Доказательная медицина (англ. evidence-based medicine) предполагает выбор наилучших подходов к терапии и профилактике заболеваний на основании результатов крупномасштабных клинических исследований и их мета-анализов. Будучи действительно важным направлением современной медицины, доказательная медицина нуждается в клинически и фармакологически грамотных специалистах, а также специалистах по интеллектуальному анализу данных (англ. data mining), в т.ч. «сверхбольших данных» (англ. big data). В эпоху постгеномных исследований, когда массив описаний пациентов может достигать миллионов признаков (нуклеотидные вариации, транскриптомные, протеомные и метаболомные данные и др.), понятие доказательности также должно развиваться, чтобы включать “большие данные” функциональной геномики [1]. Поэтому, необходимость использования новейших методов анализа сверхбольших данных и вовлечения в доказательную медицину соответствующих специалистов по анализу данных вполне очевидна [2].
В то же время, в области «доказательных» публикаций наблюдается обратная тенденция – засилье примитивных статистических методов, разработанных в начале 20-го века, или их незначительный вариаций (вроде т.н. “критерия I2”, “Q-критерия”, “random effects meta-analysis” и т.п.). Это происходит на фоне практически полного игнорирования современных big data трендов в биомедицине. Такое положение дел создает благоприятную почву для захвата области доказательной медицины т.н. “пиратами доказательности”, не менее одиозными “британскими учеными” и прочими экстремистами, но весьма неблагоприятную – для выяснения реальных эффектов терапевтических вмешательств. Тем самым, полностью дискредитируется сама идея “доказательности” в медицине, что стирает грани между доказательной медициной, явной лженаукой и вообще гибридными медийными войнами.
Например, в базе данных Cochrane Database Syst Rev (считается лидером в области доказательной медицины) из 13952 мета-анализов только в одном были использованы геномные данные пациентов (и это несмотря на относительную доступность и сравнительную дешевизну современных геномных технологий) [3]. Из 13952 кохрейновских мета-анализов только в одной публикации просто упоминается сам термин “big data” [4]. Реального использования хоть каких-нибудь новых технологий анализа сверхбольших данных не было проведено ни в одном из кохрейновских мета-анализов. Такой очевидный «период застоя» в области доказательности вынуждает ведущих аналитиков говорить о том, что в эпоху сверхбольших данных мета-анализы по типу кохрейновских более не представляют собой особо ценный подход к исследованию доказательности терапевтических вмешательств [5, 6] (в т.ч. и потому, что используют устаревшие и, зачастую, просто ошибочные подходы к анализу данных [7]).
Доказательная медицина ставит своей целью использование исследований с некоторой туманно определяемой «статистической значимостью» для принятия решений на практике. В этом смысле, «доказательность» имеет довольно узкое значение и чрезвычайно уязвима к обоснованным упрекам в том, что отражает не объективную реальность, а, всего-навсего, устоявшееся мнение [6, 7], т.е. иллюзию доказательности. На самом деле, при рассмотрении вопроса о доказательности результатов клинических исследований следует поднимать все пласты имеющейся информации – от фундаментальных физико-химических особенностей молекул, биохимических и экспериментальных исследований до клинических исследований и, собственно, доказательной медицины [7-9]. Очевидно, что для обработки этих пластов информации необходимы особые подходы к анализу сверхбольших данных, реализуемые как соответствующие алгоритмы прикладной лингвистики .
Литература
1. Ioannidis JPA, Khoury MJ. Evidence-based medicine and big genomic data. Hum Mol Genet. 2018 May 1;27(R1):R2-R7. doi: 10.1093/hmg/ddy065.29474574
2. Manrai AK, Patel CJ, Ioannidis JPA. In the Era of Precision Medicine and Big Data, Who Is Normal? JAMA. 2018 May 15;319(19):1981-1982. doi: 10.1001/jama.2018.2009. PMID: 29710130
3. Badeau M, Lindsay C, Blais J, Nshimyumukiza L, Takwoingi Y, Langlois S, Légaré F, Giguère Y, Turgeon AF, Witteman W, Rousseau F. Genomics-based non-invasive prenatal testing for detection of fetal chromosomal aneuploidy in pregnant women. Cochrane Database Syst Rev. 2017 Nov 10;11:CD011767. doi: 10.1002/14651858.CD011767.pub2. PMID: 29125628.
4. Estcourt LJ, Malouf R, Hopewell S, Doree C, Van Veen J. Use of platelet transfusions prior to lumbar punctures or epidural anaesthesia for the prevention of complications in people with thrombocytopenia. Cochrane Database Syst Rev. 2018 Apr 30;4:CD011980. doi: 10.1002/14651858.CD011980.pub3. PMID: 29709077.
5. Møller MH, Ioannidis JPA, Darmon M. Are systematic reviews and meta-analyses still useful research? We are not sure. Intensive Care Med. 2018 Apr;44(4):518-520. doi: 10.1007/s00134-017-5039-y. PubMed PMID: 29663048.
6. Ioannidis JP. Contradicted and initially stronger effects in highly cited clinical research. JAMA. 2005 Jul 13;294(2):218-28.
7.Torshin I.Yu. Bioinformatics in the post-genomic era: physiology and medicine. Nova Biomedical Books, NY, USA 2007, ISBN: 1600217524, pp1-20.
8. Ioannidis JP. Is there a glass ceiling for highly cited scientists at the top of research universities? FASEB J. 2010 Dec;24(12):4635-8.
9. Ioannidis JP. Why most published research findings are false. PLoS Med. 2005;2(8):e124.