И ещё один хороший пример про конфаундинг (фрагмент из книги Чарльза Уилана "Голая статистика")

Рассмотрим следующую гипотетическую новость из интернета: «Люди, которые делают короткие перерывы в работе в течение дня, имеют гораздо больше шансов умереть от рака». Представьте появление на экране такого сообщения, когда вы занимаетесь веб-серфингом. Согласно весьма впечатляющим результатам обследования 36 000 работников (огромный массив данных, не правда ли?!), у тех, кто выходил из офиса на регулярные десятиминутные перерывы в течение каждого рабочего дня, вероятность заболевания раком в последующие пять лет оказалась на 41 % выше, чем у тех, кто офисы не покидал. Понятно, что узнав такую новость, мы обязаны как-то на нее реагировать: возможно, провести общенациональную кампанию за запрет коротких перерывов в течение рабочего дня.

А может, следует подойти к проблеме с другой стороны и задуматься над тем, чем именно обычно занимаются работники во время таких десятиминуток? Не мне вам рассказывать, что многие кучкуются неподалеку от входа в офисное помещение, покуривая сигареты (и создавая при этом облако дыма, через которое вынуждены проходить те, кто входит или выходит из здания). Смею предположить, что именно сигареты, а не кратковременные перерывы в работе, являются основной причиной раковых заболеваний. Большинству читателей этот пример покажется абсурдным, но могу вас заверить, что многие статистические умозаключения, встречающиеся в реальной жизни, оказываются не менее абсурдными после их тщательного анализа.

Было очень важно записать. Просто оставлю здесь.

ПРО P-УРОВЕНЬ ЗНАЧИМОСТИ

(Спешл для тех, кто хочет уже наконец разобраться, как работает медико-биологическая статистика!!)

Статистические методы, любые, в том числе из медико-биологических исследований, основаны на теории вероятностей. Простой и ключевой тезис, хотя для человека «непосвящённого» это может быть не столь очевидно. Откуда вообще появляется 'вероятность', если мне, например, надо узнать: работает лекарство или нет? Неужели недостаточно просто набрать две группы людей, одним давать препарат, другим — плацебо, и оценить результаты? (разумеется, сделать всё методологически правильно: участников набрать по заранее установленным критериям включения-невключения, провести рандомизацию, создать условия двойного ослепления и т.д.).

Вот например, были у нас грибы (а может быть, сушёные чёрные тараканы?) и мы обнаружили в них вещество, которое, как нам кажется, может увеличивать суточный диурез — объём мочи, который человек выделяет за сутки. Мы провели исследование и выяснили, что в первой группе, которая получала таблетку с веществом, среднее значение суточного диуреза было на 150 мл выше, чем в плацебо-группе. Неужели только этих данных недостаточно, чтобы сделать выводы об эффективности? Причём тут статистическая значимость и теория вероятностей?

Современные статистические методы основаны на идее фреквентизма. Сама идея была разработана Рональдом Фишером, английским биологом-эволюционистом. Согласно ей, статистическая неопределённость, т.е. вероятность ошибиться, имеет место, потому что мы можем получить выводы только на данных выборки, а не ЦЕЛОЙ ПОПУЛЯЦИИ (=совокупности).

Важно: критерии однородности тех, кого считать «популяцией», задаёт сам исследователь. Например, в исследовании эффективности химиопрепарата против рака молочной железы в качестве популяции будут выступать все женщины с определённым типом рака молочной железы, в отношении которого, как предполагается, этот химиопрепарат активен. В нашем примере с потенциальным диуретиком из гриба мы принимаем за популяцию всех людей с нормальным диурезом. Тем не менее суточный диурез при одинаковом потреблении жидкости даже у здоровых добровольцев постоянно колеблется. И полученную разницу в 150мл, мы могли получить лишь потому что в группу 'диуретика' случайно попали люди, у которых в день исследования диурез был завышен, в то время как в группе-плацебо оказались преимущественно те, у кого диурез был ниже обычного. Результат — зафиксирована разница 150мл. Наша задача выяснить: какая вероятность получить похожую разницу, если просто рандомно вытащить две выборки из популяции, ничем при этом на них не действуя.

