Codificación de la Equidad: Detección de Discrepancias de Codificación Relacionadas con Datos Demográficos en...

Área de la Ciencia:

• Informática Biomédica
• Inteligencia Artificial en la Atención Sanitaria
• Investigación sobre Equidad Sanitaria

Sus antecedentes:

• Los datos clínicos codificados, en particular los códigos de la Clasificación Internacional de Enfermedades (CIE), son vitales para la investigación biomédica, el ensamblaje de cohortes y la modelización de IA.
• La investigación existente reconoce errores de codificación en los registros médicos electrónicos, pero el impacto de los posibles sesgos en la equidad, especialmente en las aplicaciones de IA, está poco explorado.
• Garantizar la equidad en la investigación de IA es cada vez más importante, lo que requiere un examen de los sesgos dentro de los datos clínicos codificados utilizados para el desarrollo de modelos.

Objetivo del estudio:

• Evaluar la equidad de la codificación entre subgrupos demográficos dentro del Veterans Health Administration Clinical Data Warehouse.
• Evaluar posibles sesgos en los códigos de la Clasificación Internacional de Enfermedades (CIE) comparando fenotipos generados por IA con fenotipos basados en CIE.
• Identificar discrepancias relacionadas con datos demográficos en la codificación de datos clínicos.

Principales métodos:

• Se utilizó un modelo de fenotipificación de inteligencia artificial (IA) agnóstico en cuanto a raza y sexo.
• Se analizó la equidad de la codificación en 203 bloques de códigos ICD dentro del Veterans Health Administration Clinical Data Warehouse.
• Se compararon fenotipos generados por IA con fenotipos basados en ICD para identificar discrepancias.

Principales resultados:

• Se observó variabilidad en la consistencia de la codificación entre subgrupos demográficos, incluyendo sexo, raza y etnia.
• Más del 50% de los bloques de códigos ICD analizados mostraron diferencias estadísticamente significativas en las discrepancias entre los fenotipos generados por IA y los basados en ICD entre grupos demográficos.
• Estos hallazgos indican una presencia notable de disparidades de codificación relacionadas con datos demográficos.

Conclusiones:

• Existen discrepancias de codificación relacionadas con datos demográficos dentro de datos clínicos a gran escala.
• El estudio subraya la necesidad crítica de abordar estos sesgos para garantizar la equidad en la investigación de IA y la informática clínica.
• Reconocer y mitigar las disparidades de codificación es esencial para la utilización equitativa de los datos de atención médica.