الدكتور زياد أوبرماير ، الدكتور توماس إتش لي
في الأيام الخوالي، كان الأطباء يفكرون في مجموعات؛ بهدف “التقريب وتداول الآراء” ، سواء في أجنحة (المرضى) أو في غرفة القراءة الخاصة بالأشعة ، كان فرصة للزملاء للعمل معًا لحل مشاكل يصعب على أي عقل حلها.
اليوم ، يبدو التفكير مختلفًا تمامًا: نحن نفعل ذلك بمفردنا ، مستمتعين بالضوء الأزرق لشاشات الكمبيوتر.
رد فعلنا التلقائي هو إلقاء اللوم على الكمبيوتر (في حال وقوع خطأ) ، لكن جذور هذا التحول أعمق بكثير. أصبح التفكير الطبي أكثر تعقيدًا إلى حد كبير، حيث يعكس التغييرات في مرضانا، ونظام الرعاية الصحية لدينا، والعلوم الطبية.
إن تعقيد الطب الآن يتجاوز قدرة العقل البشري.
أجهزة الكمبيوتر، بعيدة كل البعد عن كونها المشكلة ، هي الحل. لكن استخدامها لإدارة تعقيدات الطب في القرن الحادي والعشرين سيتطلب تغييرات جوهرية في طريقة تفكيرنا في التفكير وفي هيكل التعليم والبحث الطبي.
من المفارقات أنه عندما يشعر الأطباء أنه لا يوجد وقت في روتينهم (جداول عملهم) اليومي للتفكير، تبدو الحاجة إلى التفكير العميق أكثر إلحاحًا من أي وقت مضى. لان المعرفة الطبية تتوسع بسرعة، مع مجموعة واسعة من العلاجات والتشخيصات التي تغذيها التطورات في علم المناعة، وعلم الوراثة، وبيولوجيا الأنظمة. كما ان المرضى الأكبر سناً، يعانون من أمراض أكثر ويحتاجون الى أدوية أكثر. يزورن المزيد من المتخصصين ويخضعون لمزيد من الاختبارات التشخيصية، مما يؤدي إلى تراكم هائل لبيانات السجل الصحي الإلكترون (EHR)
أصبح كل مريض الآن يمثل تحديًا “للبيانات الضخمة”، مع وجود كميات هائلة من المعلومات حول المسارات السابقة والحالات الحالية.
كل هذه المعلومات تجهد قدرتنا الجماعية على التفكير. أصبح اتخاذ القرارات الطبية معقدًا بشكل جنوني. يريد المرضى والأطباء إجابات بسيطة، لكننا لا نعرف سوى القليل عن من يجب إحالته لإجراء اختبار (BRCA) أو من يجب معالجته بمثبطات PCSK9))، تتطلب العمليات الشائعة التي كانت واضحة في السابق – استبعاد الانسداد الرئوي أو إدارة الرجفان الأذيني الجديد – قرارات عديدة الآن. لذا، فليس من المستغرب أن نخطئ في كثير من هذه القرارات.
تأتي معظم الاختبارات سلبية، ومع ذلك لا يزال التشخيص الخاطئ شائعًا. غالبًا ما يتم إدخال المرضى الذين يسعون للحصول على رعاية الطوارئ إلى المستشفى دون داع، ومع ذلك يموت الكثير منهم فجأة بعد وقت قصير من إرسالهم إلى المنزل. بشكل عام، نحن نقدم فائدة أقل بكثير لمرضانا مما نأمل. تساهم هذه الإخفاقات في الاستياء العميق والإرهاق بين الأطباء وتهدد الاستدامة المالية لنظام الرعاية الصحية.
إذا كان السبب الجذري لتحدياتنا هو التعقيد ، فمن غير المرجح أن تكون الحلول بسيطة. إن مطالبة الأطباء بالعمل بجدية أكبر أو أن يصبحوا أكثر ذكاءً لن يساعد. تنهار الدعوات لتقليل الرعاية “غير الضرورية”: نعلم جميعًا مدى صعوبة تحديد الرعاية اللازمة.
يعد تغيير الحوافز رافعة جذابة لواضعي السياسات، ولكن هذا وحده لن يجعل القرارات أسهل: يمكننا مكافأة الأطباء على تقليل ساعات العمل، ولكن النتيجة النهائية قد تكون ببساطة رعاية أقل ، وليس رعاية أفضل.
تتمثل الخطوة الأولى نحو الحل في الاعتراف بعدم التوافق العميق بين قدرات العقل البشري وتعقيد الطب.
