促进卫生公平:数据驱动的方法缩小了意图和行动之间的差距

从2020年开始，这一数字将大幅上升新型冠状病毒肺炎与白人社区相比，有色人种社区的感染率和发病率提高了人们对不公平医疗保健的人力和财务成本的认识。作为回应，越来越多的医疗保健组织正在优先推进卫生公平投资于多元化、公平、包容项目和领导力——所有这些都需要数据展示最显著的差距和医疗保健差距。

权益是六个质量维度自2001年美国国家医学科学院(NAM)发表《跨越质量鸿沟》(Crossing the Quality Chasm)以来，美国在医疗保健领域一直处于领先地位。自2018年以来，医疗保险和医疗补助服务中心(CMS)提出了卫生公平奖认可致力于通过战略方法来识别、优先排序和解决改进领域来克服差异的组织。有效的质量评估必须包括公平。

促进卫生公平:优质保健必须公平

根据不结盟运动，高质量的医疗保健必须安全、有效、以患者为中心、及时、高效和公平。不结盟运动将公平定义为“提供不因个人特征(包括性别、种族、地理位置和社会经济地位)而在质量上有所不同的护理。”

然而，医疗保健组织往往仅仅依靠激情和毅力来解决公平问题。在依赖上存在差距分析而且增强情报(AI)识别和解决不公平护理。作为一个行业，不会追求其他方面的改善，比如安全在不依赖数据的情况下提高效率，我们必须利用数据缩小公平差距。

不结盟运动关于优质护理的声明为如何缩小差距提供了提示。如果行业将“不变的护理”改为“无法预测的护理”，我们就有可能使用人工智能工具集。卫生公平成为预测模型我们希望我们不需要建造。我们对能够预测病人的病情感到“很好”重新接纳根据他们用药的复杂性(我们可能会通过简化用药、支持或教育进行干预)。然而，我们对由于个人特征(包括主要口语或邮政编码)而导致的更高再入院风险感到不太满意。

促进卫生公平的普遍利益

所有医疗保健组织都受益于数据，以改善卫生公平，并使所有患者平等获得和提供医疗保健正规化和可操作性。

在改善临床结果的同时，加强卫生公平也能改善卫生系统的运营和财务绩效。2016款ihi白皮书如果不加以控制，到2050年，健康差异可能会给美国带来3530亿美元的经济负担(图1)。

COVID-19:卫生不平等的一个鲜明现实例子

COVID-19表明，美国卫生系统在卫生公平方面存在不足。从感染率、死亡风险到获得治疗、检测和疫苗接种，弱势社区首当其冲。

例如，根据年报告的早期大流行数据《美国医学会杂志》在美国，以黑人为主的县的居民的COVID-19感染率是白人为主县的3倍，死亡率是白人为主县的6倍(图2)。

毫不奇怪，黑人在COVID-19影响方面的差异反映了数十年来记录在案的医疗保健差异。一份来自凯撒家族基金会黑人和美国印第安人或阿拉斯加土著(AIAN)个体在大多数健康状况评估中，包括身体和心理健康状况(图3)，继续表现得更差。与此同时，黑人和AIAN个体的婴儿死亡率大约是白人的两倍。黑人青少年和成年人的艾滋病毒诊断率高出8倍多，西班牙裔青少年和成年人的艾滋病毒和艾滋病诊断率高出3倍多。

医疗保健差距(包括与COVID-19相关的差距)是更广泛的潜在社会和经济不平等的一部分，因此组织拥有数据和分析来了解其服务对象的个人特征、目标、偏好和情况比以往任何时候都更加重要。提高洞察力的主要驱动因素包括健康的社会决定因素(SDOH)，即人们出生、成长、生活、工作和衰老的条件——所有这些领域的医疗数据传统上都没有涵盖。随着COVID-19进一步凸显了美国种族和民族群体之间的健康不平等，医疗行业不能忽视对全面患者数据和开放分析的需求。

卫生公平最佳实践:以数据为依据的方法如何为所有人提供高质量服务并支持短期和长期的经济成功

做出更好的基于数据的决策是实现更大公平的第一步，不仅是在大流行等危机期间，而且在日常医疗保健中也是如此。以数据为依据的卫生公平方法指导重点和合理的问责目标，以确保资源，并提供工具以优化影响。

例如，Health Cat世界杯葡萄牙vs加纳即时走地alyst的数据驱动卫生公平解决方案(目前正在试点)将分析框架与服务专业知识结合起来，以实现以下目标:

• 使用数据来了解哪些指标显示了最显著的差异，以及哪些个人特征导致了这些差异。
• 为改进设定可衡量的目标。
• 合作以在推动临床、操作和财务改善方面取得有意义的、可衡量的进展。

通过人工智能实现健康公平

如果算法依赖于有偏见的假设或可能加剧不平等的数据，人们有理由担心人工智能会加剧不平等。在He世界杯葡萄牙vs加纳即时走地alth Catalyst，我们也有同样的担忧。我们还找到了使用人工智能来减少差距的方法。我们通过确保人工智能使组织能够确定将注意力和资源集中在哪里来实现这一目标。

医疗保健习惯于使用预测模型，例如，基于临床因素(如共病负担、药物复杂性或遗传)来预测再入院或心血管疾病风险。一个人的伤口愈合得比车祸还快。

如果我们可以根据个人特征预测护理或结果，我们就发现了差异。当我们无法根据个人特征(包括种族、民族、年龄、性别、性取向、邮政编码等)来预测护理或结果时，我们就证明了健康公平。

缩小卫生公平意愿与行动之间的差距

将卫生公平作为一个预测问题来处理，为希望减少差异但缺乏定量支持以确定改进领域的组织打开了整个预测建模工具箱。这是一个意想不到的例子，说明高质量的数据分析如何取代轶事和假设，推动大规模、可衡量的、基于数据的改进。

更多的阅读

你想了解更多关于这个话题的信息吗?以下是我们推荐的一些文章:

• 《卫生公平:为什么重要以及如何实现》
• 开始对话:卫生公平
• 内隐偏见培训有助于消除医疗保健差异
• 促进卫生公平——数据驱动战略减少卫生不平等
• 2021年医疗保健趋势:从COVID-19到新的行政政策，领导者需要知道什么

幻灯片

您愿意使用或分享这些概念吗?下载这个突出重点的演示文稿。

---