Trade-offs in Cardiovascular Risk Prediction Using Race and Social Determinants of Health

Diese Studie zeigt, dass der Verzicht auf die Berücksichtigung von Rasse oder der Ersatz durch soziale Determinanten der Gesundheit in kardiovaskulären Risikomodellen zwar statistische Fairness-Metriken verbessert, jedoch zu systematischen klinischen Fehlentscheidungen führt, die Black-Patienten unverhältnismäßig stark durch Unter- oder Überversorgung schädigen.

Das Wesentliche

🩺 Das große Rätsel: Wie wir Herz-Kreislauf-Risiken vorhersagen

Stellen Sie sich vor, Sie sind ein Arzt und müssen entscheiden, welche Patienten Medikamente bekommen, um einen Herzinfarkt zu verhindern. Es gibt eine magische Formel (ein Algorithmus), die Ihnen sagt: „Dieser Patient hat ein hohes Risiko, dieser einen niedrigen."

Die Frage, die diese Studie untersucht, ist: Was passiert, wenn wir in dieser Formel das Wort „Rasse" (z. B. Schwarz oder Weiß) streichen?

Die American Heart Association hat kürzlich gesagt: „Wir sollten Rasse aus den Formeln streichen, weil es unfair sein könnte." Aber wie wirkt sich das in der echten Welt aus? Wer gewinnt und wer verliert?

Die Forscher haben drei verschiedene Versionen dieser „magischen Formel" getestet, wie drei verschiedene Navigationsgeräte, die uns zum selben Ziel führen sollen, aber unterschiedliche Karten benutzen.

🗺️ Die drei Karten (Die Modelle)

1. Karte A (Die alte Route): Enthält klinische Daten (Blutdruck, Cholesterin) PLUS die Information über die Rasse des Patienten.
2. Karte B (Die soziale Route): Enthält klinische Daten PLUS viele Details über das soziale Leben (Wohnverhältnisse, Geldsorgen, Diskriminierungserfahrungen), aber KEINE Rasse.
3. Karte C (Die reine Route): Enthält nur klinische Daten. Keine Rasse, keine sozialen Details. Nur der Körper selbst.

🎯 Das Experiment: Wer landet am richtigen Ort?

Die Forscher haben 3.241 Menschen über 10 Jahre beobachtet. Sie haben geschaut, welche Formel am besten vorhersagen konnte, wer tatsächlich einen Herzinfarkt bekommt.

Das überraschende Ergebnis:
Alle drei Karten waren fast gleich gut darin, im Durchschnitt zu sagen, wer krank wird. Die Gesamtzahl der richtigen Vorhersagen war fast identisch. Es war, als ob drei verschiedene Uhrzeiten fast die gleiche Zeit anzeigen würden.

ABER: Wenn man genauer hinsieht, wer genau behandelt wird und wer nicht, dann verändern sich die Karten dramatisch. Es ist wie bei einem Umzug: Wenn Sie die Möbel anders stellen, sieht das Haus im Durchschnitt gleich aus, aber für den Bewohner im Wohnzimmer ändert sich alles.

⚖️ Die zwei großen Dilemmata

Hier kommt die eigentliche Geschichte ins Spiel. Die Forscher haben zwei Szenarien verglichen:

Szenario 1: Rasse durch soziale Daten ersetzen (Karte B vs. Karte A)

• Was passierte? Die Formel, die soziale Daten nutzte, sagte bei Schwarzen Patienten häufiger: „Du bist in Gefahr!" als die alte Formel.
• Der Haken: Viele dieser Patienten, die nun als „gefährdet" eingestuft wurden, hätten eigentlich keinen Herzinfarkt bekommen.
• Die Analogie: Stellen Sie sich vor, Sie haben einen Metalldetektor am Flughafen. Wenn Sie ihn empfindlicher machen, fängt er mehr Waffen auf (gut!), aber er piept auch bei jedem Gürtel und jeder Münze (schlecht!).
• Das Ergebnis: Schwarze Patienten bekamen mehr Medikamente, die sie gar nicht brauchten (Überbehandlung). Das ist wie ein unnötiger Regenmantel an einem sonnigen Tag – es stört nicht tödlich, ist aber eine Verschwendung und ein Risiko für Nebenwirkungen.

Szenario 2: Rasse komplett entfernen (Karte C vs. Karte A)

• Was passierte? Die Formel ohne Rasse und ohne soziale Daten war sehr vorsichtig. Sie sagte bei Schwarzen Patienten seltener: „Du bist in Gefahr!"
• Der Haken: Vier Schwarze Patienten, die tatsächlich einen Herzinfarkt bekamen, wurden von dieser Formel als „sicher" eingestuft und bekamen keine vorbeugenden Medikamente.
• Die Analogie: Dies ist wie ein Sicherheitsnetz, das Löcher hat. Es sieht sicher aus, aber wenn jemand durchfällt, ist es zu spät.
• Das Ergebnis: Schwarze Patienten wurden seltener behandelt, obwohl sie es brauchten (Unterbehandlung). Das ist gefährlich, weil sie ohne Medikamente erkranken könnten.