منذ فترة طويلة، أدركنا أن جهاز الاستشعار الفطري لدينا لم يكن مناسبًا لفحص عمل الجسم الداخلي – ومن ثم قمنا بتطوير مجاهر وسماعات طبية ومخططات كهربائية للقلب وصور بالأشعة. هل سيحل إدراكنا الفطري وحده ألغاز الصحة والمرض في قرن جديد؟ لا تقدم حالة نظام الرعاية الصحية لدينا سببًا وجيهًا للتفاؤل.
لكن هناك أمل. نفس أجهزة الكمبيوتر التي تعذبنا اليوم بصناديق الاختيار والنماذج التي لا تنتهي ستتمكن غدًا من معالجة البيانات الطبية وتوليفها بطرق لا يمكننا فعلها أبدًا. بالفعل ، هناك مؤشرات على أن علم البيانات يمكن أن يساعدنا في حل المشكلات الحرجة.
ضع في اعتبارك التحدي المتمثل في قراءة مخطط كهربية القلب. يبحث الأطباء عن عدد قليل من الميزات لتشخيص نقص التروية أو اضطرابات الإيقاع – ولكن هل يمكننا حقًا “قراءة” أشكال الموجة في تتبع مدته 10 ثوانٍ ، ناهيك عن التسجيل لعدة أيام لجهاز هولتر؟ على النقيض من ذلك ، يمكن للخوارزميات تحليل كل نبضة قلب بشكل منهجي. هناك علامات مبكرة على أن مثل هذه التحليلات يمكن أن تحدد الاختلافات المجهرية الدقيقة المرتبطة بالموت القلبي المفاجئ .
إذا تم التحقق من صحتها، يمكن أن تساعدنا هذه الخوارزميات في تحديد وعلاج عشرات الآلاف من الأمريكيين الذين قد يسقطون ميتين بشكل غير متوقع في أي سنة معينة. ويمكنهم توجيه الأبحاث الأساسية حول آليات المتنبئين المكتشفة حديثًا.
تم نشر الخوارزميات أيضًا لتحليل كميات هائلة من بيانات السجلات الصحية الإلكترونية التي تشير نتائجها إلى أن داء السكري من النوع 2 له ثلاثة أنواع فرعية ، لكل منها توقيعه البيولوجي ومسار المرض.
نحن نقدم العلاجات لأولئك الذين يستفيدون أكثر وقد يساعدنا في فهم سبب تعرض بعض المرضى لمضاعفات والبعض الآخر لا.
ليس هناك شك في أن الخوارزميات ستحول التفكير الأساسي في الطب. والسؤال الوحيد هو ما إذا كان هذا التحول سيكون مدفوعًا بقوى من داخل المجال أو خارجه. إذا كان الطب يرغب في البقاء متحكمًا في مستقبله، فلن يضطر الأطباء إلى تبني الخوارزميات فحسب ، بل سيتعين عليهم أيضًا التفوق في تطويرها وتقييمها ، وإدخال أساليب التعلم الآلي في المجال الطبي.
لقد حفز التعلم الآلي بالفعل الابتكار في مجالات تتراوح من الفيزياء الفلكية إلى علم البيئة. في هذه التخصصات ، يتم طلب مشورة الخبراء من علماء الكمبيوتر عندما تكون هناك حاجة إلى خوارزميات متطورة لحل المشكلات الشائكة ، ولكن الخبراء في هذا المجال – علماء الفيزياء الفلكية أو علماء البيئة – يضعون جدول أعمال البحث ويقودون الأعمال اليومية لتطبيق التعلم الآلي للبيانات ذات الصلة.
على النقيض من ذلك ، في الطب ، تعتبر السجلات السريرية كنزًا دفينًا من البيانات للباحثين من التخصصات غير السريرية. لا حاجة للأطباء لتسجيل المرضى – لذلك تتم استشارتهم من حين لآخر فقط ، ربما لاقتراح نتيجة مثيرة للاهتمام للتنبؤ بها. إنهم بعيدون عن المركز الفكري للعمل ونادرًا ما ينخرطون بشكل هادف في التفكير حول كيفية تطوير الخوارزميات أو ما سيحدث إذا تم تطبيقها سريريًا.
لكن تجاهل التفكير الإكلينيكي أمر خطير. تخيل خوارزمية عالية الدقة تستخدم بيانات السجلات الصحية الإلكترونية للتنبؤ بمرضى قسم الطوارئ المعرضين لخطر الإصابة بالسكتة الدماغية. سيتعلم تشخيص السكتة الدماغية عن طريق تمرير مجموعات كبيرة من البيانات التي يتم جمعها بشكل روتيني. بشكل حاسم ، كل هذه البيانات هي نتاج قرارات بشرية: قرار المريض طلب الرعاية ، قرار الطبيب بطلب إجراء اختبار ، قرار الطبيب التشخيصي بتسمية الحالة بسكتة دماغية. وبالتالي ، بدلاً من التنبؤ بالظاهرة البيولوجية لنقص التروية الدماغي ، ستتنبأ الخوارزمية بسلسلة القرارات البشرية التي تؤدي إلى تشفير السكتة الدماغية.