Теперь можно провести мысленный эксперимент. Мы знаем что средний суточный диурез у здорового человека равен примерно 1200мл. При этом, используя статистическую модель, мы можем спрогнозировать с какой частотой в популяции будут встречаться другие численные показатели диуреза (см.картинку ниже — основная часть будет сконцентрирована вокруг среднего). Условно примем что вся совокупность равна 100 человек (сто, тысяча или десять тысяч — не принципиально, так как согласно модели, частота, т.е. ДОЛЯ конкретного значения признака от общего числа вариантов, всегда будет приблизительно одной и той же. Когда так происходит и почему — отдельный разговор).

Начинаем мысленно извлекать из этой сотни разные пары выборок, допустим, по 10 человек. Возможное число комбинаций в этом случае приблизительно равно 10^27. И теперь мы можем посчитать, сколько из этих пар могут дать разницу в 150мл и больше. На этом этапе мы можем увидеть, например, что разницу в 150мл и более давали бы 50% всех рандомно-извлекаемых пар выборок. То есть мы бы через раз получали такую разницу, просто измеряя диурез в двух разных группах здоровых людей без какого-либо предварительного воздействия. Нет оснований считать такую разницу результатом действия диуретика. То есть она СТАТИСТИЧЕСКИ НЕЗНАЧИМА. Если же мы видим, что такая разница возникает менее чем в 5% от всех возможных пар выборок, то у нас есть основания считать, что эта разница НЕ СЛУЧАЙНА, то есть СТАТИСТИЧЕСКИ ЗНАЧИМА. Другими словами если диуретик и плацебо оказывают одинаковое воздействие (то есть НЕ ОКАЗЫВАЮТ никакого воздействия) вероятность получить наблюдаемые различия будет меньше 5%. Этот процент, эта вероятность и есть p-уровень значимости. Его критическое значение 0,05 (0,02 или 0,01) устанавливает сам исследователь. Если мы получили p-уровень значимости меньше установленного заранее критического значения, то у нас есть основания полагать, что полученная разница обусловлена, например, действием препарата.

(Из Гланца) ‘горка’ сверху — распределение значений признака в популяции, где помеченные кружочки — показатели, которые случайно попали в выборки. Ниже показано как эти данные видит исследователь. Возможное число комбинация пар выборок по 10чел=10^27. В данном случае препарат, как и плацебо, не влияет на диурез.

ПРО БАЙЕСЫ

Многолетний ажиотаж вокруг витамина C ещё в 70-ые в мировом масштабе заварил дважды нобелевский лауреат Лайнус Полинг (зацените-ка авторитетность экспертного мнения!), который считал, что аскорбиновая кислота в больших дозах способна не только лечить простуду, но и замедлять старение, и даже предотвращать развитие онкологических заболеваний и ещё много чего. Самым живучим оказалось заблуждение о простуде. Чарлмерс и Альтман в книге «Систематические обзоры» историю Полинга приводят в качестве иллюстрации примера «систематической ошибки отбора». То есть проанализировав литературу в общем, а также книги и обзоры самого Полинга о пользе витамина С, авторы обнаружили, что уже на тот момент, 1980-ые, только пара исследований как-то подтверждали пользу витамина С в защите от простуды, в то же время существовало гораздо больше данных, не подтверждающих эту гипотезу. Дело даже не в том, что у Полинга могли быть какие-то корыстные цели сбить всех с толку. Скорее эта история про то, что он настолько был одержим своей витаминной теорией и верил в неё, что игнорировал любые противоречивые данные.

Те, кто когда-нибудь пробовал спорить в интернете, писал какие-то работы и делал доклады, могут узнать себя. Вспомнить это стремление найти нужную информацию, подтверждающую собственную точку зрения, игнорируя всё, что хоть как-то идёт вразрез. Вообще, это так называемый конфэмейшн байес — confirmation bias (‘предвзятость подтверждения'), о нём хорошо рассказывала у себя на канале Ксения Ниглас, посмотрите https://youtu.be/6BbvudRd6Dg

Ещё интересный пример есть у Сэкетта (Clinical Epidemiology : A Basic Science for Clinical Medicine, для тех, кто не в курсе, Дэвид Сэкетт — это тот самый чувак, основоположник доказательной медицины) про то, что при обследовании пациентов врачи стремятся найти тот диагноз, который они изначально заподозрили, порой из пальца высасывая данные ‘за’ и игнорируя данные ‘против’. Как и с любыми другими когнитивными искажениями, так происходит, потому что для мозга это более простая, удобная тактика. При этом если два врача предполагают разные диагнозы, им даже при наличии результатов объективного исследования и диагностических тестов сложно прийти к общему консенсусу. Есть даже такой индекс каппа — про интерпретацию данных инструментальных исследований, который при абсолютном согласии между двумя специалистами равен 1,0. На практике показатель единицы кажется невозможным. Тот же Сэкетт приводит следующие данные: для специалистов, оценивающих давление в яремных венах, стадию диабетической ретинопатии по снимкам глазного дна, результаты маммографии, индексы каппа в среднем составляют соответственно 0.42 , 0.55 и 0.67. Немного жутко.

