关于《将BE-FAIR公平框架开发并应用于人群健康预测模型：一项回顾性观察性队列研究》的评论

《Journal of General Internal Medicine》：Comments on: Developing and Applying the BE?FAIR Equity Framework to a Population Health Predictive Model: A Retrospective Observational Cohort Study

医疗算法偏见与BE-FAIR框架的局限性及改进建议。摘要：Gupta等开发的BE-FAIR框架有效揭示了医疗算法对少数族裔的利用预测偏差，但其依赖电子健康记录可能引入选择偏差，未充分考量收入、教育等社会决定因素的交叉影响，且回顾性设计无法评估长期效果。建议结合实时数据、扩展社会决定因素分析并引入社区参与。

　　

尊敬的编辑：

我想赞扬Gupta等人通过开发“偏见减少与公平评估、实施和重新设计框架”（BE-FAIR）为推进医疗保健预测建模中的公平性所做的宝贵且及时的贡献。¹他们的回顾性观察性队列研究提供了关于医疗算法中固有结构偏见的关键见解，尤其是那些影响边缘化群体的偏见。研究发现，预测模型始终低估了非裔美国人、西班牙裔和多种族群体的医疗利用情况，这一点尤其值得注意，这凸显了在临床实践中对这些工具进行公平校准的迫切需求。

尽管这项研究具有诸多优点，但仍存在一些局限性需要考虑。首先，虽然依赖电子健康记录（EHRs）和行政索赔数据在实践中是可行的，但由于信息缺失或不完整，可能会引入选择偏见，尤其是在代表性不足的群体中。²这些数据来源可能无法完全反映正式医疗系统之外的医疗利用情况，从而限制了研究结果的普遍性。其次，尽管BE-FAIR框架值得称赞地融入了反种族主义视角，但它对收入、教育、住房不稳定性和地理差异等更广泛的社会决定因素的交互作用关注不足。^{3这些因素常常与种族和族裔相互作用，加剧了医疗护理中的不平等。第三，该研究的回顾性设计虽然适合初步验证，但无法评估偏见缓解策略的长期效果，4而这对于评估公平干预措施的可持续性和长期影响至关重要。}

为了加强未来的研究，我建议整合前瞻性、实时数据收集方法，以评估BE-FAIR框架在临床环境中的动态有效性。此外，扩展该框架以更细致地探讨社会决定因素的交互作用，可能会带来对系统性差异的更深入理解。^{5最后，通过让社区利益相关者（特别是历史上被边缘化的群体）参与进来，不仅可以促进模型开发，还能增强信任感，并确保其与以患者为中心的目标保持一致。}

总之，Gupta等人为解决医疗保健中的算法偏见奠定了宝贵的基础。如上所述，对BE-FAIR框架的进一步改进将对于确保其在促进不同人群公平性和改善健康结果方面的稳健性和有效性至关重要。