десятого пересмотра, клинической модификации (ICD-10-CM), а затем суммировались в меру тяжести заболевания с использованием общего количества хронических состояний.Потребление психоактивных веществ, табака и алкоголя было получено из оценок социального анамнеза и врачебной документации.
В качестве индикаторов физической близости к другим людям (т. е. структурных барьеров на пути социального дистанцирования) использовались следующие переменные: транспортная небезопасность, семейный статус, занятость, жилищная нестабильность и совместное проживание в разбивке по возрасту.
Статистические методы и моделирование
Для обобщения участников исследования использовалась описательная статистика. Непрерывные переменные описывались средними значениями и стандартными отклонениями, а категориальные переменные описывались с использованием частот и процентов. Мы провели двумерный анализ, чтобы оценить значительное влияние каждого фактора на результат. Все ковариаты с p
Результаты
Исследуемая группа
Всего в исследование было включено 34 503 пациента с тестом на COVID-19 (таблица 1). Средний возраст составлял 50 лет (SD 20), 59,6% (21 209) были женщинами, 12% (4183) были идентифицированы как представители небелой расы, а 66% (22 610) имели по крайней мере одно сопутствующее заболевание. В исследуемой популяции 7,5% (2578) пациентов дали положительный результат и 92,5% (31 925) — отрицательный результат на COVID-19. Среди пациентов с положительным результатом теста 36 % (924) были госпитализированы, а 9 % (240) умерли в течение периода исследования.
Факторы риска
В таблице 2 показаны двадцать девять социально-демографических, клинических и экологических переменных, связанных с вероятностью заражения.
Социально-демографические факторы риска
Для сравнения, люди в возрасте от 50 до 59 лет (ОШ 1,69; 95% ДИ 1,41–2,02, p
Обсуждение
Клинические факторы риска
Это ретроспективное исследование риска заражения COVID-19 выявило несколько клинических факторов риска, также связанных с серьезными заболеваниями в предыдущих исследованиях, включая пожилой возраст [3], мужской пол [15], диабет [7], хроническое заболевание почек [ 16], высокий ИМТ [17] и иммуносупрессия [18]. Однако некоторые факторы, которые, как было установлено ранее, повышают риск смертности, такие как гипертония [3] и сердечно-сосудистые заболевания, заболевания печени, заболевания легких или астма [8], не были значительными факторами, связанными с начальной инфекцией COVID-19.
Удивительно, но назначение более десяти лекарств или наличие большего количества хронических заболеваний ассоциировалось с меньшим риском инфицирования, что предполагает возможное поведение по снижению риска на основе предполагаемого риска. Необходимы дальнейшие исследования, чтобы понять разницу между факторами, связанными с первоначальным риском заражения, и факторами, связанными с серьезным заболеванием и смертностью после заражения.
Доступ к медицинскому обслуживанию через отношения с внутренним поставщиком первичной медико-санитарной помощи был связан с более низким риском заражения; однако это может быть результатом более высоких показателей тестирования на COVID-19 по сравнению с лицами, не имеющими основного поставщика медицинских услуг. Пациенты без основного лечащего врача могли быть проверены на COVID-19 только после того, как респираторные и другие возможные симптомы COVID-19 стали заметными, что увеличило вероятность положительного результата теста.
Защищенное электронное общение через EMR было связано с более низким риском заражения, что позволяет предположить, что доступ к медицинским советам и образованию может снизить риск.
Серьезные психические заболевания, употребление наркотиков и табака ассоциировались с более низким риском; однако необходимы дальнейшие исследования, чтобы понять механизмы, лежащие в основе таких ассоциаций.
Социально-демографические факторы риска
Раса и этническая принадлежность оказались важными предикторами риска. Более высокий риск заражения среди чернокожих, представителей коренных народов и/или цветных людей может быть связан с другими социально-демографическими и экологическими характеристиками, которые также оказались важными в этом исследовании. Афроамериканцы и латиноамериканцы с большей вероятностью живут в сообществах с плохим качеством воздуха [19], работают на работах, которые не позволяют работать удаленно [20], и не имеют доступа к здравоохранению [21], что может увеличить риск заражения и способствовать расовому неравенству в смертность. Кроме того, хронические состояния, такие как ожирение, инсульт и диабет, а также преждевременная смерть, также затрагивают афроамериканцев и латиноамериканцев непропорционально по сравнению с белыми [13]. Сообщества цветных также чаще имеют более низкий социально-экономический статус [22] и используются в качестве основных работников [10]. Кроме того, для этих и других уязвимых групп отсутствие личного транспорта является как препятствием для доступа к медицинской помощи [23], так и социальным дистанцированием, что еще больше усугубляет риск заражения. По этим причинам цветные сообщества сталкиваются с более серьезными структурными барьерами для мер социального дистанцирования и более уязвимы для тяжелых заболеваний.
