Przyczynowa sprawiedliwość
Hubert Drążkowski
Coraz więcej decyzji podejmujemy w oparciu o dane, a coraz mniej „na oko” i nagą intuicję. Dane pozwalają naszą intuicję zakotwiczyć w rzeczywistości (jeżeli odpowiadają na pytania, które zadajemy). Co więcej, coraz więcej decyzji podejmowanych jest automatycznie przez algorytmy. Na przykład, w Chinach dla pewnej kategorii spraw dostępny jest już automatyczny sędzia i cieszy się pozytywną opinią (98% spraw bez odwołań). Automatyzowanie żmudnych decyzji pozwala ludziom zająć się wyższymi celami. Taka trajektoria technologiczna dostarcza nam wiele szans, ale także stawia przed nami wiele wyzwań. Jednym z szanso-wyzwań jest zapewnienie, żeby decyzje podejmowane w oparciu o dane były sprawiedliwe. Najnowszym rozwiązaniem jest budowanie miary sprawiedliwości biorącej pod uwagę mechanizm przyczynowo-skutkowy, aby wznieść się ponad problemy związane ze zbieraniem danych i pozorne korelacje weń zawarte.
W artykule z 2025 roku Drago Plecko (Columbia) i współautorzy zastosowali Standardowy Model Sprawiedliwości do problemu zapewnienia „równości zdrowia” – stanu, w którym wszyscy mają taką sama szansę na osiągnięcie najwyższego możliwego zdrowia. W oparciu o ponad milion przyjęć na do szpitala na intensywną terapię w Australii i Stanach Zjednoczonych zbadali, czy proces ten jest obarczony nierównościami etnicznymi.
Na pierwszy rzut oka pacjenci mniejszościowi w Australii byli bardziej narażeni na śmierć po przyjęciu na OIOM (-0.4%), podczas gdy dane z USA wskazują na odwrotną sytuację (0.8%). Powyższe wartości można zdekomponować na trzy kanały:
- Efekt mylący: rasa/pochodzenie etniczne może być powiązane z wiekiem, płcią lub statusem społeczno-ekonomicznym, co może równocześnie wpływać na ryzyko śmiertelności – być ich wspólną przyczyną,
- Efekt pośredni: rasa/pochodzenie etniczne może wpływać na przewlekły stan zdrowia, diagnozę przy przyjęciu i nasilenie choroby, co ma wpływ na ryzyko śmiertelności,
- Efekt bezpośredni: rasa/pochodzenie etniczne może wpływać na ryzyko śmiertelności, przy zachowaniu równości wszystkich innych zmiennych.
Mówiąc o sprawiedliwości, chcielibyśmy, by efekt bezpośredni był równy 0. Został stworzony model, w którym zebrane dane dzieli się na etniczne pochodzenie – przyczynę, zmienne mylące/wspólne przyczyny, zmienne pośrednie i efekt – śmiertelność.
Po zdekomponowaniu śmiertelności przy użyciu modelu otrzymano, że „efekt = mylący+pośredni+bezpośredni”, to dla Australii -0.4% = 1.8%+ (-2.7%) + 0.5%, a USA 0.8% = 1.1%+(-1.3%)+1%. Po pierwsze, wzdłuż powiązanej ścieżki przyczynowej, istnieje efekt ochronny dla pacjentów mniejszościowych, przekazywany przez zmienne takie jak wiek, płeć lub status ekonomiczny (1,8% i 1,1%). Po drugie, wzdłuż pośredniej ścieżki przyczynowej występuje szkodliwy wpływ na pacjentów z mniejszości (2,7% i 1,3%). Zmienne, które przenoszą efekt pośredni, obejmują przewlekły stan zdrowia, diagnozę przy przyjęciu i stopień nasilenia choroby. Po trzecie, wzdłuż bezpośredniej ścieżki przyczynowej, istnieje ochronny efekt przynależności do grupy mniejszościowej (1% i 0.5%). Innymi słowy, w przypadku dwóch osób o porównywalnych cechach (wiek, przewlekły stan zdrowia, nasilenie choroby, diagnoza przy przyjęciu), które różnią się pod względem pochodzenia etnicznego, prawdopodobieństwo przeżycia po przyjęciu na OIOM jest większe w przypadku osoby należącej do grupy mniejszościowej.
Autorzy znaleźli kilka ciekawych wyjaśnień powyższego.
- Pacjenci z mniejszości byli przyjmowani średnio w młodszym wieku, co zmniejszało ich śmiertelność.
- Pacjenci z mniejszości mieli gorszy przewlekły stan zdrowia i częściej byli przyjmowani z przyczyn medycznych, co zwiększało ryzyko śmiertelności.
- Istniał bezpośredni efekt ochronny dla pacjentów z mniejszości, wskazujący na spadek śmiertelności w porównaniu z grupą większościową, porównując dwie takie same osoby (wszystkie inne zmienne równe). Ostatni, ochronny efekt bezpośredni można wyjaśnić mechanizmem przyczynowym, w którym pacjenci z mniejszości, ze względu na gorszy dostęp do podstawowej opieki zdrowotnej, częściej trafiają na OIOM z powodu mniej poważnych i możliwych do uniknięcia schorzeń, co następnie fałszywie zmniejsza ryzyko śmiertelności.
- Pacjenci mniejszościowi, choć wykazują lepsze przeżycie, są w rzeczywistości bardziej narażeni na ponowną hospitalizację na oddziale intensywnej terapii.
Odkrycia te odsłaniają, że ze względu na gorszy dostęp do podstawowej opieki zdrowotnej, pacjenci mniejszościowi częściej trafiają na OIOM z powodu schorzeń, którym można zapobiec, co powoduje zmniejszenie śmiertelności i wywołuje efekt, który wydaje się ochronny.
Sprawiedliwość jest ważna, nikogo przekonywać do tego nie trzeba. Natomiast nie jest oczywistym, co jest naprawdę sprawiedliwe, a co nam się tylko pozornie wydaje, patrząc na surowe dane. Dzięki Standardowemu Modelowi Sprawiedliwości opartemu o przyczynowość, a nie przypadek i zrządzenie losu, można efekt sprawiedliwie zdekomponować na część mylącą, pośrednią i bezpośrednią.