Bir testi pozitif çıkması umuduyla istemezsiniz
Bir hekim troponin istediğinde “Bu hasta kalp krizi mi geçiriyor?” diye sormaz. “Bu sonucun gösterdiğine bakarak düşüncemi ne kadar güncellemeliyim?” diye sorar. Bunlar farklı sorulardır.
Test istenmeden önce hekimin zaten bir tahmini vardır. Sol kola yayılan göğüs ağrısı ve terlemesi olan 62 yaşındaki bir erkekte akut koroner sendrom için test öncesi olasılık yüksektir. Aynı şikâyetle, üç espresso içtikten sonra gelen 28 yaşındaki bir kadında ise düşüktür. Troponin sonucu bu iki hasta için farklı anlamlar taşır. Birinci hastada hafif yüksek bir troponin, hekimin zaten şüphelendiği şeyi doğrular. Aynı sonuç ikinci hastada büyük olasılıkla yalancı pozitiftir. Çünkü test kusursuz değildir ve kusurlu bir testi, muhtemelen o hastalığı taşımayan birine uyguladığınızda matematik aleyhinize işler.
Her testin bir duyarlılığı ve bir özgüllüğü vardır. Duyarlılık, hastalık gerçekten varken testin onu ne sıklıkla yakaladığını gösterir. Özgüllük, hastalığı olmayan birini testin ne sıklıkla doğru biçimde temize çıkardığını. Hiçbir test bu ikisinde %100’e ulaşmaz. Duyarlılığı %95 olan bir test, gerçek vakaların %5’ini yine de kaçırır. Özgüllüğü %90 olan bir test, sağlıklı insanların %10’unu yine de hasta diye işaretler. Bu sayılar testin özellikleridir, hastanın değil. Ve her sonucun bir belirsizlik taşıdığını gösterir: Bu belirsizlik size duyduğunuz güveni değiştirmeli, onun yerini almamalı.
Bayesçi akıl yürütme budur. Hasta hakkında zaten bildiklerinizle başlarsınız. Yeni bir bilgi gelir. Tahmininizi, o bilginin ne kadar güvenilir olduğuna göre güncellersiniz. Sonra aynısını bir sonraki bilgiyle tekrarlarsınız.
Klinik yapay zekânın çoğu tersini yapıyor
Sağlıktaki yapay zekâ sistemlerinin çoğu geriye doğru çalışır. Bir yığın bulguyu (vital bulgular, tahliller, tanılar, ilaçlar) alır ve eğitim verisinden öğrendiği örüntülerle geriye dönük olarak eşleştirir. Sistem 1,6’lık bir kreatinin, diyabet öyküsü ve ilaç listesinde bir ACE inhibitörü görür ve “muhtemel kronik böbrek hastalığı” der; çünkü bu özellikler, eğitildiği vakalarda sık sık bir arada görülmüştür.
Neyin eksik olduğunu düşünene kadar bu makul görünür. Sistem kreatininin yükselmekte mi yoksa sabit mi olduğunu bilmez. ACE inhibitörünün böbrek koruması için mi yoksa tansiyon için mi başlandığını bilmez. Hastanın kreatininin iki yıl önce 0,9 olduğunu ve o günden beri istikrarlı biçimde arttığını bilmez. İdrar albümin testinin bu popülasyonda %15 yalancı pozitiflik oranı olduğunu hesaba katmaz. Yalnızca bugünkü anlık görüntüyü geçmiş örüntülerle eşleştirir ve bir etiket yapıştırır.
Aynı hastaya bakan bir hekim ise ileriye doğru akıl yürütür. İşe hastanın yaşı, cinsiyeti ve risk faktörlerine göre kronik böbrek hastalığının önsel olasılığıyla başlar. Kreatinine göre bu olasılığı günceller, ama güncellemenin ağırlığını tek bir kreatinin ölçümüne ne kadar güvendiğine göre belirler. Yalnızca bugünkü değere değil, eğilime bakar. ACE inhibitörünü de hesaba katar, ama onu böbrek hastalığının kanıtı saymadan önce neden başlandığını sorar. Her kanıt olasılığı bir miktar oynatır ve her biri ne kadar güvenilir olduğuna göre tartılır.