Недостаточное владение английским языком может стать препятствием для доступа к медицинским услугам и понимания медицинской информации, особенно при отсутствии письменных переводов и/или обученных переводчиков [24]. В ходе пандемии информация о здоровье быстро менялась (например,, мандаты на маскировку), что может создать барьеры для доступа к информации и может оставить коренные народы и иммигранты неинформированными. Во время эпидемии лихорадки Эбола в Западной Африке языковые барьеры были препятствием для замедления распространения болезни [25]. Люди с LEP также чаще имеют низкую грамотность в вопросах здоровья по сравнению с носителями английского языка и подвержены более высокому риску ухудшения здоровья [26]. Крайне важны культурно и лингвистически приемлемые вмешательства, в том числе коммуникационные материалы различных форматов и уровней чтения, разработанные в сотрудничестве с носителями языка и носителями английского языка, а также с привлечением работников общественного здравоохранения, которые могут взаимодействовать с малообеспеченными группами [27].
Факторы риска окружающей среды
Пожилой возраст может рассматриваться как клинический фактор риска, так и фактор риска, связанный с окружающей средой, поскольку он смягчает сопутствующие заболевания (например, деменцию), требующие ухода и жилищных условий (например, проживание в сообществах пожилых людей). Наши результаты показали, что некоторые социально-демографические характеристики пациентов, влияющие на воздействие окружающей среды на социальные контакты, также были связаны с повышенным уровнем заражения COVID-19, например, состояние в браке или наличие второй половинки, трудоустройство, отсутствие доступа к личному транспортному средству и проживание в перенаселенность жилья, каждое из которых значительно повышало риск заражения. Религиозная принадлежность также была связана с повышенным риском, который может быть связан с посещением крупных религиозных служб или другим поведением, связанным с религиозной принадлежностью.
Люди, испытывающие неуверенность в жилье, могут столкнуться с трудностями при соблюдении физического дистанцирования, особенно если жилье переполнено. Эти люди также могут не иметь приспособлений для мытья рук и/или проточной воды [28]. Оба фактора могут способствовать распространению инфекционных заболеваний среди населения.
Региональные различия в риске заражения были очевидны: в Южной Калифорнии и Западном Вашингтоне были самые высокие показатели заражения (15,7 и 11,3% протестированных пациентов), а в Орегоне и Аляске (4,3 и 4,7%) — самые низкие. Эти региональные различия могут отражать некоторую комбинацию плотности населения, близости к начальным точкам проникновения COVID-19 в США и мер предосторожности в отношении COVID-19 в конкретных штатах.
Ограничения исследования
Это исследование было ограничено данными пациентов из системы здравоохранения Providence Health System и общедоступными наборами данных. Хотя организация обслуживает разнообразную популяцию пациентов в семи западных штатах США, неясно, можно ли обобщить это исследование на всю территорию США. При ограниченном доступе к тестированию и развитии руководств по скринингу клиническая проницательность и личные предубеждения могли повлиять на то, какие люди прошли тестирование, и, таким образом, могли повлиять на показатели тестирования в определенных группах населения. Кроме того, невозможно сопоставить данные пациентов с показателями поведения отдельных пациентов, такими как использование масок или соблюдение рекомендаций по социальному дистанцированию. Наконец, это исследование было сосредоточено на факторах, связанных с первоначальным риском заражения, однако другие факторы могут дополнительно влиять на исходы, такие как тяжесть заболевания, время пребывания в больнице и смертность.
Выводы
Наша разработка многогранной модели прогнозирования риска заражения COVID-19 среди большого населения, проживающего в нескольких штатах, имеет важное значение для систем здравоохранения, департаментов здравоохранения, а также органов власти городов и штатов, чтобы еще больше снизить риск заражения и предотвратить распространение COVID-19 в сообществах, которые могут быть несоразмерно затронуты. Знание сложного сочетания клинических, этнических, языковых и экологических факторов, влияющих на риск заражения, должно позволить использовать более целенаправленные подходы общественного здравоохранения к снижению заражения COVID-19.
