Evidensbaseret medicinsk behandling er et universelt behov

I Ugeskrift for Læger nr. 15/2020 udtaler overlæge og professor i geriatri ved Center for Klinisk Aldringsforskning Charlotte Suetta, at ældre patienter også skal have evidensbaseret behandling og uddyber med, at »den medicin, vi giver patienterne, er testet og udviklet på yngre mennesker. Meget af det, vi går og gør, er noget, vi har fundet ud af ved at kigge på nogle andre patientgrupper eller raske ældre«.

Vi vil gerne støtte op om disse udtalelser og fremhæve, at evidensproblemet er universelt inden for klinisk medicin. Det omfatter sandelig også yngre patienter, som kategoriseressom »kun« lidende af »én sygdom« – diabetes, nefropati,hypertension, iskæmiskhjertesygdom. Såledesafspejler sygdomsbegrebet alene en praktisk klassifikation og ændrer sig med diagnostiske fremskridt. Tænk bare på hvordan diagnosen kongestivt hjertesvigt har udviklet sig efter udbredelsen af ekkokardiografi. Her er et gebet, hvor oligo-kausalitetstænkningog -handling kun kan løsespecielleproblemer, somfor eksempelbehandling af hjertesvigt forårsaget af systole svigt af venstre ventrikel.

Bag diagnoser findes en række patofysiologiske interaktive systemer og molekylærbiologi.Skal vi videre i forståelse af patogenese og sikre målrettet terapi, må vi fri af kausalitetstænkningens spændetrøje og udvikle personlig medicin, der tager hensyn til individuel variabilitet i gener, miljø, alder og livsstil for den enkelte patient. Dette kræver betydelig computerkraft og AI-selvlærende algoritmer (deep learning) i form af reinforced learning. Det tidligere knæsatte evidens- og kausalitetsbegreb påvist gennem RCT bliver hermed erstattet af det, der kommer ud af den såkaldte »sorte boks« som et resultat af, at maskinerne lærer, efterhånden som de fodres med data. Dette medfører et paradigmeskift i grundlaget for medicinordination, nemlig fra deduktion via RCA til induktion via AI.

Med AI kan man imidlertid ikke kontrollere »udregningen« på en forståelig måde. Mellem datainput og dataoutput er der ganske mange lag og variabler, som afvejes og kombineres på forskellige måder. Et sådant paradigme, der er baseret på maskinlæring, kan selvsagt ikke kontrolleres og forstås logisk. Dets karakter af »black boxes« har medført, at man arbejder intenst på at udvikle metoder til at forstå beslutningsprocesserne i netværkene og for dermed at kunne kontrollere resultaterne, som i sidste ende kan være en individuel medicinordination i form af personlig medicin [1]. Indtil dette problem er løst, vil lægens endelige vurdering og beslutning om medicinsk behandling beholde sin essentielle position også inden for geriatrien.