Ofte er det oplagt, at der er meget store forskelle mellem patienterne i behandlingernes virkning, både som følge af tilfældigheder og mulige reelle forskelle. Udfordringen er, at det ikke er muligt at se, om de gennemsnitlige behandlingsforskelle i prognosen for hele gruppen gælder for alle eller kun for nogle, og om nogle måtte have ingen eller endda modsatrettede effekter. Det kan være misledende at se på, om de enkelte patienter får det bedre eller ej, eller forværres, da man ikke kan vide, hvad der ville være sket for netop dem, hvis de havde fået den anden behandling.
Jo mere personalisering, jo sværere at få statistisk styrke
I forsøg på at identificere de forskellige grupper af patienter med forskellig effekt af behandlingen udføres analyser, hvor patienter med bestemte karakteristika sammenlignes i undergrupper, idet det antages, at randomiseringen også inden for sådanne undergrupper fortsat bedst muligt har sikret sammenligneligheden af patienterne. Dette vil i princippet kunne give evidens for, at patienter, der er forskellige i de pågældende karakteristika, bør behandles forskelligt.
Det er afgørende vigtigt at skelne mellem patientkarakteristika, der har indflydelse på prognosen for en given behandling, og karakteristika, der giver anledning til forskellige ændringer af prognosen med forskellige behandlinger. Kun de sidste kan vejlede os om, hvorvidt den aktuelle patient med sine bestemte karakteristika bedst behandles med den ene eller den anden behandling. Det er en stor videnskabelig udfordring at finde disse karakteristika, uanset om man søger efter dem på basis af biologiske mekanismer eller ved rent datadrevne eksplorative analyser. Det er en helt anden og meget vanskeligere opgave end præcisering af diagnosen og dermed prognosen med genomisk information.
De fleste randomiserede trials er eller bør være gennemført således, at de er store nok til at have statistisk styrke til at påvise en eventuel klinisk relevant forskel i behandlingsresultaterne mellem grupperne, men heller ikke større end det. Det indebærer, at de meget hurtigt udtømmes for statistisk styrke, hvis patientgrupperne opdeles i mindre undergrupper med det formål at finde forskellige effekter af behandlingen, således at tilfældige forskelle kommer til at dominere. Dette problem bliver større, jo flere og dermed jo mindre undergrupper, der arbejdes med.
Mængden af information vokser, men kan vi stole på »big data«?
En kompensatorisk bevaring af en vis statistiske styrke opnås, hvis de karakteristika, som bruges til inddeling i undergrupperne, også indebærer en mere præcis prognosebestemmelse, hvad den genomiske information måske kan hjælpe med, men det afhænger af de konkrete forhold, om det kan kompensere for tabet i styrke. En anden mulighed for kompensation er at sammenlægge eller metaanalysere samme undergrupper fra flere trials, hvilket kræver ens undergrupper.
I fremtiden vil den nu tilgængelige genomiske information blive suppleret med megen anden information fra mange kilder, inklusive andre typer –omics-data, om den enkelte patient [2, 4]. Med anvendelse af den hastigt udviklende computerteknologi til integreret analyse af disse såkaldte big data er det i stadigt hurtigere tempo muligt at nå frem til en karakteristik af den enkelte patient, hvilket i princippet muliggør en hidtil uset præcis diagnose og prognose.
Men at finde de karakteristika hos patienterne, der viser, om det er den ene eller den anden behandling i dette »big data-univers«, der vil give den bedste prognose, er en opgave af meget større dimensioner. Den vanskeliggøres yderligere af den utvivlsomme mangel på sammenlignelige patienter, som har fået de alternative nye eller uberettiget forladte behandlinger. Man kan måske i fremtiden søge de relevante sammenligninger i en form for computersky af data fra millioner af patienter, men det vil indebære en stor risiko for nye vanskeligheder, der beror på, at valg af de alternative behandlinger hos de enkelte patienter, hvis det er sket, meget vel kan være sket ud fra forhold med indflydelse på prognosen, som måske ikke fanges af de tilgængelige big data. Trials kritiseres ofte for at give for snævert anvendelige resultater [4], men således at gå uden for trials gør blot udfordringerne endnu større.
Håbet er, at den fortsatte udvikling af genomisk medicin med tilknyttede big data ledsages af massiv investering i at finde veje til at skabe den troværdige evidens, der berettiger brug i klinisk praksis til nytte for den enkelte patient, helt i Fibigers ånd. Det savnes! À
Postdoc Andreas Rieckmann takkes for gode diskussioner og hjælp.