Лингвистически и культурно приемлемое профилактическое образование, доступ к медицинскому обслуживанию, включая рутинную помощь и тестирование на COVID-19, а также усилия по решению проблемы нестандартного жилья и вредных условий труда необходимы для снижения риска среди уязвимых групп, особенно в сообществах с более низким социально-экономическим статусом, которые испытывают большую заболеваемость инфекционными заболеваниями [29]. Теперь, когда сообщества стремятся «снова открыться», устранение различий в уровне инфицирования, которые способствуют повышению уровня серьезных заболеваний и смертности, необходимо для облегчения непропорционально тяжелого бремени пандемии и сохраняющихся различий в состоянии здоровья.
Наличие данных и материалов
Наборы данных, сгенерированные и проанализированные в ходе текущего исследования, не являются общедоступными, поскольку IRB Providence предусматривает, что все данные на уровне пациентов будут находиться в защищенной компьютерной сети Providence, доступны только для исследователей исследования и заблокированы на территории Providence. Доступ к общедоступному источнику данных был получен через поставщика проприетарных данных, который не может быть опубликован публично из-за их договорного соглашения.Базовые общедоступные источники данных включают опрос американского сообщества 2018 года, данные Центров по контролю и профилактике заболеваний, качеству воздуха и Glottolog.
Исследование выявило безудержный расизм в программном обеспечении для принятия решений, используемом в больницах США, и указало способы его исправления.
Вы также можете искать этого автора в PubMed Google Scholar
Афроамериканцы со сложными медицинскими потребностями реже, чем одинаково больные белые, направлялись в программы, обеспечивающие более персонализированный уход. Кредит: Эд Каши/VII/Redux/eevine
Обширный анализ показал, что алгоритм, широко используемый в больницах США для распределения медицинских услуг между пациентами, систематически дискриминирует чернокожих.
Исследование, опубликованное в журнале Science 24 октября, показало, что алгоритм с меньшей вероятностью направляет чернокожих, чем белых людей, которые одинаково больны, в программы, направленные на улучшение ухода за пациентами со сложными заболеваниями. медицинские нужды. Больницы и страховые компании используют этот и другие подобные алгоритмы, чтобы помочь в управлении уходом примерно за 200 миллионами человек в США каждый год.
Такого рода исследования проводятся редко, поскольку исследователи часто не могут получить доступ к запатентованным алгоритмам и большому количеству конфиденциальных медицинских данных, необходимых для их полной проверки, – говорит Милена Джанфранческо, эпидемиолог из Калифорнийского университета в Сан-Франциско, изучавшая источники предвзятости в электронных медицинских картах. Но небольшие исследования и отдельные отчеты задокументировали несправедливое и предвзятое принятие решений алгоритмами, используемыми во всем, от уголовного правосудия до образования и здравоохранения.
«Это вызывает тревогу, — говорит Джанфранческо о последнем исследовании. «Нам нужен лучший способ реальной оценки состояния здоровья пациентов».
Зиад Обермейер, изучающий машинное обучение и управление здравоохранением в Калифорнийском университете в Беркли, и его команда наткнулись на эту проблему, изучая влияние программ, которые предоставляют дополнительные ресурсы и более пристальное медицинское наблюдение за людьми с множественными, иногда перекрытие, проблемы со здоровьем.
Проверка предположений
Когда Обермейер и его коллеги провели обычную статистическую проверку данных, полученных из крупной больницы, они с удивлением обнаружили, что людям, которые идентифицировали себя как чернокожие, обычно присваивались более низкие показатели риска, чем таким же больным белым. В результате чернокожих реже направляли в программы, обеспечивающие более персонализированный уход.
Исследователи обнаружили, что алгоритм присваивает пациентам оценки риска на основе общих расходов на медицинское обслуживание, накопленных за один год. Они говорят, что это предположение могло показаться разумным, потому что более высокие расходы на здравоохранение обычно связаны с большими потребностями в здравоохранении. У среднего чернокожего человека в наборе данных, который использовали ученые, общие расходы на здравоохранение были такими же, как и у среднего белого человека.
Но более внимательное изучение данных показало, что средний чернокожий человек также был значительно более болен, чем средний белый человек, с большей распространенностью таких состояний, как диабет, анемия, почечная недостаточность и высокое кровяное давление. В совокупности данные показали, что уход за чернокожими стоит в среднем на 1800 долларов США в год меньше, чем уход за белым человеком с таким же количеством хронических проблем со здоровьем.