🤔 Was bedeutet das für uns?

Die Studie zeigt uns eine wichtige Lektion: Es gibt keine perfekte Lösung, die alle Probleme löst.

• Wenn wir Rasse aus der Formel streichen, verbessern sich statistisch gesehen die „Gerechtigkeitszahlen" (die Formel sieht fairer aus). Aber in der Realität bedeutet das oft, dass Schwarze Patienten, die aufgrund von systemischen Nachteilen (wie schlechterer medizinischer Versorgung in der Vergangenheit) ein höheres Risiko haben, übersehen werden.
• Wenn wir soziale Daten hinzufügen, versuchen wir, die Ursachen der Ungleichheit zu verstehen. Aber die Daten, die wir haben, sind oft nicht detailliert genug, um das Risiko von Rasse vollständig zu ersetzen.

Die große Erkenntnis:
Ein Computermodell kann nicht einfach ein Wort (Rasse) durch ein anderes (soziale Daten) ersetzen und erwarten, dass alles gleich bleibt. Es ist wie der Versuch, ein Auto zu reparieren, indem man den Motor durch einen anderen ersetzt, ohne zu wissen, ob das Chassis passt.

Die Forscher sagen: Bevor wir blindlings Rasse aus medizinischen Formeln streichen, müssen wir genau hinschauen, wer davon profitiert und wer Schaden nimmt. Eine „faire" Statistik auf dem Papier bedeutet nicht automatisch, dass es im Krankenhaus fair ist.

Fazit in einem Satz:
Wir können nicht einfach Rasse aus der Gleichung streichen und hoffen, dass alles fairer wird; wir müssen verstehen, dass jede Änderung der Formel bedeutet, dass einige Patienten mehr Hilfe bekommen und andere weniger – und das muss sorgfältig abgewogen werden.

Technische Zusammenfassung

Titel: Trade-offs in der kardiovaskulären Risikovorhersage unter Verwendung von Rasse und sozialen Determinanten der Gesundheit (SDoH)

Autoren: Noah Hammarlund et al.
Quelle: medRxiv Preprint (April 2026)

---

1. Problemstellung und Hintergrund

Das Gesundheitswesen wandelt sich zunehmend hin zu rasseneutralen Vorhersagemodellen für das kardiovaskuläre Risiko (z. B. die neuen AHA-Risikogleichungen), um potenzielle Verzerrungen und die Normalisierung rassenbasierter klinischer Entscheidungen zu vermeiden. Ein häufig vorgeschlagener Ansatz ist der Ersatz der Rasse durch soziale Determinanten der Gesundheit (SDoH), da diese strukturelle Ungleichheiten direkter abbilden sollen.

Das zentrale Problem dieser Studie ist jedoch, dass die empirischen Konsequenzen dieser Designentscheidungen an der Schwelle zur klinischen Behandlung (z. B. Beginn einer Statintherapie) unklar sind. Bisherige Studien konzentrierten sich oft nur auf die Gesamtperformance oder die Kalibrierungsgleichheit, vernachlässigten aber, wie sich Änderungen im Prädiktorset auf die tatsächliche Behandlungszuweisung, Über- und Unterbehandlung sowie die Verteilung von Nutzen und Schaden zwischen schwarzen und weißen Patienten auswirken.

2. Methodik

Studiendesign und Daten:

• Kohorte: Retrospektive Kohortenstudie basierend auf den Daten der Coronary Artery Risk Development in Young Adults (CARDIA) Studie.
• Stichprobe: 3.241 schwarze und weiße Erwachsene ohne bekannte kardiovaskuläre Erkrankung (CVD) zum Baseline-Zeitpunkt (Jahr 25, 2010).
• Follow-up: 10-Jahres-Inzidenz von CVD (bis 2021), definiert als Myokardinfarkt, Schlaganfall, Hospitalisierung wegen Herzinsuffizienz oder Koronarrevascularisierung.
• Schwellenwert: Die Vorhersagen wurden an der Leitliniengrenze von 7,5 % für die 10-Jahres-Risikostratifizierung (ACC/AHA-Richtlinien) bewertet, ab der eine präventive Behandlung empfohlen wird.

Vergleichene Modelle:
Drei LASSO-regularisierte logistische Regressionsmodelle wurden mittels 10-facher Kreuzvalidierung entwickelt und verglichen:

1. Modell 1 (Race): Klinische Prädiktoren + Rasse (Selbstidentifikation).
2. Modell 2 (SDoH): Klinische Prädiktoren + detaillierte SDoH-Maße (ersetzt Rasse). Dazu gehörten sozioökonomischer Status, Wohnsituation, Ernährungssicherheit, Diskriminierungserfahrungen etc.
3. Modell 3 (Trad./Race-free): Nur klinische Prädiktoren (ohne Rasse und ohne SDoH).

