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

Uno studio retrospettivo sul dataset CARDIA rivela che, sebbene i modelli di rischio cardiovascolare privi di dati razziali migliorino le metriche di parità, possono generare danni clinici concentrati tra i pazienti neri, evidenziando la necessità di valutazioni empiriche complete prima di adottare tali strumenti nei sistemi sanitari.

L'essenziale

Immagina di dover decidere chi deve indossare un giubbotto antiproiettile (il trattamento preventivo, come le statine) prima di entrare in una zona pericolosa (il rischio di malattie cardiache). Il problema è che non sappiamo chi verrà colpito davvero, quindi dobbiamo usare una sfera di cristallo (un algoritmo di previsione) per stimare il rischio.

Per decenni, questa sfera di cristallo ha usato una regola semplice: "Se sei di una certa etnia (Nero), aumentiamo leggermente la probabilità che tu venga colpito, perché statisticamente lo è stato di più in passato."

Ora, però, c'è un grande dibattito medico ed etico: "Usare l'etnia come predittore è giusto? Non è discriminatorio?"
La risposta comune è: "Togliamo l'etnia dalla sfera di cristallo!"

Ma questo studio si chiede: "Se togliamo l'etnia, cosa succede davvero alle persone? Chi guadagna e chi perde?"

I Tre Tipi di Sfera di Cristallo

Gli autori hanno costruito tre diverse "sferette" per vedere quale funziona meglio:

1. La Sfera "Vecchio Stile" (Modello 1): Usa i dati clinici (pressione, colesterolo, ecc.) PIÙ l'etnia.
2. La Sfera "Sostituta" (Modello 2): Usa i dati clinici PIÙ i "Determinanti Sociali della Salute" (SDoH). Invece di dire "Sei Nero", dice "Hai problemi di soldi, vivi in una casa precaria, hai subito discriminazioni?". Sostituisce l'etnia con le condizioni di vita.
3. La Sfera "Pura" (Modello 3): Usa SOLO i dati clinici. Niente etnia, niente condizioni sociali. Solo il corpo e i numeri.

Cosa hanno scoperto? (La parte interessante)

Se guardiamo solo il punteggio totale di precisione (la "sfera" indovina bene il futuro?), tutte e tre funzionano quasi allo stesso modo. Sembra che non faccia differenza quale scegliamo.

MA, se guardiamo più da vicino chi indossa il giubbotto e chi no, la storia cambia completamente. È come se tre mappe diverse portassero allo stesso punto di arrivo, ma facessero passare per strade molto diverse.

1. Cosa succede se usiamo le "Condizioni Sociali" (Modello 2)?

Immagina di sostituire la parola "Etnia" con "Difficoltà economiche".

• Il risultato: La sfera diventa molto generosa. Indossa il giubbotto a tutti quelli che hanno difficoltà economiche.
• Il problema: Indossa il giubbotto anche a molte persone che in realtà non ne avevano bisogno (sovratrattamento).
• L'effetto sui pazienti Neri: Poiché la comunità nera ha storicamente più difficoltà economiche, questa sfera dà il giubbotto a molti più pazienti neri. È un "vantaggio" nel senso che nessuno viene lasciato scoperto, ma è un "svantaggio" perché molte persone si prendono medicine inutili, con costi e effetti collaterali. È come dare un ombrello a tutta la città perché c'è una nuvola, ma poi piove solo su un quartiere: tutti si bagnano per nulla.

2. Cosa succede se togliamo tutto (Modello 3)?

Immagina di dire: "Non guardiamo né l'etnia, né i soldi, guardiamo solo il cuore".

• Il risultato: La sfera diventa molto severa. Indossa il giubbotto solo a chi ha il cuore che batte davvero male.
• Il problema: Qui succede qualcosa di tragico. La sfera non vede il rischio nascosto dietro le difficoltà sociali.
• L'effetto sui pazienti Neri: Quattro pazienti neri che avrebbero dovuto prendere il giubbotto (e che poi si sono ammalati) non l'hanno ricevuto. La sfera ha detto: "Il tuo cuore sembra ok", ignorando che la loro vita difficile stava logorando il loro corpo in modo che i numeri clinici non mostravano ancora.
• La metafora: È come se un ispettore di sicurezza controllasse solo il casco di un operaio, ignorando che l'operaio lavora su un ponte di legno marcio. Il casco è perfetto, ma l'operaio cadrà comunque.

