Mačor koji je mogao da predvidi smrt

Niko ne zna kako je moguće da mačka nanjuši smrt. Možda je Oskarov nos bio posebno osetljiv na neku jedinstvenu aromu – možda na hemikalije koje oslobađaju umiruće ćelije. Možda je bilo drugih, manje dokučivih znaka. Ja u ovu priču isprva nisam poverovao, ali Oskarovu sposobnost potvrdile su mi kolege koje su ga videle na delu. Kako je pisao autor teksta, „Niko na trećem spratu nije umro a da ga Oskar prethodno nije posetio i malo odremao.”

Kod mene se ova priča posebno dobro primila tog leta jer sam imao za pacijenta izvesnog S., vodoinstalatera od 32 godine kod kog je ustanovljen rak jednjaka. Dobro je reagovao na hemo i radioterapiju, hirurški smo mu odstranili tumor, a u telu više nismo mogli da nađemo ni najmanji trag maligniteta. Par nedelja posle završetka terapije, oprezno sam načeo temu pripreme za najgori ishod. Naravno da planiramo da ga izlečimo, rekao sam, ali uvek postoji bar ona mala šansa da se rak vrati. S. je imao ženu i dvoje dece, a i majku koja ga svake nedelje dovodila na terapiju. Možda bi ipak, nagovestio sam, trebalo da otvoreno porazgovara sa svojim najbližima?

Ali S. nije hteo ni da čuje. Iz nedelje u nedelju osećao se sve bolje. Nije hteo da porodicu „bedači”, rekao je svojim prepoznatljivim bostonskim naglaskom. Nadao se najboljem. Rak je izvađen, zašto kvariti proslavu? Složio sam se sa oklevanjem, priznao da su male šanse da se javi recidiv.

Kad se javio, bilo je prekasno. Dva meseca pošto je izašao iz bolnice, S. se vratio sa metastazama u jetri, u plućima, i neočekivano u kostima. Bol je bio tako intenzivan da su samo najjače doze opioida mogle da ga ublaže, pa je S. proveo poslednje dane u stanju nalik na komu, nesposoban da prepozna članove porodice oko bolničkog kreveta. Njegova majka me je molila da mu prepišem dodatnu hemoterapiju, a onda me optužila da sam ih sve slagao povoljnom prognozom. Ćutao sam, postiđen: znao sam da mi doktori izuzetno loše predviđamo smrtne ishode. Smrt je za nas crna kutija.

Na Londonskom univerzitetskom koledžu, sprovedena je analiza preko 12.000 prognoza ishoda kod smrtno bolesnih pacijenata; široko se nagađalo i promašivalo. Neki doktori su ispravno prognozirali smrt. Neki su je pogrešno cenili na plus/minus tri meseca. Čak i unutar onkologije, određene branše imaju posebno izražen problem ovog tipa: Jedna apokrifna priča opisuje doktora koji je svoj pacijentu obolelom od leukemije uporno puštao hemoterapiju u vene iako je na monitoru trebalo da vidi da je čoveku srce odavno stalo.

Ali šta ako postoji prediktivni algoritam za smrtne slučaje? Krajem 2016, diplomac-informatičar na Stanfordu po imenu Anand Avati je uz pomoć tima iz medicinske škole pokušao da „nauči” svoj algoritam kako da prepozna pacijente sa visokom verovatnoćom smrti u zadatom vremenskom rasponu. „Bolnička palijativa imala je izazov”, priča Avati. „Kako odrediti koji pacijenti imaju još tri do dvanaest meseci života?” Ovaj raspon je za njih od ključnog značaja. Ako će pacijent poživeti duže od godinu dana, nema razloga da se traće resursi i čovek ubeđuje da čeka smrt koja samo što nije. Ako će čovek umreti za manje od tri meseca, nema vremena da se zaista počne sa palijativnom negom – za njega je već prekasno. Ako bi mogli da prepoznaju pacijente sa prognozom unutar ovog uskog, optimalnog vremenskog perioda, priča Avati, doktori bi mogli da intervenišu efikasnije i humanije. Ako bi se ispostavilo da algoritam radi, palijativni timovi ne bi morali ručno da analiziraju sve dijagnoze i tako biraju one koji će od nege ovog tipa imati najviše koristi.

