Man bestiller ikke en prøve i håb om, at den er positiv
Når en læge bestiller en troponin, spørger hun ikke »har patienten en blodprop i hjertet?«. Hun spørger »hvor meget bør dette svar ændre min vurdering?«. Det er to forskellige spørgsmål.
Før prøven overhovedet er bestilt, har hun allerede et skøn. En 62-årig mand med brystsmerter, der stråler ud i venstre arm, og koldsved har en høj prætestsandsynlighed for akut koronarsyndrom. En 28-årig kvinde med samme hovedklage efter tre espressoer har en lav. Troponinsvaret betyder noget forskelligt for de to. En let forhøjet troponin hos den første bekræfter det, lægen allerede havde mistanke om. Det samme svar hos den anden er mere sandsynligt falsk positivt. Prøven er ikke perfekt, og når man bruger en uperfekt prøve på en person, der sandsynligvis ikke har sygdommen, arbejder matematikken imod en.
Enhver prøve har en sensitivitet og en specificitet. Sensitiviteten fortæller, hvor ofte prøven fanger sygdommen, når den faktisk er til stede. Specificiteten fortæller, hvor ofte den med rette frikender en person, der ikke har den. Ingen prøve rammer 100 % på nogen af delene. En prøve med 95 % sensitivitet overser stadig 5 % af de reelle tilfælde. En prøve med 90 % specificitet giver stadig falsk alarm hos 10 % af de raske. Tallene er egenskaber ved prøven, ikke ved patienten. Og de betyder, at ethvert svar rummer en usikkerhed, der skal flytte ens sikkerhed, ikke erstatte den.
Det er det, bayesiansk ræsonnement går ud på. Man begynder med det, man allerede ved om patienten. Man får en ny oplysning. Man justerer sit skøn efter, hvor pålidelig oplysningen er. Og så gør man det igen med den næste.
Det meste kliniske AI gør det modsatte
De fleste AI-systemer i sundhedsvæsenet arbejder baglæns. De tager en samling fund (vitalparametre, blodprøver, diagnoser, medicin) og holder dem bagudrettet op mod mønstre, de har lært af træningsdata. Systemet ser en kreatinin på 1,6, diabetes i anamnesen og en ACE-hæmmer på medicinlisten og svarer »sandsynlig kronisk nyresygdom«, fordi den kombination optrådte hyppigt i de tilfælde, det blev trænet på.
Det lyder fornuftigt, indtil man tænker over, hvad der mangler. Systemet ved ikke, om kreatinin er stigende eller stabil. Det ved ikke, om ACE-hæmmeren blev ordineret for at beskytte nyrerne eller for blodtrykkets skyld. Det ved ikke, at patientens kreatinin var 0,9 for to år siden og er steget støt siden. Det tager ikke højde for, at albuminmålingen i urinen giver 15 % falsk positive svar i netop denne population. Det holder bare det aktuelle øjebliksbillede op mod historiske mønstre og sætter en etiket på.
En læge, der så på den samme patient, ville ræsonnere fremad. Hun ville tage udgangspunkt i prætestsandsynligheden for kronisk nyresygdom ud fra patientens alder, køn og risikofaktorer. Hun ville justere den efter kreatinin, men vægte justeringen efter, hvor meget hun stoler på en enkelt kreatininmåling. Hun ville se på udviklingen og ikke kun på dagens tal. Hun ville tage ACE-hæmmeren med i overvejelserne, men spørge, hvorfor den blev ordineret, før hun regnede den som tegn på nyresygdom. Hver oplysning flytter sandsynligheden, og hver oplysning vægtes efter, hvor pålidelig den er.
Den bagudrettede tilgang spørger: Hvad ligner det her? Den fremadrettede spørger: Givet alt, hvad vi ved indtil nu, hvad fortæller den nye oplysning os, og hvor meget skal vi stole på den?
At se hele patienten eller kun prøvesvarene
Noget af det første, man lærer i den kliniske uddannelse, er, at man behandler patienten og ikke blodprøven. Et kalium på 5,8 i en hæmolyseret prøve betyder ingenting. Et blodtryk på 160 hos en patient, der lige har løbet for at nå sin tid, er ikke hypertension. Sammenhængen afgør, om et svar er signal eller støj, og sammenhængen kræver, at man kender patienten ud over det, der står i dagens journal.
Et generelt AI-system behandler resultater. Det læser tal, notater og kodede diagnoser og giver et svar ud fra mønstre i teksten. Det er det rigtig godt til. Det kan opsummere et udskrivningsnotat hurtigere end noget menneske og trække strukturerede data ud af rodet klinisk tekst. Men det læser journalen, som man læser en case i en lærebog. Bagefter.
En læge, der ser en patient her og nu, gør noget andet. Hun ræsonnerer under usikkerhed, fremad i tid, justerer sin vurdering efterhånden som nye oplysninger kommer ind, og vægter hver af dem efter, hvor meget hun stoler på den. Hun ved, at en positiv D-dimer hos en lavrisikopatient formentlig er falsk positiv. Hun ved, at et normalt thoraxrøntgen ikke udelukker en begyndende pneumoni. Hun bærer prætestsandsynligheden i hovedet og justerer den for hvert fund, ikke ligeligt, men i forhold til fundets diagnostiske værdi.
