Olli-Pekka Ryynänen sidonnaisuudet
Itä-Suomen yliopisto: yleislääketieteen professori Kuopion yliopistollinen sairaala: hallinnollinen
apulaisylilääkäri (15%)
Wisane oy hallituksen jäsen, tekee terveydenhuollon vaikuttavuuden mallinnuksia Bayesmenetelmillä
Kuopion kaupunki, kaupunginvaltuutettu, perusturva- ja
terveyslautakunnan puheenjohtaja
Ennustaminen on vaikeaa, varsinkin tulevaisuuden ennustaminen
Niels Bohr
Your theory is crazy, but is it crazy
enough?
Lääketiede on täynnä ennustamisongelmia
Onko potilas
väkivaltaisuusriskissä? Päätyykö potilas
eläkkeelle?
Uusiutuuko syöpä?
Aiheuttaako lääke
sivuvaikutuksia?
Miten voimme ennustaa?
Kliininen kokemus, tieto riskitekijöistä ym.
Laskurit, yleensä tehty logistisilla malleilla.
Ennustuskyky on useimmiten heikko.
Suurin ongelma on, että ennustuskyky aineistossa A ei ole siirrettävissä aineistoon B (robustisuus).
Lääkärin päätöksenteko perustuu pitkälle erilaisiin
peukalosääntöihin. Ammattilaisetkaan eivät juuri pysty hallitsemaan muuttuvia tilanteita.
Kehittyneempiä menetelmiä
Esimerkkeihin perustuva päättely (case-based reasoning).
K-lähimmän naapurin menetelmä.
Neuroverkot
Bayesmenetelmät Ym.
Keskitymme
tähän
Thomas Bayes 1702 -1761
Englantilainen pappi ja amatöörimatemaatikko Tulokset julkaistiin hänen kuolemansa jälkeen.
Ideaa kehitti ranskalainen Pierre- Simon Laplace
äännetään beiz, vrt. Wales -weilz
Historia on pitkä
Nykyisin runsaasti sovelluksia.
PubMed: hakusana "Bayesian"
tuottaa noin 24300 tulosta
Charlie Sheen
Mikä se siis on?
Laskentamenetelmä, perustuu Bayesin yhtälöön.
Lasketaan tuntemattoman todellisuuden todennäköisyyksiä.
Lähdetään liikkeelle priorista ja havainnoista (aineistosta), likelihood, saadaan posteriori.
Esitetään verkkomalleina. Verkkomallin voi
kiinnittää tietyille arvoille ja ennustaa uutta
yksittäistapausta.
Bayesverkon kaksi perustyyppiä (muitakin on)
Supervised model, naiivi Bayes, luokitemalli, classification model.
Yksi muuttuja, jota ennustetaan muista muuttujista.
Erityisesti ennustustehtävissä.
Unsupervised model, dependency model.
Esitetään kaikki muuttujien väliset riippuvuudet.
Sopii ilmiön etsimiseen datamassasta.
Tulos voi olla yksinkertainen, tai sitten helvetillinen häkkyrä
Bayes-analyysin ominaisuuksia
Hallitsee hyvin monimutkaisia syy-yhteyksiä ja ihmisajattelulle käsittämättömän kompleksisia päätöksentekotilanteita
Toimii perinteistä frekventististä tilastotiedettä pienemmillä potilasaineistoilla
Suppeampi edustavuusvaatimus: havaintoaineiston ei tarvitse olla edustava otos kohderyhmästä
Jakaumaoletuksia ei juuri tarvita
Sietää puuttuvia tai virheellisiä tietoja ja outlier-tapauksia
Mallin käyttökelpoisuus ja mallin oikeellisuus eivät välttämättä ole sama asia
Malli on hyödytön, jos se on oikeassa, mutta kertoo vain sen, mikä tiedetään muutenkin
Malli voi olla väärässä, mutta olla silti hyödyllinen. Esim. malli voi varoittaa komplikaatioriskistä ja ennusteen tuloksena voidaan hoitoa muuttaa komplikaation välttämiseksi.
Esimerkkejä Bayes-koneista:
B-course: ilmainen, interaktiivinen ohjelma
Voit helposti kokeilla itse:
Hae B-course googlettamalla
Ota oma tutkimus- aineistosi Excelillä,
tallenna se tab delimited –muotoon.
Nyt B-course osaa lukea aineiston.
Puhdista ensin aineistosta tarpeettomat muuttujat, muuten
tulee kauhea sekamelska.