Так вот, люди — существа очень предвзятые, очень. Новый опыт нам приходится пропускать через призму опыта старого и в зависимости от условий, целей, убеждений наблюдатели могут интерпретировать одну и ту же вещь по-разному. Отсюда вытекает множество других когнитивных искажений — байесов (см. картинку ниже, в целом они похожи между собой). Наука как таковая, т.е. научная методология, в том числе математические методы — это такой способ максимально уменьшить влияние байесов на процесс познания (отсюда например, крайне важно ослепление в любых исследованиях, где это только осуществимо). Хотя работает это далеко не во всех случаях и постоянно вскрываются какие-то новые и новые неучтённые байесы.

Отсюда же возникает один из основополагающих философских вопросов: возможно ли объективное познание мира и объективная реальность — она есть вообще? Как подчёркивает Нейт Сильвер, собственно наука начинается там, где вопреки нигилистической точке зрения, принимается условие — что ДА есть и к объективному пониманию можно стремиться (бесконечно приближаться, ага). А немецкий психолог Герд Гигеренцерне в книге ‘Bounded and Rational: Contemporary Debates in Cognitive Science' пишет, что не следует считать человеческое мышление насквозь пронизанным иррациональными когнитивными искажениями, скорее следует рассматривать рациональность мышления как адаптивный инструмент, который не всегда подчиняется правилам формальной логики или теории вероятностей.

Поэтому здравый смысл, методология и математика — очень-очень-очень важно, ага. Конечно, это всем и так понятно, это я так, просто, чтобы не забывать.

P.S. Насчет последних постов: если кто-то знает крутые книги по теме (в том числе по философии науки, проблемы познания, когнитивистику и тп), которые вы читали и вам понравилось, ПОКИДАЙТЕ В ЛИЧКУ @katuninx ❗️ буду очень рад годноте

​​​​​​Медицинский юрисконсульт и генеральный директор «Факультета Медицинского Права» Полина Габай рассказывает о росте уголовных дел против врачей, юридической грамотности и ятрогенных преступлениях. Разобрали самые важные вопросы: от оказания помощи на улице, до ошибок при ведении истории болезни.
Слушать: http://medach.pro/post/1801

Сайт "Факультета медицинского права": https://www.kormed.ru

VK: https://vk.com/kormed
Facebook: https://www.facebook.com/groups/mediclaw
Telegram: https://t.me/kormed

Возможно, один из самых важных материалов, которые когда-либо выходили на медаче. Сохраните в закладки и распространите, пожалуйста.

ПРО УРАВНЕНИЕ БАЙЕСА
< или как посчитать вероятность, что у женщины действительно рак груди, если во время скрининга на маммографии она получила положительный результат >

Прежде всего надо отметить, что между английским словом байес (bias — искажение, предубеждение) и теоремой Байеса нет ничего общего, просто слова в русском похожи ( «байес» во втором случае — русское произношение фамилии английского математика Thomas Bayes, хотя носители произносят её как ‘беиз’)

Знакомство с байесианским мышлением, статистикой обычно начинают с вывода ключевой формулы — уравнения Байеса.
Есть культовая статья Юдковского из далёкого 2003 года, где он начинает с такой задачи:

1% женщин в возрасте 40 лет, участвовавших в регулярных обследованиях, имеют рак груди. 80% женщин с раком груди имеют положительный результат маммографии. 9.6% здоровых женщин также получают положительный результат (маммография, как любые измерения, не дает стопроцентных результатов). Женщина-пациент из этой возрастной группы получила положительный результат на регулярном обследовании. Какова вероятность того, что она фактически больна раком груди?

(Текст задачи из русского перевода статьи https://goo.gl/dqkdNo , ссылка на оригинальную статью там же. На этом месте можно попробовать решить задачу самостоятельно, можно растянуть удовольствие, перейти по ссылке и начать копаться в подробных рассуждениях Юдковского, можно читать этот пост дальше, но тут сразу спойлеры, если что.)

