[논문 리뷰] Understanding racial bias in health using the Medical Expenditure Panel Survey data

Moninder Singh, Karthikeyan Natesan Ramamurthy|arXiv (Cornell University)|2019. 11. 04.

Healthcare Policy and Management참고 문헌 12인용 수 5

한 줄 요약

이 연구는 국가적으로 대표성이 확보된 MEPS 의료자료에서 인종적 편향을 드러내며, 예측된 위험도가 유사한 상황에서 흑인 환자는 백인 환자보다 더 열 劣한 건강 지표를 보이고 있음을 밝혀냈다. 재균형 기반의 완화 기법을 통해 저자들은 예측된 고위험군에서의 표현 불균형과 건강 격차를 줄였으며, 단순한 공정성 기법이 의료비 예측 모델의 편향을 상당히 감소시킬 수 있음을 입증했다.

ABSTRACT

Over the years, several studies have demonstrated that there exist significant disparities in health indicators in the United States population across various groups. Healthcare expense is used as a proxy for health in algorithms that drive healthcare systems and this exacerbates the existing bias. In this work, we focus on the presence of racial bias in health indicators in the publicly available, and nationally representative Medical Expenditure Panel Survey (MEPS) data. We show that predictive models for care management trained using this data inherit this bias. Finally, we demonstrate that this inherited bias can be reduced significantly using simple mitigation techniques.

연구 동기 및 목표

• 공개된 국가 대표성 있는 MEPS 자료 내에서 건강 지표에 대한 인종 편향의 존재를 조사하는 것.
• MEPS 자료를 기반으로 학습된 예측 모델이 의료비 지출과 이용에 있어 인종적 격차를 어떻게 유산하고 증폭시키는지 분석하는 것.
• 간단한 편향 완화 기법이 의료 예측 모델 내 인종 편향을 줄이는 데 효과적인지 평가하는 것.
• 예측 모델의 편향을 줄임으로써 보건 관리의 위험도 분류가 더 공정해지는지를 입증하는 것.

제안 방법

• 연구는 2015–2016년(패널 20)과 2014–2015년(패널 19)의 2년간 종단적 MEPS 자료를 사용하며, 5라운드의 완전한 데이터를 가진 히스패닉계가 아닌 백인과 흑인 개인에 국한하여 분석을 수행한다.
• 의료비 지출, 응급실 이용, 입원 일수, 자가 보고한 건강 상태를 결과 지표로 분석하며, 만성질환은 우선 고려 대상 질환으로 간주한다.
• 1년차의 인구통계학적 및 건강 지표를 기반으로, 2년차에 고의료비 지출을 겪을 가능성이 높은 개인을 분류하는 예측 모델을 학습한다.
• 표본 가중치를 조정하여 예측된 고위험군에서 인종 간 통계적 불균형을 줄이는 재균형 기반 완화 기법을 사용해 모델을 재학습한다.
• 균형 정확도를 사용하여 성능을 평가하며, 예측된 고비용 그룹 내 백인과 흑인 개인 간 건강 결과를 비교한다.
• 편향 지표는 예측된 고비용 상위 디일(10분위)에서 인종 간 표현 비율과 질환 격차를 비교하여 계산한다.

실험 결과

연구 질문

• RQ1 예측된 의료비 지출이 유사한 상황에서, MEPS 자료에서 흑인과 백인 환자 간 건강 지표에 인종 편향이 존재하는가?
• RQ2 MEPS 자료를 기반으로 학습된 예측 모델이 의료 위험 예측에서 인종적 격차를 얼마나 상속하고 증폭시키는가?
• RQ3 간단한 편향 완화 기법이 고위험 환자 예측에서 표현 불균형과 건강 결과 격차를 모두 줄일 수 있는가?
• RQ4 재균형 처리 전후에 예측된 고비용 그룹 내 흑인과 백인 환자 간 응급실 이용, 입원 일수, 자가 평가 건강 상태 등의 건강 지표는 어떻게 비교되는가?

주요 결과

• 상위 비용 디일에서 흑인 개인의 11%가 고비용 지출을 예측한 반면, 백인은 9.9%였으며, 이는 고위험 예측에서 흑인 환자의 저항성(underrepresentation)을 시사한다.
• 낮은 예측 위험도에도 불구하고 고비용 그룹 내 흑인 환자는 백인 환자보다 유의미하게 열 劣한 건강 지표를 보였다: 평균 입원 일수는 흑인 2.33일, 백인 1.41일이며, 입원 이력이 있는 비율은 흑인 33.9%, 백인 21.9%였다.
• 재균형 기반 완화를 적용한 후, 테스트 세트에서 모델의 균형 정확도가 71% 이상으로 향상되었으며, 고위험 그룹 내 표현 불균형이 감소했다.
• 고위험 그룹 내 흑인과 백인 환자 간 건강 격차는 감소했다: 흑인 환자는 평균적으로 이전보다 덜 아프게 되었고, 백인 환자는 약간 더 아프게 되어 응급실 이용 및 입원 일수 격차가 좁혀졌다.
• 재균형 처리 후 예측된 고비용 그룹 내 우선 고려 질환 수는 두 인종 간 거의 동일했다(흑인 4.84, 백인 4.96), 건강 격차 감소를 시사한다.
• 의료비 지출을 건강 필요도의 대체 지표로 사용할 경우 인종 편향이 지속되며, 완화 기법을 통해 이러한 편향을 예측 모델에서 상당히 줄일 수 있음을 연구가 확인했다.