La lezione fondamentale: Non esiste la "Soluzione Perfetta"

Lo studio ci insegna una cosa molto importante: Non puoi guardare solo il punteggio totale.

• Se guardi solo la "precisione", tutte le sfere sembrano uguali.
• Se guardi solo l'"equità statistica" (cioè se i numeri sono uguali per tutti), togliere l'etnia sembra la scelta migliore.
• MA, se guardi la realtà clinica (chi si ammala davvero e chi prende medicine inutili), scopri che ogni scelta ha un prezzo:
  • Tenere l'etnia: Rischio di discriminazione, ma salva più vite.
  • Sostituire con i fattori sociali: Aiuta a vedere le disuguaglianze, ma dà troppi farmaci a troppa gente.
  • Togliere tutto: Sembra "neutro", ma lascia indietro le persone più vulnerabili che non hanno ancora i sintomi evidenti.

In sintesi

Gli autori dicono: "Non possiamo semplicemente cancellare la parola 'razza' dai computer sperando che tutto vada bene".
La rimozione della razza è un'idea nobile, ma la realtà è complessa. Se togliamo l'etnia senza capire come le condizioni sociali influenzano il rischio, rischiamo di fare danni reali: o dando medicine a chi non le serve, o non dandole a chi le servirebbe disperatamente.

Prima di cambiare le regole, dobbiamo guardare non solo i numeri sulla carta, ma chi viene salvato e chi viene lasciato indietro nella vita reale. È come cambiare le regole di un gioco: non basta che il punteggio finale sia uguale, bisogna assicurarsi che nessuno venga ferito durante la partita.

Sommario tecnico

Titolo dello Studio

Trade-off nella previsione del rischio cardiovascolare utilizzando la razza e i determinanti sociali della salute (SDoH)

1. Il Problema e il Contesto

Il sistema sanitario statunitense sta migrando verso strumenti di previsione del rischio cardiovascolare "neutrali rispetto alla razza", motivati dalla preoccupazione che l'inclusione della razza possa rafforzare le disuguaglianze e normalizzare decisioni cliniche basate su categorie razziali. Tuttavia, non è chiaro come queste scelte ridistribuiscono i trattamenti preventivi, specialmente per le persone di colore che già subiscono un carico cardiovascolare sproporzionato.
L'alternativa proposta è spesso sostituire la razza con i Determinanti Sociali della Salute (SDoH) (es. reddito, istruzione, discriminazione), che dovrebbero catturare più direttamente le condizioni strutturali alla base delle disparità. Lo studio si pone l'obiettivo di valutare empiricamente le conseguenze di tre approcci:

1. Includere la razza.
2. Sostituire la razza con SDoH dettagliati.
3. Escludere sia la razza che gli SDoH (modello puramente clinico).

2. Metodologia

• Disegno dello Studio: Studio di coorte retrospettivo con convalida incrociata ripetuta e valutazione integrata focalizzata sulle decisioni cliniche.
• Dati: Utilizzo dei dati dello studio CARDIA (Coronary Artery Risk Development in Young Adults).
  • Campionamento: 3.241 adulti (46% neri, 54% bianchi) senza malattia cardiovascolare nota alla baseline (anno 2010, Year 25).
  • Follow-up: 10 anni (fino al 2021, Year 35).
  • Esito Primario: Incidenza di malattia cardiovascolare (CVD) (infarto, ictus, insufficienza cardiaca, rivascolarizzazione).
• Modelli Confrontati:
  • Modello 1: Predittori clinici + Razza.
  • Modello 2: Predittori clinici + SDoH (sostituzione della razza).
  • Modello 3: Predittori clinici solo (esclusione di razza e SDoH).
• Analisi Statistica:
  • Regressione logistica regolarizzata LASSO con convalida incrociata a 10-fold.
  • Valutazione delle prestazioni (AUC, calibrazione).
  • Metriche di equità di gruppo (7 metriche diverse, es. disparità demografica, pari opportunità).
  • Framework di Utilità: Valutazione dell'utilità realizzata (non attesa) al limite decisionale clinico del 7,5% (soglia ACC/AHA per la terapia con statine), quantificando sovratrattamento e sottotrattamento.