Evaluationsmetriken:
Die Modelle wurden nicht nur nach klassischer Performance (AUC, Log-Loss), sondern auch nach folgenden Kriterien bewertet:

• Kalibrierung: Systematische Über- oder Unterschätzung des Risikos.
• Fairness-Metriken: Sieben gruppenbasierte Metriken (z. B. Demografische Parität, Disparate Impact, Equal Opportunity).
• Realisierte klinische Nutzbarkeit (Utility): Eine entscheidende Komponente, die Überbehandlung (Overtreatment) und Unterbehandlung (Undertreatment) quantifiziert, basierend auf den tatsächlich eingetretenen Ereignissen und dem 7,5 %-Schwellenwert.

3. Wichtige Beiträge

• Ganzheitlicher Evaluierungsrahmen: Die Studie kombiniert erstmals Performance, Kalibrierung, Fairness und realisierte klinische Nutzbarkeit in einer integrierten Analyse, um die Trade-offs bei der Modellgestaltung sichtbar zu machen.
• Fokus auf klinische Konsequenzen: Statt nur theoretischer Fairness zu diskutieren, wird gezeigt, wie sich Modellentscheidungen konkret auf die Behandlungszuweisung (Statin-Empfehlung) und damit auf Patientenschicksale auswirken.
• Empirische Widerlegung reiner Konzepte: Die Arbeit liefert empirische Evidenz, die zeigt, dass das Entfernen von Rasse aus rein konzeptionellen Gründen (ohne Berücksichtigung der klinischen Verteilungswirkung) unbeabsichtigte negative Folgen haben kann.

4. Ergebnisse

Gesamtperformance:

• Die Vorhersagegenauigkeit (AUC) war über alle drei Modelle hinweg sehr ähnlich (0,762 bis 0,768). Es gab keine statistisch signifikanten Unterschiede in der Gesamtperformance.

Auswirkungen auf die Behandlung (Schwellenwert 7,5 %):

• Modell 2 (SDoH statt Rasse):
  • Verbesserte einige Fairness-Metriken (Parität).
  • Negativ: Führt zu einer systematischen Unterschätzung des absoluten Risikos.
  • Konsequenz: Erhöhte die Rate der Überbehandlung (Overtreatment) signifikant, wobei diese Belastung unverhältnismäßig stark bei schwarzen Teilnehmern konzentriert war. Zwar wurden weniger Fälle von Unterbehandlung vermieden, aber der Preis war eine hohe Anzahl unnötiger Behandlungen.
• Modell 3 (Keine Rasse, keine SDoH):
  • Verbesserte Fairness-Metriken noch stärker als Modell 2 (teilweise mechanisch, da das Modell keine Gruppen mehr unterscheiden kann).
  • Negativ: Führt zu einer Unterbewertung des Risikos bei schwarzen Teilnehmern.
  • Konsequenz: Erzeugte neue Fälle von Unterbehandlung (Undertreatment). Konkret wurden bei schwarzen Teilnehmern vier Fälle von CVD nicht behandelt, die bei Verwendung von Modell 1 behandelt worden wären. Es gab keine kompensierenden Vorteile in der Gruppe.

Kalibrierung und Fairness:

• Die Verbesserung der Paritätsmetriken in den rasseneutralen Modellen war teilweise ein Artefakt der Modellstruktur (Einschränkung der Gruppenunterscheidung) und nicht unbedingt ein Zeichen für eine gerechtere klinische Leistung.
• Modell 2 zeigte eine schlechtere Kalibrierung (systematische Unterschätzung), was die scheinbaren Gleichheitsgewinne trübt.

5. Bedeutung und Schlussfolgerung

Die Studie kommt zu dem Schluss, dass keine einzelne Evaluierungsdimension (weder AUC noch Fairness-Metriken allein) ausreicht, um die ethischen und klinischen Konsequenzen von Designentscheidungen in Risikomodellen zu erfassen.

• Trade-offs sind unvermeidbar: Das Entfernen von Rasse oder der Ersatz durch SDoH verändert die Behandlungsberechtigung signifikant, auch bei gleicher Gesamtgenauigkeit.
• Konsequenzen für schwarze Patienten: Sowohl der Ersatz durch SDoH (Modell 2) als auch das vollständige Entfernen (Modell 3) führten zu konzentrierten Schäden für schwarze Teilnehmer, die in aggregierten Populationsmetriken unsichtbar blieben.
  • SDoH-Substitution führte zu mehr Überbehandlung.
  • Vollständiger Verzicht führte zu mehr Unterbehandlung und vermeidbaren Krankheitsfällen.
• Empfehlung: Bevor Gesundheitssysteme rasseneutrale Modelle flächendeckend einführen, ist eine umfassende empirische Evaluation notwendig, die Performance, Kalibrierung, Fairness und realisierte klinische Ergebnisse integriert. Konzeptionelle Argumente allein reichen nicht aus, um zu garantieren, dass die gewählten Modelle den am stärksten gefährdeten Individuen tatsächlich dienen.

Zusammenfassend zeigt die Arbeit, dass die Debatte um Rasse in Algorithmen nicht binär (einbeziehen vs. ausschließen) gelöst werden kann, sondern eine sorgfältige Abwägung der klinischen Trade-offs erfordert, die oft nur durch detaillierte, gruppenstratifizierte Analysen der Behandlungsergebnisse sichtbar werden.