Ennustusmalli
ns. naiivi Bayes
Yksittäisen potilaan riskit lasketaan Bayes-verkkomallilla, ennusteet oikeita noin 75-95%:sti
Tuotetaan ennusteita, jotka koskevat yksittäistä potilasta
Menetelmä on ainutlaatuinen, kehitetty Itä-Suomen ja Helsingin yliopistojen yhteistyönä
PREQ
Proactive Evidence for Quality
Tulosten käyttömahdollisuudet
prioriteettiarviointi
yksiköiden laadun ja kustannusten tarkkailu, myös yksittäisten lääkäreiden tulokset
yksittäisen potilaan hoitotuloksen ennakointi potilasprofilointi
hoidon optimointi
uusien menetelmien arviointi
satunnaistetun asetelman simulointi
Bayesialab
Erittäin kehittynyt Bayesohjelmisto
Kausaalimallit: sisältää intervention, voidaan korvata satunnaistettuja tutkimuksia
Frequently Asked Questions
Mitä ongelmaa tässä on?
Ongelmia on ainakin seuraavat:
ylisovitettu malli (overfit) robustisuus
mistä saadaan priorit?
miten tulos tulkitaan?
Ylisovitettu malli (overfit model)
Ongelmana kaikissa ennustusmenetelmissä Ylisovitettu malli antaa liian suuren määrän
ennustavia tekijöitä, ylioptimistisen käsityksen ennustuskyvystä eikä toimi toisella aineistolla
Torjuntakeino: muuttujien määrän rajoittaminen
Robustisuus
Mallin ongelmana on robustisuus (siis sen puute), mallin siirrettävyys toiseen paikkaan tai aikaan, seuraus
ylisovituksesta
Tilanne elää koko ajan, eikä kerran tehty malli ole voimassa kovin pitkää aikaa
Tarvitaan jatkuvasti uutta tietoa riskitekijöistä ja sairauden ja riskitekijöiden prevalenssista (prevalenssin muutokset
vaikuttavat vahvasti mallin antamaan lopputulokseen)
Uusi tieto voidaan nopeasti siirtää mallin prioreihin, jolloin
malli voidaan päivittää
Onko vaaraa itseään
toteuttavista ennusteista?
Vastaus: on.
Ennustemallin käyttö vaatii tervettä harkintaa eikä harkinta ole korvattavissa ennusteita käyttämällä
Vastuu on lääkärillä, ennuste tukee harkintaa
Ennustetta ei pidä torjua tämän vuoksi. Ennusteita on
asetettu aina. Malli tekee ennusteet läpinäkyviksi ja vakioi eri henkilöiden tekemiä ennusteita. Tietämättömyys on huonoin vaihtoehto.
Ovatko ennustetekijät kausaalisessa suhteessa päätemuuttujaan?
Voi olla, tai sitten ei.
PREQ ei erottele riskitekijöitä ja markkereita, ne pitää vain loogisesti päätellä.
Esim. tupakointi on sepelvaltimotaudin riskitekijä ja suhde on kausaalinen.
Kirjastokortin omistaminen on sepelvaltimotaudin markkeri, se ei ole kausaalisuhteessa, mutta kortittomat ovat paljon suuremassa riskissä.
PREQin mallissa voi olla riskitekijöitä ja markkereita.
Bayesialabilla voidaan rakentaa täyskausaalimalleja.
Voiko kone olla parempi kuin lääkäri?
Meta-analyysi v 2000: 139 tutkimusta, joissa lääkäriä oli päätöksentekijänä verrattu koneeseen. Kahdeksassa
tutkimuksessa oli lääkäri parempi. Kone voitti 63:ssa tutkimuksessa ja 65 tutkimusta eivät havainneet eroa.
Uudempi meta-analyysi v 2006: 67 tutkimusta, kone parempi.
Grove ym. Clinical versus mechanical prediction: A meta-analysis. Psychological Assessment, 2000;12(1):19-30.
Stefanía Ægisdóttir, Michael J. White ym. The Meta-Analysis of Clinical Judgment Project. The counseling psychologist, 2006;34(3):341-382
Kuinka hyviä mallit ovat?
Malli validoidaan joko kokonaan ulkopuolisella aineistolla, jakamalla aineisto opetus- ja testiaineistoihin, ajamalla sama aineisto mallin läpi (huono) tai muilla menetelmillä, esim. leave-one-out-cross-validation.
Ennustustarkkuudet yleensä 80-90%. Riippuu datan ominaisuuksista, ei niinkään testimenetelmistä.
Kliininen validaatio on tärkeämpi kuin matemaattinen!