综述：重新审视临床算法中种族、性别和年龄的使用以解决实践中的偏见：一篇讨论论文

这篇讨论论文深入探讨了临床风险计算器（risk calculators）中纳入人口统计学变量（如种族、性别、年龄）的伦理与科学争议，通过机器学习生命周期框架揭示了历史偏见（historical bias）、测量偏差（measurement bias）和部署偏差（deployment bias）如何导致表征性伤害（representational harm）和分配性伤害（allocative harm），并提出了修订后的算法评估框架（FAIRS扩展版），呼吁临床工作者摒弃简化的人口统计学代理变量，直接测量生物机制以遵循公正（justice）与不伤害（non-maleficence）的生物伦理原则。

　　

背景

临床算法作为决策支持工具，通过整合患者特异性特征预测健康结局，其中风险计算器（risk calculators）尤其常用于基于风险评估的医疗资源分配。尽管这些工具通常依赖生理数据，但种族、性别和年龄等人口统计学变量常被纳入模型。近年来，种族变量的使用因简化生物差异、加剧服务分配不公而备受质疑，但性别和年龄的潜在危害却鲜少被讨论。

识别算法偏见的框架

借鉴Suresh和Guttag的机器学习生命周期框架，算法偏见可分为三类：

1. 历史偏见：反映社会固有歧视（如性别歧视、年龄歧视），通过数据渗透至算法；
2. 测量偏差：简化复杂生物构造（如用二元性别编码替代激素水平，用时序年龄替代生物衰老标志物）；
3. 部署偏差：导致资源分配不公（如女性或老年人被系统性排除于高风险治疗）。

历史偏见的双重维度

性别歧视：医疗系统中的结构性性别偏见表现为症状忽视（如女性疼痛被归因于心理因素）、治疗机会差异（如女性更少获得先进心血管干预）及社会经济资源不平等。
年龄歧视：老年患者面临诊断延迟（症状被归因于“自然衰老”）、医疗资源限制（如肾衰竭风险计算中年轻患者优先）及功能适应性障碍（如听力衰退影响医患沟通）。

测量偏差的代理陷阱

二元性别编码：将性别简化为“男/女”忽略了跨性别者激素治疗、绝经后生理变化或克兰费尔特综合征（Kallmann syndrome）等复杂情况，导致模型无法捕捉真实的生物变异。
时序年龄：以出生年份衡量衰老忽略了表观遗传时钟（DNA methylation）、线粒体功能等多维度生物标志物，无法区分健康衰老与病理状态。

案例研究揭示分配不公

1. 儿科阑尾炎风险计算器（pARC）：男性阑尾炎风险被高估23%，可能导致女性患者诊断延迟；
2. 肾衰竭风险模型：男性5年风险比女性高7%，60-69岁患者反比50-59岁组风险低7.3%，凸显年龄与性别的矛盾影响；
3. 心血管疾病（ASCVD）计算器：70岁患者风险比60岁高14.9%，女性比男性低9.4%，可能延误女性他汀类药物治疗；
4. 肥胖手术死亡率评分（OS-MRS）：男性死亡率风险是非男性的4倍，45岁以上女性风险骤增，反映交叉性歧视。

生物伦理与法律风险

公正原则：基于人口统计学变量的资源分配违背公平性，如肌肉量差异应直接测量而非通过性别/年龄推测。
不伤害原则：简化变量导致误诊或治疗不足，如跨性别者激素水平未被纳入心血管风险评估。
法律后果：美国《平价医疗法案》第1557条已禁止种族调整的肾小球滤过率（eGFR），未来性别/年龄调整可能面临类似诉讼。

改进框架与护理教育

修订后的FAIRS框架要求开发者逐步验证：

1. 人口统计学变量是否必要？
2. 其预测力源于生物机制还是社会偏见？
3. 是否加剧现有不平等？
   护理教育需加强模型素养（model literacy），培养对算法开发中偏见的批判性评估能力。

结论

临床算法必须超越简化的人口统计学代理，转向直接测量生物特征（如激素水平、肌肉质量），并控制历史偏见对数据的影响。这一变革需要跨学科合作，以平衡精准医学的潜力与健康公平的伦理责任。