Ученые предполагают, что это ограничение доступа к медицинской помощи связано с последствиями системного расизма, начиная от недоверия к системе здравоохранения и заканчивая прямой расовой дискриминацией со стороны поставщиков медицинских услуг.
А поскольку алгоритм относил людей к категориям высокого риска на основе затрат, эти предубеждения учитывались в его результатах: чернокожие должны были болеть тяжелее, чем белые, прежде чем их направляли за дополнительной помощью. Только 17,7% пациентов, которым алгоритм назначил дополнительную помощь, были чернокожими. Исследователи подсчитали, что эта доля составила бы 46,5 %, если бы алгоритм был беспристрастным.
Поиск решений
Когда Обермейер и его команда сообщили о своих выводах разработчикам алгоритма — компании Optum из Иден-Прери, штат Миннесота, — компания повторила их анализ и получила те же результаты. Обермейер работает с фирмой без зарплаты, чтобы улучшить алгоритм.
Он и его команда сотрудничали с компанией, чтобы найти другие переменные, помимо затрат на здравоохранение, которые можно было бы использовать для расчета медицинских потребностей человека, и повторили свой анализ после соответствующей настройки алгоритма. Они обнаружили, что внесение этих изменений уменьшило предвзятость на 84%.
"Мы ценим работу исследователей", — говорится в заявлении Optum. Но компания добавила, что считает вывод исследователей «вводящим в заблуждение». «Модель затрат — это лишь один из многих элементов данных, предназначенных для использования при отборе пациентов для участия в программах клинического взаимодействия, включая, что наиболее важно, опыт врача».
Обермейер говорит, что использование прогнозов затрат для принятия решений о привлечении пациентов — это распространенная проблема. «Это проблема не одного алгоритма или одной компании — проблема в том, как вся наша система подходит к этой проблеме», — говорит он.
По словам Обермейера, поиск способов устранения предвзятости в алгоритмах — в здравоохранении и не только — непрост. «Эти решения просты с точки зрения разработки программного обеспечения: вы просто перезапускаете алгоритм с другой переменной», — говорит он. «Но самое сложное: что это за другая переменная? Как вы преодолеваете предвзятость и несправедливость, присущие этому обществу?»
Отчасти это связано с отсутствием разнообразия среди разработчиков алгоритмов и недостаточной подготовкой по социальному и историческому контексту их работы, — говорит Руха Бенджамин, автор книги Race After Technology (2019 г.). ) и социолог из Принстонского университета в Нью-Джерси.
"Мы не можем полагаться на людей, которые в настоящее время разрабатывают эти системы, чтобы полностью предвидеть или смягчить весь вред, связанный с автоматизацией", – говорит она.
Разработчикам следует регулярно проводить тесты, подобные тем, которые проводит группа Обермейера, прежде чем развертывать алгоритм, влияющий на человеческие жизни, – говорит Райид Гани, специалист по информатике из Университета Карнеги-Меллона в Питтсбурге, штат Пенсильвания. По его словам, такой аудит сейчас более распространен, поскольку отчеты о предвзятых алгоритмах стали более распространенными.
"Сейчас это делают чаще, чем раньше? Да», — говорит Гани. «Достаточно ли они делают это? Нет.”
Он считает, что результаты этих проверок следует всегда сравнивать с решениями, принимаемыми людьми, прежде чем делать вывод, что алгоритм усугубляет ситуацию. Гани говорит, что его команда провела неопубликованный анализ, сравнивая алгоритмы, используемые в здравоохранении, уголовном правосудии и образовании, с принятием решений человеком. Они обнаружили, что системы машинного обучения предвзяты, но в меньшей степени, чем люди.
"Мы все еще используем эти алгоритмы, называемые людьми, которые действительно предвзяты", – говорит Гани. «Мы проверили их и знаем, что они ужасны, но мы все равно используем их для принятия действительно важных решений каждый день».
Обновления и исправления
Обновление от 26 октября 2019 г. Добавлено имя разработчика алгоритма и ответ компании на исследование, а также дополнительные комментарии Зиада Обермайера.
Ссылки
Обермейер З., Пауэрс Б., Фогели К. и Муллайнатан С. Science 336, 447–453 (2019).
