Durante mucho tiempo, los diagnósticos médicos se han visto teñidos por sesgos raciales, afectando drásticamente la precisión de diversos análisis y resultados clínicos. Este problema es especialmente prevalente en el diagnóstico de enfermedades renales y pulmonares, donde algoritmos ajustados por raza han conducido a disparidades significativas en los tratamientos recibidos por pacientes de distintas etnias.
Un ejemplo prominente es la ecuación para calcular la tasa de filtración glomerular estimada (eGFR), utilizada para evaluar la función renal. Históricamente, se ha ajustado este cálculo con un factor multiplicador para los pacientes de raza negra, basándose en la suposición de que poseían mayor masa muscular y, por consiguiente, niveles más altos de creatinina. Sin embargo, este ajuste disminuyó las oportunidades de los pacientes negros para recibir trasplantes de riñón y terapias adecuadas.
Poco después de eventos de justicia racial en EE.UU. en 2020, instituciones como el Beth Israel Deaconess Medical Center eliminaron este factor racial, marcando el comienzo de un cambio crucial en el ámbito médico. También se formó un grupo de trabajo por la National Kidney Foundation y la American Society of Nephrology para avanzar en esta área, culminando en la adopción de una ecuación que elimina la raza como variable.
Simultáneamente, el modelo de espirometría, crucial para evaluar función pulmonar, enfrentó dilemas similares, al utilizar ajustes raciales basados en datos arcaicos. Investigaciones recientes han demostrado que estas diferencias en capacidad pulmonar, asignadas por raza, son más bien el resultado de condiciones sociales y ambientales. A raíz de ello, en 2023, se introdujo una nueva ecuación sin diferenciaciones raciales, respaldada por organizaciones como la American Thoracic Society.
Aunque las soluciones avanzan, estas revisiones fundamentales en modelos matemáticos han mostrado cómo los sesgos raciales han permeado incluso en dispositivos como los oxímetros de pulso. Durante la pandemia de COVID-19, estos dispositivos, que pueden ofrecer lecturas inexactas en personas con piel más oscura, fueron esenciales para determinar necesidades de oxígeno en pacientes hospitalizados. El descubrimiento de que estos sesgos afectaban la atención recibida subraya la necesidad de una crítica reconsideración de las herramientas clínicas utilizadas actualmente.
A medida que los ajustes y nuevas ecuaciones se implementan, varios desafíos emergen. Las universidades y centros médicos continúan evaluando el conocimiento algorítmico y cómo las innovaciones pueden corregir estas inequidades, resaltando la urgencia de seguir perfeccionando modelos para garantizar diagnósticos más justos e integrales. De cara al futuro, los avances en machine learning podrían ofrecer nuevas formas de mitigar las disparidades raciales, garantizando que el camino hacia una atención médica equitativa esté más despejado que nunca.