ستتعلم الخوارزميات التي تتعلم من القرارات البشرية أيضًا الأخطاء البشرية ، مثل الإفراط في الاختبار والتشخيص المفرط ، والفشل في ملاحظة الأشخاص الذين يفتقرون إلى الوصول إلى الرعاية ، وتعهد أولئك الذين لا يستطيعون الدفع ، وعكس التحيز العرقي أو الجنساني. سيؤدي تجاهل هذه الحقائق إلى أتمتة وحتى تضخيم المشكلات في نظامنا الصحي الحالي .5 تتطلب ملاحظة هذه المشكلات والتراجع عنها إلمامًا عميقًا بالقرارات السريرية والبيانات التي تنتجها – وهي حقيقة تبرز أهمية النظر إلى الخوارزميات كشركاء في التفكير ، بدلاً من ذلك. من البدائل ، للأطباء.
في النهاية ، سيكون التعلم الآلي في الطب رياضة جماعية ، مثل الطب نفسه. لكن الفريق سيحتاج إلى بعض اللاعبين الجدد: أطباء مدربون في الإحصاء وعلوم الكمبيوتر ، يمكنهم المساهمة بشكل مفيد في تطوير الخوارزميات وتقييمها. نظام التعليم الطبي اليوم غير مهيأ بشكل جيد لتلبية هذه الاحتياجات. متطلبات البكالوريوس قبل الطب عفا عليها الزمن بشكل سخيف. لا يفعل التعليم الطبي الكثير لتدريب الأطباء في علوم البيانات أو الإحصائيات أو العلوم السلوكية المطلوبة لتطوير وتقييم وتطبيق الخوارزميات في الممارسة السريرية.
إن دمج علم البيانات والطب ليس بعيدًا كما قد يبدو: بيولوجيا الخلية وعلم الوراثة ، اللذان كانا غريبين أيضًا عن الطب ، أصبح الآن في صميم البحث الطبي ، وقد جعل التعليم الطبي جميع الأطباء مستهلكين مطلعين لهذه المجالات . هناك حاجة ماسة إلى جهود مماثلة في علم البيانات. إذا وضعنا الأساس اليوم ، يمكن لأطباء القرن الحادي والعشرين امتلاك الأدوات التي يحتاجونها لمعالجة البيانات واتخاذ القرارات وإتقان تعقيدات مرضى القرن الحادي والعشرين.
المقال باللغة الانجليزية
Lost in Thought — The Limits of the Human Mind and the Future of Medicine
- Ziad Obermeyer, M.D.,
In the good old days, clinicians thought in groups; “rounding,” whether on the wards or in the radiology reading room, was a chance for colleagues to work together on problems too difficult for any single mind to solve.
Today, thinking looks very different: we do it alone, bathed in the blue light of computer screens.
Our knee-jerk reaction is to blame the computer, but the roots of this shift run far deeper. Medical thinking has become vastly more complex, mirroring changes in our patients, our health care system, and medical science. The complexity of medicine now exceeds the capacity of the human mind.
Computers, far from being the problem, are the solution. But using them to manage the complexity of 21st-century medicine will require fundamental changes in the way we think about thinking and in the structure of medical education and research.
It’s ironic that just when clinicians feel that there’s no time in their daily routines for thinking, the need for deep thinking is more urgent than ever. Medical knowledge is expanding rapidly, with a widening array of therapies and diagnostics fueled by advances in immunology, genetics, and systems biology. Patients are older, with more coexisting illnesses and more medications. They see more specialists and undergo more diagnostic testing, which leads to exponential accumulation of electronic health record (EHR) data. Every patient is now a “big data” challenge, with vast amounts of information on past trajectories and current states.
All this information strains our collective ability to think. Medical decision making has become maddeningly complex. Patients and clinicians want simple answers, but we know little about whom to refer for BRCA testing or whom to treat with PCSK9 inhibitors. Common processes that were once straightforward — ruling out pulmonary embolism or managing new atrial fibrillation — now require numerous decisions.
So, it’s not surprising that we get many of these decisions wrong. Most tests come back negative, yet misdiagnosis remains common.1 Patients seeking emergency care are often admitted to the hospital unnecessarily, yet many also die suddenly soon after being sent home.2 Overall, we provide far less benefit to our patients than we hope. These failures contribute to deep dissatisfaction and burnout among doctors and threaten the health care system’s financial sustainability.