Подавляющее большинство врачей, решающих задачу, дают ответ 80% или вероятность близкую к этому значению. То есть рассуждая так: если 80% женщин с раком груди имеют положительную маммографию, то стало быть, если женщина получила положительный результат маммографии, у неё с 80% вероятностью действительно есть рак груди. Некоторые дают ответ 70,4%, вычитая 9,6% ложноположительных результатов из 80% истинно-положительных. Хотя и тот и другой ответ в корне неверны.

!!! Правильный ответ задачи: ЕСЛИ ЖЕНЩИНА ПОЛУЧИЛА ПОЛОЖИТЕЛЬНЫЙ РЕЗУЛЬТАТ МАММОГРАФИИ, ВЕРОЯТНОСТЬ ЧТО У НЕЁ ДЕЙСТВИТЕЛЬНО ЕСТЬ РАК ГРУДИ РАВНА 7,76%.

откуда взялась эта цифра? Примем всех женщин из задачи за X. Тогда женщины, которые больны раком — это 0,01X, а все здоровые, соответственно, X-0,01X=0,99X. Дальше мы должны найти вероятность получить положительный результат маммографии во время скрининга, независимо от того больна женщина или нет. Для этого нам нужны две вероятности. Первая — вероятность получить положительный результат маммографии, будучи действительно больной. Мы знаем, что 80% женщин с раком получают положительный результат, соответственно, 0,8*0,01X=0,008X — вероятность женщины больной раком получить положительный результат. Вторая вероятность — это вероятность здоровой женщины получить положительный результат маммографии. Мы знаем, что 9,6% всех здоровых женщины ошибочно узнают о положительном результате. Соответственно, 0,096*0,99=0,09504 — вероятность здоровой женщины получить ложноположительный результат. Если мы сложим две эти вероятности, получим 0,09504X+0,008X=0,10304X — ту самую вероятность получить положительный результат маммографии во время скрининга, независимо от того больна женщина или нет. Теперь, чтобы найти, какую часть от этого показателя составляют женщины с положительным результатом маммографии и действительно больные раком, мы должны 0,08X/0,10304X (то есть если проговаривать подробно: разделить ‘вероятность женщины больной раком получить положительный результат' на ' вероятность получить положительный результат маммографии во время скрининга, независимо от того больна женщина или нет'). На самом деле, всё это можно было найти гораздо быстрее как раз с помощью уравнения Байеса, которое собирает в одно выражение все произведенные в этом абзаце действия.

(стоит отметить, что ‘вероятности’ в решении написаны с иксом, потому что это удобно в плане рассуждения. Хотя конечно, когда речь идёт о вероятностях, икс не нужен. С иксом — это уже частотный показатель. Но суть одна и та же.)

Тут в первую очередь стоит задуматься о существенной разнице в интерпретации данных. С одной стороны, есть врач, который может ошибочно сказать пациентке, что положительный результат маммографии значит, что пациентка с 80% вероятностью действительно больна. С другой стороны — есть врач, который понимает, что эта цифра равна всего лишь 7,76% — 0,0776, то есть, если сделать маммографию 10,000 пациенткам, мы получим 1030 положительных результатов, лишь 80 из которых будут принадлежать реально больным раком. (при этом данный пример недалёк от реальности: у маммографии действительно хромает специфичность, поэтому вопрос о её регулярном скрининговом использовании у пациенток старше сорока вне групп риска остаётся дискутабельным https://goo.gl/ozMpsS ).

Хорошее видео (есть русские субтитры) https://youtu.be/R13BD8qKeTg , сюжет — просто некое абстрактное тяжёлое заболевание.
Но на самом деле в контекст вписываются не только условия, связанные с диагностикой, чувствительностью и специфичностью. Вот ещё один околомедицинский пример из статьи на lesswrong https://goo.gl/Jejq2x :

«Предположим, что вы врач и к вам пришел пациент, который жалуется на головную боль. Далее предположим, что есть две причины, по которым может болеть голова: опухоль мозга и простуда. Опухоль мозга всегда вызывает головную боль, однако она является крайне редким заболеванием. И наоборот, головная боль редко возникает при простуде, однако множество людей простужается каждый год. Если нет другой информации, что вероятнее — что человек простудился или у него опухоль мозга?
Если вы решили, что вероятнее всего простуда, то это был ответ, которого я ждал. Даже если опухоль вызывает боль каждый раз, а простуда только в одном проценте случаев, случаев простуды настолько больше, что случаев головной боли, вызванной простудой, куда больше, чем болей, вызванных опухолью мозга. Теорема Байеса, в основном, говорит что если причина А может быть источником симптома Х, то тогда мы должны учесть обе вероятности, что А вызывает Х (находится, грубо, умножением частоты А на шанс, что А вызовет Х) и вероятность что что-то еще вызовет Х»

То есть когда вы просыпаетесь и понимаете что у вас болит голова, как понять, что это признак опухоли в голове? Условный пример, конечно, но тот же принцип, как и с восьмьюдесятью процентами. КЕК.