Статьи по теме
Более справедливый путь развития ИИ в здравоохранении
Можем ли мы открыть черный ящик ИИ?
Темы
Последние:
Машинное обучение и телефонные данные могут улучшить адресность гуманитарной помощи
Статья 16 22 марта
Рассеивание безбатарейных беспроводных устройств ветром
Статья 16 22 марта
Восстановление и атрибуция древних текстов с помощью глубоких нейронных сетей
Статья 09, 22 марта
Сейчас не время прекращать отслеживать COVID-19
От редакции 23 марта 22
Данные моргов намекают на истинные потери от COVID в Африке
Уроки мастеров данных о COVID
Новостная статья 23 – 22 марта
Цемент и сталь — девять шагов к нулю
Комментарий 23 – 22 марта
Сейчас не время прекращать отслеживать COVID-19
От редакции 23 марта 22
Преломленный хлеб — предотвращение глобального кризиса пшеницы, вызванного вторжением в Украину
Взгляд на мир 22 22 марта
Должности преподавателей факультета психологии USTC
Университет науки и технологий Китая (USTC)
Ingenieur oder Naturwissenschaftler (m/w/d) als Wissenschaftlicher Referent (m/w/d) в der Abteilung Forschungskoordinate
Helmholtz-Zentrum Geesthacht - Центр материалов и прибрежных исследований (HZG)
Кендра Черри, магистр медицины, писательница и консультант по вопросам образования, помогающая учащимся изучать психологию.
Статьи Verywell Mind рецензируются сертифицированными врачами и специалистами в области психического здоровья. Медицинские рецензенты подтверждают, что содержание тщательное и точное, отражающее последние исследования, основанные на фактических данных. Контент проверяется перед публикацией и после существенных обновлений. Узнать больше.
Дэвид Сусман, доктор философии, является лицензированным клиническим психологом с опытом лечения лиц с психическими заболеваниями и проблемами, связанными с употреблением психоактивных веществ.
однотонные цвета / Getty Images
Разум может оказывать сильное влияние на тело, а в некоторых случаях даже помогать ему исцеляться. Разум может даже иногда обманывать вас, заставляя поверить в то, что фальшивое лечение имеет реальные терапевтические результаты, явление, известное как эффект плацебо. В некоторых случаях плацебо может оказывать влияние, достаточно сильное, чтобы имитировать эффекты реального лечения.
Но эффект плацебо — это гораздо больше, чем просто позитивное мышление. Когда происходит такая реакция, многие люди не подозревают, что реагируют на то, что по сути является «сахарной таблеткой». Плацебо часто используются в медицинских исследованиях, чтобы помочь врачам и ученым обнаружить и лучше понять физиологические и психологические эффекты новых лекарств.
Чтобы понять, почему важен эффект плацебо, необходимо немного больше узнать о том, как и почему он работает.
Что такое эффект плацебо?
Эффект плацебо определяется как явление, при котором некоторые люди испытывают пользу после введения неактивного «двойного» вещества или лечения. Это вещество, или плацебо, не имеет известного медицинского эффекта. Иногда плацебо бывает в виде таблеток (сахарных таблеток), но также может быть в виде инъекций (физиологический раствор) или потребляемой жидкости.
В большинстве случаев человек не знает, что лечение, которое он получает, на самом деле является плацебо. Вместо этого они верят, что получают настоящее лечение. Плацебо разработано таким образом, чтобы оно выглядело точно так же, как и настоящее лечение, но на самом деле это вещество не оказывает никакого влияния на состояние, которое оно должно лечить.
Плацебо против эффекта плацебо
Важно отметить, что «плацебо» и «эффект плацебо» — разные вещи. Термин «плацебо» относится к самому неактивному веществу, а термин «эффект плацебо» относится к любым последствиям приема лекарства, которые нельзя отнести к самому лечению.
Причины
Почему люди испытывают настоящие изменения в результате искусственного лечения? Хотя исследователи знают, что эффект плацебо является реальным эффектом, они еще не до конца понимают, как и почему этот эффект возникает. Продолжаются исследования того, почему у некоторых людей происходят изменения, даже когда они получают только плацебо. Этому явлению может способствовать ряд различных факторов.
Гормональная реакция
Одним из возможных объяснений является то, что прием плацебо вызвал выброс эндорфинов. Эндорфины имеют структуру, аналогичную морфину и другим опиатным болеутоляющим средствам, и действуют как собственные естественные обезболивающие средства мозга.
