Evaluating Redundancy and Biases in EHR Social Determinants of Health Data Screening

Questo studio analizza i dati di screening sui determinanti sociali della salute di 1,8 milioni di pazienti dell'UNC Health per identificare ridondanze nelle domande e bias demografici, proponendo metodi per ottimizzare i flussi di lavoro clinici e garantire una raccolta dati più equa.

L'essenziale

Immagina che il sistema sanitario sia come un grande ristorante che vuole offrire pasti perfetti per la salute dei suoi clienti. Negli ultimi tempi, i cuochi (i medici) hanno capito che per cucinare un piatto davvero buono, non basta guardare solo gli ingredienti principali (la malattia), ma bisogna anche sapere cosa succede nella vita del cliente: ha abbastanza soldi per fare la spesa? Ha un tetto sopra la testa? Si sente solo?

Queste informazioni si chiamano Determinanti Sociali della Salute (SDOH). Per raccoglierle, il ristorante ha iniziato a far compilare ai clienti dei questionari molto lunghi prima di ordinare.

Ma gli autori di questo studio hanno pensato: "Aspetta un attimo, stiamo chiedendo troppe cose? E stiamo chiedendo le stesse cose a tutti in modo equo?"

Ecco cosa hanno scoperto, spiegato con parole semplici:

1. Il problema della "Ripetizione" (Redundanza)

Immagina che il questionario chieda due volte la stessa cosa, ma con parole diverse.

• Domanda A: "Hai abbastanza soldi per mangiare bene questa settimana?"
• Domanda B: "Ti sei mai trovato a saltare un pasto perché non potevi permetterti la spesa?"

Lo studio ha analizzato 1,8 milioni di pazienti e ha scoperto che molte domande sono come due specchi che si riflettono a vicenda: ti dicono esattamente la stessa cosa. Chiedere entrambe le volte è come chiedere a un cliente se ha fame e poi subito dopo chiedergli se ha lo stomaco vuoto.
La soluzione: Se togli le domande doppie, il questionario diventa più corto e veloce. È come togliere le ruote in più da una bicicletta: la bici va più veloce e il ciclista (il paziente) si stanca meno.

2. Il problema della "Favoreggiamento" (Bias)

Poi, gli studiosi hanno guardato chi veniva interrogato e chi no. Hanno scoperto che il sistema non era sempre equo, come se il cameriere chiedesse le preferenze alimentari solo ai tavoli con la tovaglia bianca e ignorasse gli altri.

• Chi veniva interrogato di più? Le donne e le persone bianche.
• Chi veniva interrogato di meno? Altre gruppi demografici.
• Chi rifiutava di rispondere? È interessante notare che alcune minoranze (come i nativi americani o le persone ispaniche) erano meno propense a dire "non voglio rispondere" rispetto ad altri gruppi.

In pratica, il sistema stava raccogliendo dati in modo sbilanciato, come se un'orchestra suonasse solo per metà del pubblico.

3. Cosa ci dicono questi risultati?

Lo studio ci dà due grandi consigli per migliorare il "ristorante":

1. Taglia il superfluo: Se due domande dicono la stessa cosa, buttane via una. Questo rende il lavoro dei medici più leggero e meno noioso per i pazienti.
2. Sii equo: Assicurati che il questionario venga proposto a tutti allo stesso modo, senza fare favoritismi basati su chi è il paziente.

In sintesi:
Questo studio è come una mappa del tesoro per gli ospedali. Ci dice come eliminare le domande inutili (per non perdere tempo) e come assicurarsi di ascoltare la voce di tutti i pazienti, non solo di alcuni. In questo modo, la cura della salute diventa più efficiente e più giusta per tutti.

Sommario tecnico

Titolo

Valutazione della ridondanza e dei bias nei dati di screening dei Determinanti Sociali della Salute (SDOH) nelle Cartelle Cliniche Elettroniche (EHR).

