基于患者水平模拟框架评估临床算法对健康公平的长期影响

《Value in Health》：Evaluating Long-term Health Disparity Impacts of Clinical Algorithms Using a Patient-level Simulation Framework

本研究针对临床算法中种族因素的争议，开发患者水平状态转换模型，模拟分析结肠癌辅助化疗决策算法包含或忽略种族因素对30年QALYs（质量调整生命年）、医疗成本和种族健康差异的影响。结果表明，包含种族的算法可提升0.048 QALYs并缩小健康差距，而忽略种族会使13%的黑人患者治疗减少，加剧健康不平等。该模拟框架为算法公平性评估提供了重要工具。

　　

在精准医疗时代，临床决策算法日益成为医疗实践的重要工具，然而这些算法中是否应该包含种族因素却引发了广泛争议。支持者认为种族可以作为生物或社会因素的代理变量，有助于实现更个性化的治疗；反对者则担忧这可能导致医疗体系中的结构性歧视被固化。特别是在结肠癌的辅助化疗决策中，某些临床指南建议根据种族调整风险分层，但这一做法对长期健康公平的影响尚不明确。更重要的是，不同种族群体在癌症复发监测和诊断方面可能存在差异，这种测量误差进一步增加了评估算法公平性的复杂性。

为了科学评估这一争议，来自华盛顿大学和斯坦福大学的研究团队在《Value in Health》上发表了一项创新研究。他们开发了一个患者水平的模拟框架，旨在量化分析从结肠癌化疗决策算法中忽略种族因素可能产生的长期影响，包括健康结局、医疗成本以及种族健康差异的变化。

研究人员主要采用了几个关键技术方法：利用美国南加州大型医疗系统的电子健康记录构建了包含4,839名II期和III期结肠癌术后成年患者的模拟队列；建立了患者水平状态转换模型（state-transition model）来预测30年的健康结局；设计了三种化疗治疗方案进行比较分析；引入了专门的健康状态来评估种族偏倚对癌症复发 ascertainment（ ascertainment）的影响；并采用概率敏感性分析（Probabilistic Sensitivity Analysis, PSA）来评估结果的不确定性。

结果

算法对比现状分析

研究首先比较了包含种族的临床算法与当前实践的区别。结果显示，与当前实践相比，采用包含种族的临床算法可以使平均健康水平提高0.048 QALYs（质量调整生命年），同时将种族健康差异缩小0.20 QALYs，增量成本为3,221美元。概率敏感性分析表明，在96%的迭代中，健康差异差距都有所减少。

忽略种族因素的影响

当从算法中忽略种族因素时，对整体健康水平或成本的影响微乎其微，但却导致13%的黑人患者接受治疗的比例减少，使他们的QALYs降低0.07，健康差异差距扩大0.13 QALY。概率敏感性分析显示，94%的迭代中健康差异都有所增加。

讨论与结论

本研究通过患者水平模拟框架证明，临床决策算法确实具有改善人口健康和减少健康差异的潜力，但算法设计的选择会对健康公平产生显著影响。具体而言，从结肠癌辅助化疗决策算法中忽略种族因素虽然对整体人群影响不大，但可能对黑人患者群体造成不利影响，限制健康差异的减少幅度。

这项研究的重要意义在于它提供了一个可常规使用的评估工具，可以在算法实施前预测其潜在的健康差异影响。在医疗人工智能和临床决策支持系统快速发展的背景下，这种前瞻性评估方法对于确保健康公平至关重要。研究结果强调，算法设计需要谨慎权衡各种因素，单纯地忽略种族变量并不总是促进健康公平的最佳策略，而应该根据具体临床情境进行科学评估。