Исследователи смогли продемонстрировать эффект плацебо в действии с помощью сканирования мозга, показав, что области, содержащие много опиатных рецепторов, были активированы как в группе плацебо, так и в группе лечения. Налоксон является антагонистом опиоидов, который блокирует как естественные эндорфины, так и опиоидные препараты. После того, как люди получали налоксон, обезболивание плацебо уменьшалось.
Кондиционирование
Другие возможные объяснения включают классическое обусловливание или когда вы формируете связь между двумя стимулами, что приводит к заученной реакции. В некоторых случаях плацебо можно сочетать с реальным лечением, пока оно не вызовет желаемого эффекта.
Например, если вы регулярно принимаете одну и ту же таблетку от артрита, чтобы уменьшить скованность и боль в суставах, у вас может начаться ассоциироваться эта таблетка с облегчением боли. Если вам дали плацебо, похожее на таблетку от артрита, вы все еще можете верить, что она облегчает боль, потому что вас к этому приучили.
Ожидание
Было обнаружено, что ожидания или то, что, как мы думаем, мы испытаем, играют значительную роль в эффекте плацебо. Люди, которые очень мотивированы и ожидают, что лечение сработает, с большей вероятностью испытают эффект плацебо.
Энтузиазм врача, назначающего лечение, может даже повлиять на реакцию пациента. Если врач кажется очень уверенным, что лечение будет иметь желаемый эффект, пациент с большей вероятностью увидит пользу от приема препарата. Это демонстрирует, что эффект плацебо может иметь место даже тогда, когда пациент принимает настоящие лекарства для лечения болезни.
Вербальные, поведенческие и социальные сигналы могут влиять на ожидания человека в отношении того, будет ли лекарство иметь эффект.
- Поведенческие: принятие таблетки или инъекция для улучшения состояния.
- Общение: успокаивающий язык тела, зрительный контакт и речь врача или медсестры.
- В устной форме: обращение к поставщику медицинских услуг с положительными отзывами о лечении.
Генетика
Гены также могут влиять на то, как люди реагируют на лечение плацебо. Некоторые люди генетически предрасположены к большей реакции на плацебо. Одно исследование показало, что люди с вариантом гена, который кодирует более высокий уровень дофамина в мозгу, более подвержены эффекту плацебо, чем люди с вариантом с низким уровнем дофамина. Люди с версией этого гена с высоким уровнем дофамина также, как правило, имеют более высокий уровень восприятия боли и поиска вознаграждения.
Эффект ноцебо
И наоборот, у людей может появиться больше симптомов или побочных эффектов в ответ на плацебо, реакция, которую иногда называют "эффектом ноцебо". Например, пациент может сообщить о головных болях, тошноте или головокружении в ответ на плацебо.
Примеры
Эффект плацебо можно использовать по-разному, в том числе в медицинских и психологических исследованиях, чтобы узнать больше о физиологических и психологических эффектах новых лекарств.
В медицинских исследованиях
В медицинских исследованиях некоторым участникам исследования могут давать плацебо, а другим — новое тестируемое лечение. Целью этого является определение эффективности нового лечения. Если участники, принимающие настоящее лекарство, продемонстрируют значительное улучшение по сравнению с теми, кто принимал плацебо, исследование может помочь подтвердить заявление об эффективности препарата.
Испытывая новые лекарства или методы лечения, ученые хотят знать, работает ли новое лечение и лучше ли оно того, что уже доступно. Благодаря своим исследованиям они узнают, какие побочные эффекты может вызвать новое лечение, какие преимущества могут быть наиболее полезными для пациентов и перевешивают ли потенциальные преимущества риски.
Сравнивая эффекты лечения с плацебо, исследователи надеются определить, связаны ли эффекты лекарств с самим лечением или вызваны какой-то другой переменной.
В психологических экспериментах
В психологическом эксперименте плацебо – это инертное лекарство или вещество, действие которого неизвестно. Исследователи могут использовать контрольную группу плацебо, которая представляет собой группу участников, подвергающихся воздействию плацебо или фальшивой независимой переменной. Влияние этого лечения плацебо затем сравнивается с результатами экспериментальной группы.