Avani i njegov tim obradili su slučajeve 200.000 pacijenata sa raznim fatalnim poremećajima – rak, bolesti mozga i srca, gubitak funkcije bubrega. Istraživanje se baziralo na korišćenju bolničkih arhiva za svojevrsno putovanje unatrag kroz vreme. Uzmimo na primer da je čovek umro januara 2017. - naučnici bi gledali njegove podatke između januara i oktobra 2016, u ciljnom periodu od 3-12 meseci pred smrt, u potrazi za ključnim indikatorima. Koju vrstu nege mu je tada trebalo pružiti? Ali Abanti je znao da će do odgovora moći da dođe samo ako se zahvati šira istorija bolesti. Da li bi bilo moguće naći medicinske podatke o toj osobi pre ciljnog perioda, i na osnovu njih predvideti konačan ishod? Kakav unos podataka bi omogućio algoritmu da vrši tu vrstu predviđanja?

Avati se oslanjao na informacije prisutne u bolničkom sistemu: dijagnoza, tražena testiranja, broj dana provedenih u bolnici, vrste primenjenih procedura i prepisanih terapija. Ovo su bili ograničeni podaci – bez upitnika, bez anamneze, bez mačjeg njuha – ali objektivni i horizontalno standardizovani.

Ovako sabrani, podaci su uneti u tzv. duboku neuralnu mrežu – softver ustrojen na način koji donekle oponaša organizaciju nervnih ćelija u mozgu. Zadatak algoritma bio je prilagođavanje značaja određenih informacija kako bi se generisao rejting pacijenata sa jednim kriterijumom: koji od njih u datom trenutku imaju još 3 do 12 meseci života?

„Algoritam umiranja”, nazovimo ga tako, obradio je informacije prikupljene od 160.000 pacijenata kako bi se obučio, a zatim su kroz njega provučeni podaci od preostalih 40.000 kako bi se ispitalo šta je uspeo da nauči. Rezultati su bili iznenađujuće dobri. Lažni pozitivi su se retko dešavali: od pacijenata kojima je predviđena smrt u sledećih 3 do 12 meseci, njih 90% je tako i završilo. Od onih kojima je predviđeno da će poživeti preko 12 meseci, čak 95% je imalo taj ishod. (Korišćene podatke moguće je u ogromnoj meri dodatno usavršiti. Rezultati analiza i testiranja, prognoze doktora, čak i lične procene samih pacijenata potencijalno mogu doprineti prediktivnom procesu.)

A šta je tačno algoritam „naučio” o procesu umiranja? Šta ima da ponudi onkolozima? U tome je i začkoljica kod dubokog mašinskog učenja: Proces uči i razvija se, ali ne može da nam kaže kako. Dodeljuje verovatnoće, ali teško je uvideti na osnovu čega. Kao dete koje uči da vozi bicikl uz dosta odranih kolena, tako i ovaj algoritam uči na svojim greškama. Kad biste pitali dete kako se vozi bicikl, ono bi sleglo ramenima i nastavilo da okreće pedale. Kad pitamo algoritam „Otkud znaš?”, on nas samo bledo gleda. Baš kao i smrt, on je crna kutija.

Ipak, kada se pogledaju pojedinačni slučajevi ispod haube algoritma, nailazi se na neočekivane pravilnosti. Jednom pacijentu je predviđena smrt u sledećih par meseci sa stepenom sigurnosti od 94.6%, što se pokazalo kao ispravno. Imao je rak bešike i prostate, odležao u bolnici 60 dana, dvadeset i jedan put išao na skener, a softver je iz tih faktora nekako zaključio da mu ubrzo preti smrti. Zanimljivo je koliko značaja je algoritam pripisao činjenici da je pacijentu bio skeniran kičmeni stub u kom se nalazio kateter, jer meni i mojim kolegama to ne bi zvučalo sumnjivo. (Naknadno sam shvatio da se na MR kičmene moždine pacijenti šalju ako se sumnja na rak nervnog sistema, gde su metastaze smrtonosne).

Teško mi je da čitam o „algoritmu umiranja” a da ne pomislim na svog pacijenta S. Da je postojala unapređena verzija ovog softvera, da li bih ga ja upotrebio? Apsolutno. Da li bi on možda pomogao da se S. na vreme oprosti od svoje porodice? Možda. Ali meni je nekako organski neprijatna pomisao da će algoritam bolje od čoveka shvatiti ljudsku smrtnost. Zašto nam taj vrač-pogađač zvuči toliko prihvatljivije kada ima četiri noge i crno-belo krzno?

Dr Sidarta Mukerdži, urednik Tonika, autor je knjige The Emperor of All Maladies: A Biography of Cancer za koju je 2011. dobio Pulicerovu nagradu, kao i The Gene i The Laws of Medicine (obe 2016.) Mukerdži radi kao asistent na medicinskoj katedri Univerziteta Kolumbija i bavi se medicinskim istraživanjima u oblasti onkologije.

Originalno objavljeno u „Njujork Tajmsu”.