Geriye dönük yaklaşım şunu sorar: Bu neye benziyor? İleriye dönük yaklaşım ise şunu: Şimdiye kadar bildiğimiz her şeyin ışığında bu yeni bilgi bize ne söylüyor ve ona ne kadar güvenmeliyiz?
Hastayı bütün olarak görmek ile yalnızca sonuçları görmek
Klinik eğitimde ilk öğrenilen şeylerden biri, tahlili değil hastayı tedavi ettiğinizdir. Hemolizli bir örnekte 5,8’lik bir potasyum hiçbir şey ifade etmez. Randevusuna koşarak yetişmiş bir hastada 160’lık tansiyon hipertansiyon değildir. Bir sonucun sinyal mi gürültü mü olduğunu bağlam belirler ve bağlam, hastayı bugünkü dosyada yazanların ötesinde tanımayı gerektirir.
Genel amaçlı bir yapay zekâ sonuçları işler. Sayıları, notları, kodlanmış tanıları okur ve metindeki örüntülere dayanarak bir çıktı üretir. Bu işte çok iyidir. Bir taburcu notunu hiçbir insanın yetişemeyeceği hızda özetleyebilir. Dağınık klinik metinden yapılandırılmış veri çıkarabilir. Ama dosyayı, ders kitabındaki bir vaka örneğini okur gibi okur. Her şey olup bittikten sonra.
Hastayı o an karşısında gören hekim ise başka bir şey yapar. Belirsizlik altında, zamanda ileriye doğru akıl yürütür; her yeni bilgi geldikçe değerlendirmesini günceller ve her bilgiyi ona ne kadar güvendiğine göre tartar. Düşük riskli bir hastada pozitif D-dimerin büyük olasılıkla yalancı pozitif olduğunu bilir. Normal bir akciğer grafisinin erken pnömoniyi dışlamadığını bilir. Test öncesi olasılığı aklında taşır ve her bulguyla onu ayarlar; hepsine eşit ağırlık vererek değil, her bulgunun tanısal değeriyle orantılı olarak.
Chroneme’i geliştirirken sistemin bir arama motoru gibi değil, o hekim gibi akıl yürütmesini istedik. Geriye değil, ileriye doğru. Olasılıkları her yeni kanıtla güncelleyerek ve her kanıtı gerçekte ne kadar güvenilir olduğuna göre tartarak.
Pratikte nasıl işliyor
Tip 2 diyabetli 58 yaşında bir erkek rutin tahliller için geliyor. Yaşına, cinsiyetine ve diyabet tanısına göre kronik böbrek hastalığı için başlangıç olasılığı belli bir düzeyde. Sıfır değil, çünkü diyabet kronik böbrek hastalığının önde gelen nedeni. Yüksek de değil, çünkü hastanın hiçbir belirtisi ve daha önceden bilinen bir böbrek bulgusu yok.
Kreatinini 1,2 geliyor. Teknik olarak referans aralığında, ama bir önceki sonucundan yüksek. Sistem olasılığı güncelliyor. Fazla değil, çünkü tek bir hafif yüksek kreatininin tanısal değeri sınırlı. Tek bir kreatinin ölçümünün kronik böbrek hastalığı için duyarlılığı ve özgüllüğü tek başına pek güçlü değil.
On ay sonra kreatinini 1,4, eGFR’si de 60’ın altına düşmüş. Bu kez güncelleme daha büyük, çünkü 60’ın altındaki bir eGFR’nin kronik böbrek hastalığı için tanısal değeri belirgin biçimde daha yüksek. Ama sistem, statik bir modelin göremeyeceği bir şeyi de görüyor: seyri. Kreatinin yalnızca yüksek değil. İleriye doğru uzatıldığında endişe verici bir aralığa girecek bir hızla yükseliyor.