Несмотря на то, что плацебо не лечат, исследователи обнаружили, что они могут оказывать как физическое, так и психологическое воздействие. У участников группы плацебо наблюдались изменения в частоте сердечных сокращений, артериальном давлении, уровне тревожности, восприятии боли, усталости и даже активности мозга. Эти эффекты указывают на роль мозга в поддержании здоровья и благополучия.
Преимущества использования плацебо
Основное преимущество использования плацебо при оценке нового препарата заключается в том, что оно ослабляет или устраняет влияние ожиданий на результат. Если исследователи ожидают определенного результата, они могут неосознанно дать участникам подсказки о том, как им следует себя вести. Это может повлиять на результаты исследования.
Чтобы минимизировать это, исследователи иногда проводят так называемое двойное слепое исследование. В исследованиях такого типа ни участники исследования, ни исследователи не знают, кто получает плацебо, а кто получает реальное лечение. Сводя к минимуму риск того, что эти незаметные предубеждения повлияют на исследование, исследователи смогут лучше изучить эффекты препарата и плацебо.
Одним из наиболее изученных и сильных эффектов плацебо является уменьшение боли. По некоторым оценкам, примерно от 30 % до 60 % людей почувствуют, что их боль уменьшилась после приема таблетки плацебо.
Например, представьте, что участник вызвался добровольцем для исследования, чтобы определить эффективность нового лекарства от головной боли. После приема препарата она обнаруживает, что ее головная боль быстро проходит, и она чувствует себя намного лучше. Однако позже она узнает, что была в группе плацебо и что лекарство, которое ей дали, было просто сахарной таблеткой.
Эффект
Хотя плацебо может влиять на самочувствие человека, исследования показывают, что они не оказывают существенного влияния на основные заболевания. Крупный обзор более чем 150 клинических испытаний с участием плацебо показал, что плацебо не оказывает серьезного клинического воздействия на болезни. Вместо этого эффект плацебо оказал небольшое влияние на результаты, о которых сообщают пациенты, особенно на восприятие тошноты и боли.
Однако другой обзор, проведенный почти 10 лет спустя, показал, что в одинаковых группах населения и плацебо, и лечение оказывали одинаковый эффект. Авторы пришли к выводу, что плацебо при правильном использовании может потенциально принести пользу пациентам как часть терапевтического плана.
- Депрессия. Было обнаружено, что эффект плацебо влияет на людей с большим депрессивным расстройством. В одном исследовании участникам, которые в настоящее время не принимали никаких других лекарств, давали таблетки плацебо, помеченные как быстродействующие антидепрессанты или плацебо, в течение одной недели. Через неделю исследователи сделали ПЭТ-сканирование и сказали участникам, что им делают инъекцию для улучшения настроения. Участники, которые принимали плацебо, помеченное как антидепрессант, а также инъекцию, сообщили об уменьшении симптомов депрессии и повышении активности мозга в областях мозга, связанных с регуляцией эмоций и стресса.
- Обезболивание. В ходе небольшого исследования, проведенного в 2014 году, изучалось влияние плацебо на 66 человек с эпизодической мигренью, которых попросили принять назначенную таблетку – либо плацебо, либо Максальт (ризатриптан), известное лекарство от мигрени – и оценить их боль. интенсивность. Некоторым людям говорили, что таблетка — это плацебо, другим — что это Максальт, а другим говорили, что это может быть и то, и другое. Исследователи обнаружили, что ожидания, связанные с маркировкой таблеток, влияли на ответы участников. Даже когда Maxalt был помечен как плацебо, участники дали ему такую же оценку, как и плацебо с пометкой Maxalt.
- Облегчение симптомов. Эффект плацебо также изучался на людях, перенесших рак, которые испытывают связанную с раком усталость. Участники получали три недели лечения, либо их обычное лечение, либо таблетку, помеченную как плацебо. Исследование показало, что плацебо (несмотря на то, что оно было помечено как таковое) улучшало симптомы во время приема лекарства и через три недели после его прекращения.
Слово от Verywell
Эффект плацебо может сильно влиять на самочувствие людей, но важно помнить, что они не являются лекарством от основного заболевания.
Медицинским работникам не разрешается использовать плацебо в реальной практике без информирования пациентов (это будет считаться неэтичной помощью), что снижает или устраняет желаемый эффект плацебо.
Однако, используя плацебо в исследованиях, во время которых им не нужно информировать участников, ученые могут лучше понять, как лечение влияет на пациентов и являются ли новые лекарства и подходы к лечению безопасными и эффективными.
Читайте также: