Платформа PREDICT была создана и утверждена профессорами Гордоном Уишартом из Университета Восточной Англии и Полом Фароа из Кембриджского университета. Эта программа позволяет представить вероятности медицинских событий доступным образом: так, что они становятся понятны даже людям без медицинского образования (пациентам). Программа была создана на основании исследований, десятилетиями проводившихся преданными своему делу учеными и специалистами в области риск-коммуникации. Для того чтобы сделать вероятностные данные понятными широкому кругу людей, прилагается немало усилий со стороны профессионалов. PREDICT — не просто кружок самодеятельности.
Для усовершенствования PREDICT в Винтонском центре коммуникации рисков и доказательств в Кембридже, где я являюсь приглашенным исследователем, было проведено масштабное тестирование, результаты которого были визуализированы. После этого инструмент был обновлен, например теперь для представления информации используется формат частот: «69 из 100 женщин, перенесших хирургическое вмешательство, живут 10 и более лет после проведения операции». PREDICT достаточно широко использовался и раньше, но, по данным Винтонского центра, после перезапуска посещаемость платформы возросла примерно на 10 тысяч пользователей (с 20 до 30 тысяч пользователей в месяц). Женщины могут выбрать способ представления информации: таблица, график кривых, диаграмма, схема или рисунок (представление в виде частот). Инструмент PREDICT обладает очень удобным пользовательским интерфейсом. Конечно, в той степени, в какой фразу «удобство для пользователя» можно применить в контексте сведений о раке молочной железы.
Платформа PREDICT хороша не только доступностью и четкостью предоставляемой информации, хотя, несомненно, этот факт имеет первостепенное значение. Но чем поистине великолепна платформа — объемом научных исследований и аналитических данных, лежащих в ее основе. Теперь можно зайти на сайт, ввести генетические данные, сведения о возрасте женщины и другие важные характеристики и, сделав всего несколько щелчков мышью, узнать о преимуществах и недостатках различных вспомогательных методов терапии.
Этим бесплатным онлайн-инструментом воспользовались более миллиона врачей и женщин[369]. PREDICT стала настолько распространена в Великобритании (практически каждый онколог рассказывал об этом сайте своим пациентам), что исследователи из Винтонского центра столкнулись с проблемой: им не удавалось набрать контрольные группы для проведения дальнейших исследований. Они не могли найти достаточное число людей, не пользовавшихся этим инструментом. Эффективность использования PREDICT можно проследить на примере конкретных случаев.
Одна женщина принимала препараты гормональной терапии после операции по удалению опухоли молочной железы. Из-за терапии она вела себя не как обычно, гормоны сильно сказывались на ее настроении. Все было настолько плохо, что дочь сказала женщине: «Мама, я тебя совсем не узнаю!» Пациентка ненавидела эти изменения, но ей казалось, что прекращение приема гормонов в ее случае равноценно смертному приговору.
Она решила ввести свои данные на платформе PREDICT. Женщина указала свой возраст, генетические сведения, информацию об опухоли и отметила, наступила ли у нее постменопауза. Эти характеристики были нужны, чтобы определить потенциальную эффективность продолжения гормональной терапии. На основании ее данных сайт выдал следующий результат: прием гормональных препаратов повышает уровень выживаемости меньше чем на 4%. Это значит, из 100 женщин, находящихся в таком же положении, терапия принесет пользу всего четверым. Женщина читала текст и не верила своим глазам. Она щелкнула мышкой, чтобы посмотреть на график, и ей пришлось напрячь глаза, чтобы увидеть кривую, демонстрирующую преимущества применения гормональных препаратов.
График, демонстрирующий процент выживаемости женщин после операции по удалению рака молочной железы
Могло ли это быть правдой? Она переключилась на другой вид представления информации — рисунок, на котором было изображено ровным счетом то же самое, но в формате частоты событий.
Количество женщин, перенесших хирургическое вмешательство, которые живут 10 и более лет после проведения операции
Женщина была шокирована результатами и обратилась к своему онкологу, чтобы узнать, правильно ли она использует PREDICT. Она назвала цифры, которые вводила на сайте, и врач подтвердил, что она все делала правильно. И добавил, что женщина действительно может прекратить прием препарата, раз побочные эффекты так сильны. Отказ от препарата не приведет к значительному увеличению риска рецидива. Женщина прекратила принимать гормоны и вернулась к своей обычной жизни.
Если бы не PREDICT, пациентка никогда бы не узнала таких сведений. Возможно, их не знал и ее врач. Они бы просто продолжали слепо следовать положению «Лечение спасает жизни», которое можно интерпретировать как «Отказ от лечения ведет к смерти».