Байесианское мышление для нашего мозга является неестественным и он зачастую ему противится. Главная ошибка того, кто хочет назвать 80%, вместо 7,16%, заключается в игнорировании первоначальной вероятности заболеть в популяции, которая равна — 1%. 1% в примере про рак молочной железы — это то, что называется априорной вероятностью. И вот понятие априорной вероятности является одним из ключевых в байесианстве. Если объяснять этот момент в рамках поста, то можно взять пример Ричарда Прайса, впервые представившего эссе Томаса Байеса Королевскому обществу. Далее цитата из книги Нейта Сильвера «Сигнал и шум»:

«В описании эссе Байеса Прайс приводит пример человека, попадающего в наш мир (например Адам, либо человек из платоновской пещеры) и впервые наблюдающего восход солнца. Сначала он не знает обычное ли это событие или из ряда вон выходящее. Однако он видит восход солнца каждый последующий день и начинает всё сильнее верить, что это — постоянное свойство природы. Постепенно, основываясь лишь на этой, в чистом виде статистической форме взаимодействия с природой, он присваивает своему прогнозу о том, что солнце вновь встанет на следующий день, вероятность, максимально близкую (хотя и никогда не достигающую) к 100%».
То есть в примере речь идёт об априорной вероятности, которая от маловероятного события с каждым новым регулярным восходом сдвигается к 100%.

К слову, фишеровская статистика, которая широко используется в научных исследованиях, игнорирует понятие априорной вероятности (и не только) и из-за этого лагает. По-хорошему, часто фишеровские методы должны дополняться байесианскими. То есть, если представить это на очень грубом примере (взят у того же Нейта Сильвера), есть контора, предсказывающая результаты выборов. И в преддверии выборов она организует собственный опрос определённой выборки и делает прогноз. При этом за историю своего существования контора стабильно демонстрирует искажение в сторону какой-то партии и у неё есть определённый процент ошибочных предсказаний. Фишеровские методы, на которых основывается прогноз, каждый раз работают с информацией в изолированных условиях. Байесинские методы учитывают небезупречный контекст «конторы». Просто и подробнее, с дополнительными ссылками, в этом посте: https://goo.gl/oK4ELw

На Priceonomics есть интересный текст, который на примере одной истории даёт общее представление о том, как в 20-ом веке развивалась современная научная методология, где были подводные камни и что до сих пор остаётся уязвимым местом https://goo.gl/koznsh . Статья называется «Почему отец современной статистики не верил в то, что курение вызывает рак».

Отец современной статистики — генетик, биолог-эволюционист Рональд Фишер. Был студентом у Пирсона (другого знаменитого статистика) и однажды за неделю решил ряд задач, над которыми лучшие статистики на тот момент трудились не один десяток лет (вопрос заключался в определённых нюансах оценки вариабельности признака в совокупности через небольшой набор данных — выборку). Пирсон сначала отказался публиковать идеи Фишера, так как сам их до конца не понимал, позже всё-таки согласился и опубликовал в виде огромной сноски в собственной статье. С тех пор между ними началась вражда.

У Пирсона Фишер не остался и в 1919 году стал работать статистиком на сельскохозяйственной станции в Ротамстеде. Там он исследовал эффективность удобрений. Были определённые участки земли, которые обрабатывались удобрением А, другие — удобрением Б и т.д. Однако, как было изначально очевидно Фишеру, если растения растут лучше на территории, обработанной удобрением А, это не значит, что А эффективнее, чем Б, так как причина такого роста может заключаться в том, что изначально почва участка с удобрением А более плодородна, чем почва с удобрением Б (а также наличие других смежных влияющих на рост факторов — конфаундинга. Фишер уже на тот момент употреблял этот термин, ‘confound’ значит сбивать с толку). Решая эту проблему, он придумал один из ключевых принципов — рандомизацию. То есть участки земли были разбиты на множество секций, каждая из которых рандомно обрабатывалась тем или иным удобрением. Идея заключалась в том, что если действительно рандомно распределить обработку множества секций удобрениями, то плодородная и неплодородная почва, а также другие конфаундинг-факторы, между ними распределятся равномерно. И можно будет увидеть явное действие удобрений. Также Фишер станет новатором и разработчиком основных принципов статической обработки данных, широко использующихся до сих пор.

К середине 20-го века была зафиксирована стремительно растущая смертность от рака лёгких. На проблему обратили внимание и было много теорий, почему так происходит, то есть на это могло влиять и то, что далеко продвинулись рентген-технологии — стала возможна значительно более точная диагностика, чем раньше. Промышленное загрязнение, машины и множество других теорий — про сигареты в том числе. И пионерами в решении вопроса стали Брендфорд Хилл и Ричард Долл (Хилл, кстати сказать, до этого провёл первое рандомизированное клиническое испытание со стрептомицином в лечении туберкулёза). Разумеется, учёные не могли набрать большую группу людей и рандомно заставить одних курить, а других не курить. Надо было придумывать что-то более реальное. И здесь возникли два новых подхода. Первый — типа случай-контроль, когда учёные набрали группу людей с диагностированным раком и похожую по характеристикам контрольную группу здоровых людей, уточняя по опроснику разные факторы из жизни людей в двух группах. Курение оказалось наиболее разобщающим. Тем не менее контрольная группа была набрана не рандомно и это говорило о нечистоте эксперимента. В 1951 году учёные разработали второй тип исследования — когортное — “British Doctor Study”, в которое они набрали порядка 30.000 врачей, курящих и некурящих и потом через года смотрели: сколько и когда людей заболело раком лёгких, и есть ли зависимость от количества выкуриваемых пачек в день. Данные получились внушительные. Учитывая другие похожие исследования в 1957 году Британский медицинский журнал опубликовал призыв указывать информацию о вреде сигарет в рекламе, так как уже скопилось достаточно данных, подтверждающих этот факт.
И вот тут Фишера, отца, бомбануло не на шутку.

Фишер был заядлым курильщиком, обожал свою трубку и на момент заявления редколлегии BMJ вот-вот вышел на пенсию, поэтому у него было достаточно времени, чтобы устроить самую настоящую интеллектуальную войну борцам с курением. То есть методы, которые он когда-то разрабатывал, теперь были направлены на одно из любимых его занятий! Сначала Фишер настаивал, что данных собрано недостаточно, чтобы утверждать о наличии причинно-следственной связи. Что дело в генетике. Собрал какие-то данные о курящих близнецах, к чему пытался притянуть генетичеки-обусловленную схожесть поведения в плане курения. Затем одно время он и вовсе утверждал, что вполне возможно, что рак лёгких имеет какую-то длительную бессимптомную стадию начального воспаления, и что человек курит, потому что пытается облегчить дискомфорт, который ещё не проявляется болью. И так дальше: отчаянная и трагичная (в конце концов, он остался практически один на «баррикадах») борьба за свою правду. Но у этого противостояния были и действительно веские основания — то, чему в общем-то и посвящена упомянутая статья; то, что раскрывает суть и подводные камни современной науки.

P.S. очередной хороший пример: если вы уже когда-то создали что-то крутое и прорывное, до чего никто никогда не додумывался, это не значит, что следующая вещь, к которой вы придёте и которой посвятите дальнейшую жизнь, окажется чем-то стоящим, а не каким-то фуфлом сомнительным. ну на всякий случай, ага :)

О БОЛЕЗНЯХ КАК СОЦИАЛЬНОМ КОНСТРУКТЕ
< Существует ли рак лёгкого? >

Социальный конструкт или социальный концепт — это порождение конкретной культуры или общества, существующее исключительно в силу того, что люди согласны действовать так, будто оно существует, или согласны следовать определённым условным правилам. К очевидным социальным конструктам относятся игра, религия, язык, деньги, титулы, образование, правительства, корпорации и другие институты (Из Википедии)

Недавно Панчин написал пост https://www.facebook.com/1411340553/posts/10218114441358483/ о споре с неким знакомым социологом, который утверждал, что ВИЧ-инфекция и СПИД — это социальные конструкты. То есть ВИЧ может приводить к СПИДу только в тех обществах, в которых есть сами понятия ВИЧ и СПИД, ведь без понятия — нет явления. Грубо говоря, в обществах, где не знают о ВИЧ-инфекции, всё, что в нашем понимании связано с ВИЧ-инфекцией, будет приписываться другим причинам. Где-то в комментариях даже был пример про то, что когда в 80-ые началась вся заваруха, разные проявления СПИДа воспринимались как отдельные явления, например, так называемая «неинфекционная вспышка саркомы капоши». В общем, сперва все эти рассуждения похожи на полнейший абсурд и Панчин об этой «абсурдности» отлично рассуждает в посте.

Чуть позже к обсуждению подключился Пётр Талантов, который написал https://www.facebook.com/1840673480/posts/10210554358655451/ своё видение ситуации «болезнь — социальный конструкт» и выразил его в трёх конкретных примерах. Примерах о том, что даже то, что кажется нам самым очевидным и конкретным, например, рак лёгкого, по сути своей условно и существует, пока сохраняется его актуальность. Позже один конструкт может замениться другим. Вот текст поста (он настолько замечательный что не могу не оставить его здесь у себя):

https://www.facebook.com/1840673480/posts/10210554358655451/

В силу нелюбви к пространным философствованиям и туманным метафорам, ограничусь тремя конкретными примерами.

Итак, конструктивистский этюд в трех частях.

Часть I. Конструкт эпистемологический. “Существует ли рак легкого?”

Вот, казалось бы, странный вопрос. Конечно, существует. Люди от него умирают направо и налево. Однако, возможно, в учебниках, по которым будут учить медицину наши внуки, вы и следа такого заболевания не найдете. И вовсе не потому, что к тому времени все бросят курить.

Систематизации опухолей по месту их расположения более двух сотен лет. Когда мы представляем человеческое тело как комплекс органов, достаточно ожидаемо называть болезни по месту локализации: рак легкого, рак мозга и так далее. Развитие цитологии увеличило количество возможных диагнозов - теперь мы имеем дело не просто с раком легкого, а, например, с мелкоклеточным и с немелкоклеточным раком легкого. И все это не просто разные слова. Болезнь определяет разрешенные регулятором показания для применения лекарства. А значит и клинические испытания заточены именно под будущие показания. То есть, если мы рассчитываем получить разрешение на применение нового препарата при мелкоклеточном раке легкого, то мы набираем пациентов именно с этим заболеванием: тех, у кого первичная опухоль в легких и клетки опухоли на цитологии мелкие. Это несколько упрощая, но смысл в целом такой.

И вот в 2011 году появляется препарат “Кризотиниб”. Он разрешен к применению лишь у 4% пациентов с немелкоклеточным раком легкого. Революционность решения регистратора заключалась в том, что это было одно из первых разрешений применять препарат для заболевания, которое пока не существует: опухолей с гибридным геном EML4 и ALK. А для лечения рака легкого и это отдельных его цитологических типов этот препарат, строго говоря, не эффективен. Сейчас “Кризотиниб” тестируют для лечения других опухолей с такими же мутациями, например нейробластомы и лимфомы. Эти опухоли имеют другую локализацию и образованы клетками совсем других типов.

Не исключено, что в будущем подход, при котором онкозаболевания систематизируют по месту локализации или цитологии, утратит практический смысл. Не будет больше рака легкого и рака мозга. Будут опухоли с мутациями генов ALK, EGFR, HER-2 и так далее. Случится это или нет, мы пока не знаем. Даже первое клиническое испытание NCI-MATCH, изучающее эффективность нового похода, еще не завершено. Но если предположение подтвердится, у нас есть шанс еще при нашей жизни наблюдать, как старый социальный конструкт будет вытеснен новым, более эффективным. И это не пустая игра терминами. Большая часть новых лекарств может быть технически неэффективна от старых болезней. А от новых будет и при этом общая выживаемость пациентов может быть выше. Слова, которые мы выбираем, определяют наши действия, а действия определяют, будет пациент жить или нет.

Так существует ли рак легкого?

Часть II. Конструкт лингвистический. “Ваш рак надо вырезать”.

Про это писано-сказано уже очень много, но, вероятно, совсем не упомянуть про это нельзя. Нужно ли лечить найденный у пациента рак? Конечно, ведь рак - это смертельная болезнь. Однако сложилось так, что мы называем раком любую опухоль с определенными цитологическими особенностями, в том числе и бессимптомную. И у выбранного нами смысла этого слова есть вполне конкретные последствия для пациента. Которые проявляются, например при раннем обнаружении бессимптомного рака предстательной железы.

