艾丽丝·亚当斯(Alyce Adams)博士对改善边缘社区人民健康状况的热情，是受到她在加利福尼亚州、俄克拉荷马州和阿肯色州目睹的患有慢性病的老年亲属所遭受的痛苦的启发。

亚当斯渴望了解为什么有医疗保险的成年人会有如此灾难性的健康后果，最终她去了哈佛大学，在那里她获得了健康政策博士学位。

此后，她在学术和研究机构工作了20年，开展研究，为解决和预防患有多种慢性疾病的人的次优治疗政策提供信息，特别是在少数族裔和低收入社区。

现在，亚当斯是斯坦福大学医学创新教授的首任教授，他是斯坦福医学院努力提高少数群体和服务不足社区的医疗保健质量和结果的领导者。

除了教学和指导，亚当斯还共同指导了斯坦福大学医学委员会正义与公平健康公平卓越工作组。她还是斯坦福癌症研究所癌症健康公平的副主任，以及卫生政策部门健康公平和社区参与的副主席。

斯坦福医学首席战略官兼高级副院长、正义与公平委员会成员普丽娅·辛格(Priya Singh)最近与亚当斯谈论了她在健康差距方面的发现，以及她在斯坦福医学及其他领域推动有意义的健康公平进步的愿景。

辛格:是什么激励你做今天的工作?

亚当斯:在成长过程中，我看到了糖尿病等慢性疾病对我自己家庭成员的毁灭性影响。更糟糕的是，我对接受这些结果感到困扰，比如反复截肢和失明，只是一个患有慢性疾病的黑人的后果。它激发了我对卫生政策及其改善卫生保健和解决这些差距的潜力的兴趣。

辛格:为什么慢性病不成比例地影响边缘化群体?我们能做些什么来提供帮助呢?

亚当斯:造成不平等的因素包括病人、人际关系、卫生系统、社区、社会和政策层面的因素。例如，让我们以药物依从性为例:历史上对黑人患者的种族不公正导致许多人不信任医生和他们开出的治疗方法。同样，医生对某个病人是否有能力支付新药的个人信念可能会影响处方。

“将受不良健康状况影响的社区的人纳入工作，可以提高工作质量，并有可能改善健康状况。”

Alyce Adams博士，斯坦福医学领袖和卫生公平政策专家

卫生系统也可能没有足够的口译人员来帮助英语不流利的人找到他们的护理选择。此外，在一些社区，住房和食物成本的上涨可能会阻止患者购买药物或坚持他们的治疗。

专注于单一的驱动因素，如获得高质量的医疗保健，不足以消除这些差距。我们还必须考虑更广泛的卫生和社会政策——这是我们在新的卫生政策部正在做的事情，我们在那里采取多学科方法来制定政策解决方案，以解决卫生不平等问题。

辛格:你能谈谈我们如何让更多得不到医疗服务的人参与医学研究吗?为什么这很重要?

亚当斯:有影响力的研究的核心是提出正确的问题并找到答案。为了产生最大的影响，与患者、社区和从业人员接触至关重要。

作为学者，我们擅长根据我们对世界的理论理解和现有证据来提出问题，以支持或反驳这些理论。

然而，有生活经验的人和致力于解决他们需求的从业者能够更好地帮助我们优先考虑具有最大潜在影响的研究问题。例如，社区合作伙伴可以识别可能导致癌症和其他疾病差异的环境因素。

通常情况下，被选为研究参与者或自愿加入研究团队的人并不是那些从研究中受益最多的人。

将受不利健康状况影响的社区的人纳入工作范围，可提高工作质量和改善健康的潜力。我们正在与社区护理提供者和倡导团体合作，教育社区有关临床试验的知识，并使患者更容易参与。

在另一项合作中，斯坦福癌症研究所的临床试验办公室和斯坦福医疗保健部门正在评估临床试验提案，着眼于多样性、公平性和包容性。例如，我们正在鼓励科学家考虑向患有一种以上疾病的人(通常被排除在外)开放试验，以增加种族和地域更多样化的患者的参与。

辛格:你谈到了“获得积极健康结果的平等机会”的必要性。你能详细说明这个概念并解释我们如何实现它吗?

亚当斯:最需要帮助的人往往是最后从医疗改革中受益的人。因此，除了改善获得高质量护理的机会外，我们还需要确定卫生系统内外的战略，以加速让最脆弱的患者受益于治疗创新。

实现这一目标的关键是在研究人员、患者、社区、从业人员和政策制定者之间建立伙伴关系，以创建处于创新前沿的公平干预措施。

例如，我们的研究实验室正在与癌症患者、幸存者和临床医生合作，开发和评估一种算法，以确定哪些患者有化疗诱发神经病的风险。我们还与这些团体合作，以了解患者对平衡化疗风险和收益的看法。

“同样地，我们必须接受我们的假设是错误的可能性，我们必须接受我们的方法可能有缺陷的地方。”

Alyce亚当斯

辛格:你提到了在癌症治疗中使用算法。人工智能等新技术还能如何帮助解决健康差距问题?

Adams:卫生政策部门和其他部门的杰出学者已经正确地注意到算法在临床护理和结果中产生或加剧偏见的潜力。

至少，生物医学伦理学应该应用于这些算法的开发、部署和改编，以减少潜在的伤害，并使潜在的利益最大化。

为此，我们可以确保用于训练算法的数据代表那些受算法影响的人，让社区和临床医生合作伙伴参与算法实施和监测工作流程的开发，并使用人工智能来增强而不是取代患者和提供者的自主决策。

我们也在关注这些算法如何为更公平的医疗保健实践的发展提供信息。例如，我们与Kaiser Permanente、哈佛大学和东北大学的同事合作，使用因果推断和机器学习来模拟随机对照试验，以确定可能解决由于成本原因而导致临床有效药物使用不足的干预组合。

辛格:你认为哪些方面取得了最大的进展?是什么给了你希望?

Adams:我对目前对卫生不平等的结构性和系统性驱动因素的关注以及改进研究实践的努力感到鼓舞。作为科学家，我们必须愿意用批判的眼光审视自己的工作，改变我们的方法，承认和解决以前未承认的偏见。例如，一些期刊要求机器学习算法的出版物包括对少数子群体的潜在偏见的讨论。

以同样的方式，我们必须接受我们的假设是错误的可能性，我们必须接受我们的方法可能是有缺陷的。这种自省的意愿和对未来的好奇是我们所做的事情的核心。

注：本文由院校官方新闻直译，仅供参考，不代表指南者留学态度观点。