PREDICT не призывает принимать какие-либо решения, тем более необдуманные. И неважно, самостоятельно ли пациент делает выбор или согласует его с врачом. Как я уже отмечала в главе о вероятностях, ни один результат анализа и ни одна компьютеризированная система не могут сказать вам, что делать. Но PREDICT помогает пациентам вооружиться сведениями, необходимыми для дальнейшего диалога с онкологом. Знание вероятностных исходов позволяет пациенту принять правильное решение, каким бы это решение ни было.
Мы привыкли к тому, что у нас есть выбор. Нам это нравится. Мы считаем право выбора своей привилегией. Но в главе 6 мы узнали, что нам и нашим врачам требуется приложить немало усилий, чтобы сделать выбор. Иногда мы платим непомерную цену из-за ошибки или неправильно принятого решения наших врачей. Платим своим здоровьем. Мы выигрываем лишь в тех случаях, когда принятие решения не требует больших затрат сил. Но, как и в случае с вероятностями, именно руководство организаций здравоохранения, а не сами врачи должно усовершенствовать архитектуру выбора. К счастью для нас, компьютеризированные системы при правильном их использовании могут сделать свое дело.
В Англии, когда Национальная служба здравоохранения заметила, что людям, которых направляли к специалистам, иногда приходилось ждать приема более года, для решения проблемы привлекли Подразделение по изучению поведения (BIT) (неофициально известное как Nudge Unit). Сотрудники Nudge Unit связались с врачами и выяснили, что каждый раз, когда врач искал специалиста для пациента, в среднем предлагалось 99 вариантов. Учитывая все, что мы уже узнали о выборе, мы знаем, что врачи не могли эффективно сравнить такое большое количество вариантов. Именно поэтому многие использовали эвристический алгоритм и направляли своих пациентов в местную больницу по умолчанию, даже если такое решение предполагало мучительно долгое время ожидания.
Решением было изменить архитектуру выбора. Врачам, дающим направления, по-прежнему был представлен широкий спектр специалистов, но выбирать стало проще. Теперь в верхней части списка врачи видят зеленую рамку с тремя местными клиниками, которые предлагали ту же услугу с разумным временем ожидания. Выбрать из трех было легко (легче, чем из 99!). Если врач хотел направить пациента к специалисту, рядом с которым было красное поле, обозначающее чрезмерно долгое время ожидания, появлялось всплывающее окно, призывающее врача обсудить это с пациентом.
Количество обращений в переполненные больницы снизилось на 40%[370]. Такой подход к делу, впервые использованный в Восточном Лондоне, позже стал применяться по всей стране[371]. Появилась возможность сократить время ожидания для 40 тысяч человек в месяц, вместо того чтобы оставлять их ждать и страдать от боли, утешаясь чашкой чая.
Существуют медицинские рекомендации, которым теоретически должны следовать врачи при выборе решения, однако на практике им следуют далеко не всегда. В США в компании, предоставляющей медицинские услуги, Geisinger Health System, есть команда по фармацевтическим инновациям, роль которой в некоторой степени связанна с Nudge Unit, и заключается она в оказании помощи в решении проблем неоптимального или ненадлежащего назначения лекарств. Команда стремилась использовать данные из электронных медицинских карт от компании Epic, чтобы помочь врачам следовать новейшим медицинским рекомендациям и передовым практикам. В рамках одного проекта они подтолкнули врачей провести обследование детей в возрасте от 9 до 11 лет на предмет раннего выявления высокого уровня холестерина в крови и семейной гиперхолестеринемии, что позволило провести раннее лечение и профилактику неблагоприятных сердечно-сосудистых заболеваний в будущем.
Компания решила работать над подобными проектами, чтобы улучшить результаты лечения пациентов при одновременном снижении затрат или сохранении их на прежнем уровне. Амир Горен — руководитель программы группы по изучению поведения в Институте инноваций в области здравоохранения Стила в Гейзингере. Горен провел A/B-тестирование (случайным образом определяя A или B) сообщений, отправляемых врачам. Пациентам выслали два типа сообщений: напоминание о передовой практике с предупреждением о необходимости сделать запрос на скрининг уровня холестерина и без предупреждения. Количество запросов на скрининг увеличилось более чем в три раза в группе, получившей письмо с предупреждением[372]. Число скрининговых мероприятий увеличилось в 2,6 раза, потому что некоторые родители в конечном итоге не взяли своих детей на проверку. Медицинские решения продолжаются.
Некоторые решения не зависят от пациентов, но могут нанести им большой вред. Назначение лекарств пациентам на искусственной вентиляции легких сформировало еще один контекст, в котором архитектура выбора снизила нагрузку на врачей и одновременно улучшила результаты для здоровья с минимальными усилиями. Пациенты на ИВЛ подвергаются риску развития пневмонии, они ничего не могут с этим подела