3. Risultati Chiave

Prestazioni Predittive Globali

• Le prestazioni complessive erano simili tra i modelli (AUC da 0,762 a 0,768), senza differenze statisticamente significative.
• Tuttavia, la scelta dei predittori ha ridisegnato sostanzialmente le decisioni cliniche vicino alla soglia di trattamento.

Impatto per Gruppo Razziale e Calibrazione

• Modello 2 (SDoH al posto della Razza):
  • Ha migliorato le metriche di parità rispetto al Modello 1.
  • Ha prodotto una sottostima sistematica del rischio assoluto (mancata calibrazione).
  • Ha concentrato il sovratrattamento (trattamento di pazienti che non svilupperanno CVD) prevalentemente tra i partecipanti neri.
• Modello 3 (Solo Clinico):
  • Ha migliorato ulteriormente le metriche di parità, ma ha generato un nuovo sottotrattamento tra i partecipanti neri.
  • Risultato critico: Questo modello ha portato a 4 nuovi casi di CVD non trattati tra i partecipanti neri, senza ridurre il sottotrattamento in altri gruppi.
• Modello 1 (Con Razza): Ha mantenuto la sensibilità più alta per identificare i pazienti neri ad alto rischio, sebbene con un tasso di falsi positivi leggermente superiore rispetto al modello solo clinico.

Metriche di Equità e Utilità

• Le metriche di parità (es. disparità demografica) sono migliorate rimuovendo o sostituendo la razza, ma questo miglioramento è stato in parte "meccanico": escludere la razza costringe il modello a non stratificare per gruppo, restringendo artificialmente il divario senza necessariamente migliorare l'equità reale delle prestazioni.
• L'analisi di utilità ha rivelato che le differenze medie nella popolazione nascondevano conseguenze concentrate e dannose per i sottogruppi neri, invisibili nelle metriche aggregate.

4. Contributi Principali

1. Valutazione Olistica: Lo studio dimostra che nessuna singola dimensione valutativa (prestazione, calibrazione, equità o utilità) cattura l'intero impatto delle scelte di progettazione del modello. È necessaria un'integrazione di tutte queste dimensioni.
2. Limiti della Sostituzione SDoH: Anche con dati SDoH ricchi e longitudinali (come quelli di CARDIA), la sostituzione della razza non ha recuperato pienamente la sensibilità nell'identificazione dei pazienti neri ad alto rischio, suggerendo che la razza cattura aspetti di svantaggio strutturale cumulativo che gli SDoH misurati non riescono a replicare completamente.
3. Conseguenze Cliniche Reali: Il passaggio a modelli neutrali o basati sugli SDoH non è neutro; redistribuisce attivamente benefici e danni clinici, spesso spostando il rischio di sottotrattamento verso le popolazioni già vulnerabili.

5. Significato e Conclusioni

Lo studio mette in discussione la premessa che la rimozione della razza dai modelli predittivi sia intrinsecamente più equa o sicura. Sebbene le metriche di parità migliorino, ciò può avvenire a scapito della capacità di identificare correttamente i pazienti ad alto rischio (sensibilità), portando a danni clinici reali (mancato trattamento di malattie future).

Implicazioni:

• Le decisioni di adottare strumenti di previsione "neutrali rispetto alla razza" non dovrebbero basarsi esclusivamente su argomentazioni concettuali o sulla sola calibrazione.
• È necessaria una valutazione empirica completa che includa l'utilità clinica realizzata e l'impatto sui sottogruppi specifici prima che i sistemi sanitari implementino tali modelli.
• I clinici e i decisori devono essere consapevoli che ogni scelta di progettazione comporta un trade-off specifico: l'inclusione della razza può migliorare l'identificazione del rischio nei gruppi svantaggiati ma solleva preoccupazioni etiche, mentre la sua rimozione o sostituzione può migliorare le metriche di parità ma aumentare il rischio di sottotrattamento per le stesse popolazioni.