Da vi byggede Chroneme, ville vi have systemet til at ræsonnere, som hun gør, og ikke som en søgemaskine. Fremad, ikke bagud. Med sandsynligheder, der justeres for hver ny oplysning og vægtes efter, hvor pålidelig oplysningen faktisk er.
Sådan virker det i praksis
En 58-årig mand med type 2-diabetes kommer til rutineblodprøver. Hans udgangssandsynlighed for kronisk nyresygdom, ud fra alder, køn og diabetesdiagnosen, starter på et vist niveau. Ikke nul, for diabetes er den hyppigste årsag til kronisk nyresygdom. Heller ikke højt, for han har ingen symptomer og ingen tidligere nyrefund.
Hans kreatinin er 1,2. Teknisk set inden for normalområdet, men højere end ved sidste måling. Systemet justerer, men kun lidt, for én let forhøjet kreatinin har beskeden diagnostisk værdi. Sensitivitet og specificitet for en enkelt kreatininmåling er ikke særlig stærke i sig selv.
Ti måneder senere er kreatinin 1,4, og eGFR er faldet under 60. Nu er justeringen større, for en eGFR under 60 har væsentligt højere diagnostisk værdi for kronisk nyresygdom. Men systemet ser også noget, en statisk model ikke kan: forløbet. Kreatininen er ikke bare forhøjet. Den stiger med en hast, der, hvis den fortsætter, fører ind i et bekymrende område.
Et år senere viser der sig proteinuri. Nu er sandsynligheden høj nok til at handle. Men her er det, der betyder noget klinisk: Systemet havde udpeget patienten måneder før proteinurien dukkede op. Ikke med sikkerhed, men med en sandsynlighed, der steg på en måde, som fortjente opmærksomhed. Lægen, der gennemgår journalen, kan se hver justering, se hvad der drev den, og afgøre, om hun er enig. Mener hun, at ACE-hæmmeren blev ordineret for blodtrykket og ikke for nyrerne, kan hun vægte den faktor anderledes i sin kliniske vurdering. Systemet viser sit ræsonnement. Hun bruger sit eget.
Selve forløbet bliver til evidens, uafhængigt af ethvert enkelt tal.
Derfor betyder det noget for tilliden
Når et neuralt netværk siger »73 % risiko for kronisk nyresygdom«, kan man ikke spørge hvorfor. Tallet opstår ud af millioner af parametre, som ikke svarer til kliniske begreber. En læge kan ikke se på det og sige: »Jeg er enig i delen om kreatinin, men jeg synes, du lægger for meget vægt på medicinanamnesen.« Der er ingen kreatinin-del. Der er ingen medicin-del. Der er bare et tal.
Når et bayesiansk system siger 73 %, kan lægen spørge hvorfor. Hun kan se, hvilke oplysninger der flyttede sandsynligheden, og hvor meget. Hun kan være uenig i en bestemt faktor og bruge sin egen dømmekraft. Det er gennem den samtale, klinisk AI faktisk ændrer behandlingen. Uden den er svaret en påstand. Med den er svaret et argument.
En nefrolog, vi viste systemet, illustrerede netop den pointe klart. Han gennemgik evidenskæden for en patient og sagde, at han var enig i det meste, men at én faktor blev vægtet for tungt, fordi ordinationen var sket i en anden sammenhæng, end systemet antog. Han havde ret. Og at han kunne gøre den iagttagelse, pege på den konkrete faktor og bringe sin ekspertise i spil, er præcis, hvad klinisk beslutningsstøtte bør gøre mulig. En sort boks ville have givet ham den samme sandsynlighed og ingen mulighed for at tage den samtale.
De begrænsninger, vi er ærlige om
Bayesiansk inferens forudsætter, at de enkelte oplysninger er betinget uafhængige givet sygdommen. I klinisk medicin er de det ofte ikke. Ved kronisk nyresygdom hænger kreatinin og proteinuri sammen. Det er en kendt begrænsning, og at løse den fuldstændigt er et åbent problem i feltet.
Kvaliteten af svaret afhænger af kvaliteten af evidensvægtene. Nogle er veletablerede i den publicerede litteratur. Andre er tilnærmelser, som vi forfiner gennem validering. Kalibreringen er stadig i gang, og vi lader ikke som om andet.
Bayesiansk inferens håndterer struktureret, målbar evidens godt: blodprøver, vitalparametre, medicin og kodede diagnoser. Den håndterer ustrukturerede journalnotater og patientens egne beskrivelser af symptomer mindre godt. Vi bruger forskellige metoder til forskellige typer kliniske data og vælger værktøjet efter problemet.
Vi valgte bayesiansk inferens, fordi den afspejler, hvordan læger allerede tænker. Systemet formaliserer det, en god kliniker gør intuitivt, og gør det i stor skala, for hver eneste patient, hele tiden. Det er det hele. Ingen magi. Bare matematikken bag klinisk ræsonnement, gjort eksplicit.