Bir yıl sonra proteinüri ortaya çıkıyor. Olasılık artık harekete geçmeyi gerektirecek kadar yüksek. Ama klinik açıdan asıl önemli olan şu: Sistem bu hastayı proteinüri ortaya çıkmadan aylar önce işaretlemişti. Kesin bir yargıyla değil; dikkati hak edecek biçimde yükselen bir olasılıkla. Dosyayı inceleyen hekim her güncellemeyi, ona neyin yol açtığını görebiliyor ve katılıp katılmadığına karar verebiliyor. ACE inhibitörünün böbrek için değil tansiyon için başlandığını düşünüyorsa, kendi klinik muhakemesinde o etkene farklı bir ağırlık verebiliyor. Sistem akıl yürütmesini gösteriyor. Hekim de kendininkini uyguluyor.
Seyrin kendisi, herhangi bir tekil değerden bağımsız olarak bir kanıta dönüşür.
Bu, güven için neden önemli
Bir sinir ağı “%73 kronik böbrek hastalığı olasılığı” dediğinde, nedenini sormanın bir yolu yoktur. Bu sayı, klinik kavramlara karşılık gelmeyen milyonlarca parametreden doğar. Hekim ona bakıp “Kreatinin kısmına katılıyorum ama ilaç öyküsüne fazla ağırlık verdiğini düşünüyorum” diyemez. Ortada bir kreatinin kısmı yoktur. Bir ilaç kısmı da yoktur. Yalnızca bir sayı vardır.
Bayesçi bir sistem %73 dediğinde ise hekim nedenini sorabilir. Hangi kanıtın olasılığı ne kadar oynattığını görebilir. Belirli bir etkene itiraz edip kendi muhakemesini uygulayabilir. Klinik yapay zekânın bakımı gerçekten değiştirmesi bu diyalog sayesinde olur. Diyalog yoksa çıktı bir iddiadır. Varsa bir gerekçedir.
Sistemi gösterdiğimiz bir nefrolog bu noktayı çok net ortaya koydu. Bir hastanın kanıt zincirini inceledi ve çoğuna katıldığını, ama reçetenin yazıldığı bağlam sistemin varsaydığından farklı olduğu için bir etkene fazla ağırlık verildiğini söyledi. Haklıydı. Bu gözlemi yapabilmesi, o etkeni tek tek gösterebilmesi ve uzmanlığını devreye sokabilmesi, klinik karar desteğinin mümkün kılması gereken şeyin ta kendisi. Bir kara kutu ona aynı olasılığı verirdi, ama bu konuşmayı yapmanın hiçbir yolunu sunmazdı.
Açıkça kabul ettiğimiz sınırlılıklar
Bayesçi çıkarım, kanıtların, hastalık durumu bilindiğinde birbirinden koşullu olarak bağımsız olduğunu varsayar. Klinik tıpta çoğu zaman öyle değildir. Kronik böbrek hastalığı bağlamında kreatinin ve proteinüri birbiriyle ilişkilidir. Bu bilinen bir sınırlılık ve onu kusursuz biçimde çözmek alanda hâlâ açık bir problem.
Çıktının kalitesi, kanıt ağırlıklarının kalitesine bağlıdır. Bunların bir kısmı yayımlanmış literatürde sağlam biçimde yerleşmiştir. Diğerleri, doğrulama yoluyla incelttiğimiz yaklaşık değerlerdir. Kalibrasyon süren bir iş ve aksini iddia etmiyoruz.
Bayesçi çıkarım yapılandırılmış, sayıya dökülebilen kanıtlarla iyi başa çıkar: tahliller, vital bulgular, ilaçlar, kodlanmış tanılar. Yapılandırılmamış klinik notlar ve hastanın kendi ifade ettiği belirtilerle o kadar iyi başa çıkamaz. Farklı klinik veri türleri için farklı yaklaşımlar kullanıyor, aracı soruna göre seçiyoruz.
Bayesçi çıkarımı, hekimlerin zaten düşündüğü biçimi yansıttığı için seçtik. Sistem, iyi bir klinisyenin sezgiyle yaptığını biçimsel hale getiriyor; büyük ölçekte, her hasta için, kesintisiz. Hepsi bu. Sihir yok. Yalnızca klinik akıl yürütmenin ardındaki matematik, bu kez açıkça ortada.