1. Il Problema

Le organizzazioni sanitarie hanno iniziato a integrare procedure di screening per i Determinanti Sociali della Salute (SDOH) nelle cure cliniche, riconoscendo il loro impatto cruciale sugli esiti di salute. Tuttavia, l'implementazione di questi screening presenta due sfide tecniche e operative principali:

• Ridondanza dei dati: Molte domande potrebbero fornire informazioni di rischio sovrapposte, aumentando inutilmente il carico di lavoro clinico senza aggiungere valore informativo.
• Bias demografici: Esiste il rischio che la somministrazione delle domande o il tasso di rifiuto delle risposte siano influenzati da caratteristiche demografiche (es. genere, etnia), portando a una raccolta dati sistematicamente distorta e non rappresentativa.

2. Metodologia

Lo studio ha analizzato i dati relativi alle domande SDOH di 1,8 milioni di pazienti dell'UNC Health. L'approccio metodologico si è articolato su due assi principali:

• Valutazione della ridondanza: È stata analizzata l'accordo di risposta (response agreement) tra coppie di domande. L'obiettivo era determinare se le risposte a domande diverse fossero altamente correlate, indicando che una domanda potrebbe essere ridondante rispetto all'altra in termini di informazione sul rischio.
• Valutazione dei bias demografici: Sono stati utilizzati modelli di regressione logistica per valutare due aspetti critici:
  1. La probabilità che un paziente venga sottoposto a una specifica domanda in base al suo profilo demografico.
  2. La probabilità che un paziente rifiuti di rispondere alla domanda in base alle sue caratteristiche demografiche.

3. Risultati Chiave

L'analisi ha portato a diverse scoperte significative:

• Ridondanza Identificata: È stata rilevata una sostanziale ridondanza nell'informazione sul rischio, in particolare tra le domande relative all'insicurezza alimentare e a quella finanziaria. Queste categorie tendono a fornire dati altamente correlati, suggerendo che la raccolta di entrambe potrebbe essere ottimizzata.
• Bias nella Somministrazione: È emerso che le pazienti donne e i pazienti di razza bianca avevano una probabilità statisticamente maggiore di ricevere alcune domande SDOH rispetto ad altri gruppi demografici.
• Bias nel Rifiuto di Rispondere: I pazienti di etnia nativa americana o dell'Alaska e quelli di origine ispanica o latina erano meno propensi a rifiutarsi di rispondere alle domande rispetto ad altri gruppi, indicando una dinamica diversa di engagement o di percezione della privacy tra le diverse popolazioni.

4. Contributi Principali

Il paper offre un contributo metodologico fondamentale per le organizzazioni sanitarie:

• Framework di Valutazione: Dimostra metodi pratici e scalabili per analizzare i propri dati SDOH esistenti, permettendo di identificare sia la ridondanza che i bias sistematici.
• Ottimizzazione del Flusso di Lavoro Clinico: Fornisce la base empirica per ridurre il carico sui clinici eliminando le domande ridondanti, rendendo lo screening più efficiente.
• Equità nella Raccolta Dati: Offre strumenti per correggere i bias nella somministrazione e nell'analisi, promuovendo protocolli di screening più sistematici ed equi.

5. Significato e Implicazioni

Questo studio è significativo perché sposta il focus dalla semplice implementazione dello screening SDOH alla sua valutazione critica e ottimizzazione.

• Efficienza Operativa: Identificare e rimuovere la ridondanza (es. tra insicurezza alimentare e finanziaria) può ridurre il tempo dedicato allo screening in ambulatorio, migliorando l'esperienza del paziente e del fornitore di cure.
• Qualità dei Dati e Equità: Riconoscere i bias demografici è essenziale per garantire che i dati raccolti riflettano accuratamente i bisogni di tutte le popolazioni. Senza correzioni, i dati distorti potrebbero portare a interventi di salute pubblica inefficaci o a perpetuare disuguaglianze sanitarie.
• Scalabilità: Le metodologie proposte sono applicabili a qualsiasi grande organizzazione sanitaria che gestisce grandi volumi di dati EHR, offrendo un percorso verso una raccolta dati SDOH più intelligente, equa e basata sull'evidenza.