If a root cause of our challenges is complexity, the solutions are unlikely to be simple. Asking doctors to work harder or get smarter won’t help. Calls to reduce “unnecessary” care fall flat: we all know how difficult it’s become to identify what care is necessary. Changing incentives is an appealing lever for policymakers, but that alone will not make decisions any easier: we can reward physicians for delivering less care, but the end result may simply be less care, not better care.
The first step toward a solution is acknowledging the profound mismatch between the human mind’s abilities and medicine’s complexity. Long ago, we realized that our inborn sensorium was inadequate for scrutinizing the body’s inner workings — hence, we developed microscopes, stethoscopes, electrocardiograms, and radiographs. Will our inborn cognition alone solve the mysteries of health and disease in a new century? The state of our health care system offers little reason for optimism.
But there is hope. The same computers that today torment us with never-ending checkboxes and forms will tomorrow be able to process and synthesize medical data in ways we could never do ourselves. Already, there are indications that data science can help us with critical problems.
Consider the challenge of reading electrocardiograms. Doctors look for a handful of features to diagnose ischemia or rhythm disturbances — but can we ever truly “read” the waveforms in a 10-second tracing, let alone the multiple-day recording of a Holter monitor? Algorithms, by contrast, can systematically analyze every heartbeat. There are early signs that such analyses can identify subtle microscopic variations linked to sudden cardiac death.3 If validated, such algorithms could help us identify and treat the tens of thousands of Americans who might otherwise drop dead unexpectedly in any given year. And they could guide basic research on the mechanisms of newly discovered predictors.
Algorithms have also been deployed for an analysis of massive amounts of EHR data whose results suggest that type 2 diabetes has three subtypes, each with its own biologic signature and disease trajectory.4 Knowing which type of patients we’re dealing with can help us deliver treatments to those who benefit most and may help us understand why some patients have complications and others don’t.
There is little doubt that algorithms will transform the thinking underlying medicine. The only question is whether this transformation will be driven by forces from within or outside the field. If medicine wishes to stay in control of its own future, physicians will not only have to embrace algorithms, they will also have to excel at developing and evaluating them, bringing machine-learning methods into the medical domain.
Machine learning has already spurred innovation in fields ranging from astrophysics to ecology. In these disciplines, the expert advice of computer scientists is sought when cutting-edge algorithms are needed for thorny problems, but experts in the field — astrophysicists or ecologists — set the research agenda and lead the day-to-day business of applying machine learning to relevant data.
In medicine, by contrast, clinical records are considered treasure troves of data for researchers from nonclinical disciplines. Physicians are not needed to enroll patients — so they’re consulted only occasionally, perhaps to suggest an interesting outcome to predict. They are far from the intellectual center of the work and rarely engage meaningfully in thinking about how algorithms are developed or what would happen if they were applied clinically.
But ignoring clinical thinking is dangerous. Imagine a highly accurate algorithm that uses EHR data to predict which emergency department patients are at high risk for stroke. It would learn to diagnose stroke by churning through large sets of routinely collected data. Critically, all these data are the product of human decisions: a patient’s decision to seek care, a doctor’s decision to order a test, a diagnostician’s decision to call the condition a stroke. Thus, rather than predicting the biologic phenomenon of cerebral ischemia, the algorithm would predict the chain of human decisions leading to the coding of stroke.
Algorithms that learn from human decisions will also learn human mistakes, such as overtesting and overdiagnosis, failing to notice people who lack access to care, undertesting those who cannot pay, and mirroring race or gender biases. Ignoring these facts will result in automating and even magnifying problems in our current health system.5 Noticing and undoing these problems requires a deep familiarity with clinical decisions and the data they produce — a reality that highlights the importance of viewing algorithms as thinking partners, rather than replacements, for doctors.
Ultimately, machine learning in medicine will be a team sport, like medicine itself. But the team will need some new players: clinicians trained in statistics and computer science, who can contribute meaningfully to algorithm development and evaluation. Today’s medical education system is ill prepared to meet these needs. Undergraduate premedical requirements are absurdly outdated. Medical education does little to train doctors in the data science, statistics, or behavioral science required to develop, evaluate, and apply algorithms in clinical practice.
The integration of data science and medicine is not as far away as it may seem: cell biology and genetics, once also foreign to medicine, are now at the core of medical research, and medical education has made all doctors into informed consumers of these fields. Similar efforts in data science are urgently needed. If we lay the groundwork today, 21st-century clinicians can have the tools they need to process data, make decisions, and master the complexity of 21st-century patients.
Disclosure forms provided by the authors are available at NEJM.org.
Author Affiliations
From Brigham and Women’s Hospital and Harvard Medical School, Boston (Z.O., T.H.L.), and Press Ganey, Wakefield (T.H.L.) — both in Massachusetts.
The New England Journal of Medicine