Дело в том, что опухоли растут с разной скоростью. “Быстрые” в течение короткого срока приводят к появлению симптомов и смерти. “Медленные” тоже приводят к симптомам и гибели, но происходит это лишь через много лет. А «очень медленные» растут, но с такой скоростью, что не достигают вызывающих симптомы размеров до того, как человек умирает от других причин.
Есть также «непрогрессирующие» - это клеточные аномалии, которые тоже полностью соответствуют определению рака, но при этом не растут или даже уменьшаются в размерах.

Скрининг, направленный на раннее обнаружение бессимптомных опухолей, потенциально полезен именно в случае медленных новообразований. Быстрые часто проявляются между скринингами, а очень медленные и непрогрессирующие все-равно не причинили бы пациенту беспокойство за время его жизни. В результате именно соотношение новообразований с разной скоростью роста определяет баланс пользы и вреда от скрининга.

При этом, на момент обнаружения опухоли нет абсолютно никакого способа сказать, к какому типу она относится. Но любая находка с определенными параметрами - рак. А единожды произнесенное слово “рак” практически неизбежно приводит к агрессивному лечению. В результате, на каждую тысячу регулярно проходивших скрининг рака предстательной железы мужчин приходится в среднем одна продленная жизнь и 34 человека, которых лечили от “рака” (можно и без кавычек, зависит от выбранного вами определения), который бы никак не проявился за время их жизни. Ряд специалистов требует перестать употреблять слово рак в отношении такого рода бессимптомных клеточных аномалий, но, по состоянию на сегодня, ВОЗ и ныне там.

Существует ли объективная реальность опухоли? Наверняка да, я не склонен к солипсизму. Существует ли социальный конструкт “рак”? Тоже да. Можем ли мы утверждать, что судьбу пациента определяет только первое и полностью игнорировать второе?

Часть III. Конструкт маркетинговый. “Девушка, у вас не стоит”.

Ну ладно, рак легкого или простаты. А как быть с эректильной дисфункцией? Тут ведь нагляднее некуда: либо есть эрекция, либо нет. Как ни назови.

Сильденафил (“Виагра”) стал для Pfizer мегаблокбастером. Это случилось, не в последнюю очередь, благодаря бойкой рекламной кампании, которая была кампанией “Виагры” даже в меньшей степени, чем рекламой болезни, вдруг повально поразившей американских мужчин - сексуальной дисфункции. В Pfizer быстро поняли, что рынок пожилых людей ограничен. С подачи производителя было проведено скандально известное исследование, определявшее любой эпизод неидеальной эрекции в жизни мужчины, как признак болезни. Хотя формально оно включало мужчин до 40 до 70, средний их возраст был равен 61 году. Более того, опрашивались только пришедшие с жалобами на прием к урологу. Но все это не помешало запустить рекламную кампанию с текстами вроде «52% мужчин, достигших сорока, страдают от эректильной дисфункции». Пожилые пары в рекламных роликах заменили на персонажей “под сорок”. Апофеозом стал product placement в сериале “Секс в большом городе”, где одна из героинь встречалась с принимавшим “Виагру” богатым любовником. В результате препарат в рекордные сроки достиг продаж в миллиард долларов в год.

У эректильной дисфункции был один огромный недостаток. Рынок лечения от нее ограничивался только половиной человечества. Поэтому Pfizer стал работать над созданием ЖСД (женской сексуальной дисфункцией). Поскольку еще недавно о существовании такого заболевания никто не подозревал, пришлось начать с созыва профессиональных конференций, на которых сформулировали критерии диагностики и описали предполагаемые механизмы болезни. В том же году была опубликована статья о создании животной модели “клиторальной эректильной дисфункции”. И, конечно же, сделано исследование, которое продемонстрировало, что ЖСД страдает 43% американок. В нем, среди прочих, задавали вопросы о «недостаточном желании секса», «сложности в возбуждении» и «тревожности по поводу того, насколько вы хороши в постели». Понятно, что любой положительный ответ приравнивали к диагнозу. В следующем сезоне “Секса в большом городе” героиня уже сама пробовала синюю таблетку.

С женщинами у Pfizer ничего не получилось. FDA заняли достаточно жесткую позицию. Но, судя по всему, неплохо получилось с мужчинами. Хотя у женского аналога эректильной дисфункции были неплохие шансы на успех.

Так насколько заболевания, которые мы диагностируем и лечим, существуют независимо от нас?

https://www.facebook.com/1840673480/posts/10210554358655451/