เหตุใดแนวทางการรักษามะเร็งจึงถูกกักอยู่ใน PDF
(seangeiger.substack.com)- แนวทางการรักษามะเร็งช่วยบีบอัดหลักฐานทางคลินิกให้เป็น คำแนะนำแบบมีโครงสร้าง เพื่อลดความแตกต่างในการรักษา แต่ในภาคสนามกลับนำไปใช้ให้สอดคล้องกันได้ยาก เนื่องจากแรงกดดันด้านเวลาและความแตกต่างในการเข้าถึงงานวิจัยล่าสุด
- NCCN เป็นเครือข่ายของศูนย์มะเร็งหลัก 32 แห่งในสหรัฐฯ โดยคณะผู้เชี่ยวชาญสหสาขาในแต่ละชนิดมะเร็งจะอัปเดต NCCN Clinical Practice Guidelines in Oncology ทุกปี
- ปัจจุบันแนวทางอยู่ในรูป ผังงาน PDF ที่ต้องไล่ตามหลายหน้าและหลายลิงก์ ทำให้ในกรณีชนิดย่อยที่หายากหรือเงื่อนไขผู้ป่วยที่ซับซ้อน การค้นหาเวอร์ชันและเส้นทางที่ถูกต้องทำได้ยาก
- แก่นของแนวทางคือ decision tree ดังนั้นหากอยู่ในรูปแบบที่เครื่องตีความได้ ระบบเวชระเบียนก็จะช่วยเสนอการตรวจ แจ้งเตือนเมื่อออกนอกแนวทาง และมีอินเทอร์เฟซสำหรับค้นหาอย่างรวดเร็วได้
- เครื่องมือต้นแบบใช้ LLM ดึงแนวทางมะเร็งเต้านมของ NCCN ออกมาเป็น JSON schema และเก็บเป็นกราฟ 271 โหนด แต่ความแม่นยำอยู่ที่ระดับ 70–80% และไม่ควรนำไปใช้ในการตัดสินใจทางคลินิก
บทบาทของแนวทางในการทำให้การรักษามะเร็งเป็นมาตรฐาน
- ผู้ป่วยสองรายที่มีชนิดมะเร็ง ระยะ ขนาดก้อน และตำแหน่งเหมือนกัน แม้ไปโรงพยาบาลคนละแห่ง ตามอุดมคติแล้วก็ควรได้รับ การรักษาอิงหลักฐาน หรือการตรวจเพิ่มเติมแบบเดียวกัน
- ในความเป็นจริง แพทย์ต้องเผชิญแรงกดดันด้านเวลา มีพื้นฐานการฝึกอบรมต่างกัน และอาจเข้าถึงงานวิจัยล่าสุดไม่ได้ทันที
- แนวทางทางคลินิกทำหน้าที่รวบรวมหลักฐานทางการแพทย์จำนวนมหาศาลให้เป็นคำแนะนำแบบมีโครงสร้าง เพื่อช่วย ทำให้การรักษาเป็นมาตรฐาน ระหว่างโรงพยาบาลและแพทย์ผู้รักษา
- การตอบสนองต่อการรักษาของผู้ป่วยแต่ละรายอาจแตกต่างกันได้ แต่การทำตามแนวทางอิงหลักฐานสามารถเพิ่มโอกาสของผลลัพธ์เชิงบวกได้
วิธีที่แนวทางของ NCCN ถูกสร้างขึ้น
- แพทย์มะเร็งวิทยาผู้เชี่ยวชาญในแต่ละชนิดมะเร็งจะระบุสถานการณ์ต่างๆ ที่อาจพบในการรักษาทุกปี แล้วทบทวนหลักฐานทางคลินิกของแต่ละสถานการณ์เพื่อให้คำแนะนำในการดำเนินการ
- ตัวอย่าง: มะเร็งเต้านมระยะแรก เคยผ่าตัดเต้านมบางส่วน และผู้ป่วยกำลังตั้งครรภ์
- ตัวอย่าง: ผู้ป่วยที่เป็นมะเร็งชนิด ductal invasive และมีความยาวก้อน 0.6–1 ซม.
- คำแนะนำอาจนำไปสู่การสั่งตรวจเฉพาะ การกำหนดแผนการรักษา หรือกำหนดเวลาติดตามผลในอนาคต
- คณะผู้เชี่ยวชาญจะทบทวนหลักฐานใหม่และอัปเดตแนวทางเป็นประจำ
- เนื่องจากการรักษาที่ทำได้แตกต่างกันไปตามภูมิภาค หลายองค์กรจึงจัดทำแนวทางที่แตกต่างกัน และการนำไปใช้จริงก็ได้รับอิทธิพลจากพื้นที่เช่นกัน
- NCCN เป็นเครือข่ายของศูนย์มะเร็งหลัก 32 แห่งในสหรัฐฯ โดยคณะผู้เชี่ยวชาญสหสาขาในแต่ละชนิดมะเร็งจะทบทวนงานวิจัยล่าสุด และหาฉันทามติเรื่องแนวทางการคัดกรอง การวินิจฉัย การรักษา และการดูแลประคับประคอง
- ผลลัพธ์คือ NCCN Clinical Practice Guidelines in Oncology ซึ่งถูกใช้ทั่วโลกในฐานะมาตรฐานการรักษามะเร็งที่ครอบคลุมและแพร่หลาย
ปัญหาในทางปฏิบัติของการใช้งานบน PDF
- ในหนึ่งหน้าของแนวทางมะเร็งเต้านมของ NCCN มีลิงก์อย่าง BINV-6 และแต่ละลิงก์จะนำไปยังอีกหน้าหนึ่งที่มีผังงานของตัวเอง
- แพทย์ต้องเทียบสถานการณ์ผู้ป่วยเข้ากับผังงาน และเมื่อเจอข้อมูลที่ยังไม่ทราบ เช่น สถานะ HER2 ก็ต้องสั่งตรวจ หรือไล่ตามหลายหน้าไปเรื่อยๆ จนกว่าจะถึงคำแนะนำการรักษา
- แม้ใช้แนวทางแล้ว ก็ยังทำให้เป็นมาตรฐานอย่างสมบูรณ์ได้ยาก
- อาจมีตัวเลือกการรักษาหลายแบบที่มีระดับหลักฐานใกล้เคียงกัน
- สถานการณ์ของผู้ป่วยที่เกี่ยวข้องกับการรักษาอาจไม่ได้ถูกระบุไว้อย่างชัดเจนในแนวทาง
- แพทย์ยังต้องใช้ดุลยพินิจอยู่ดี แต่ขอบเขตของการตัดสินใจที่เป็นไปได้จะแคบลง
- ศูนย์ชั้นนำอย่าง Mayo Clinic และ MD Anderson ไม่ได้มีเพียงเงินทุน แพทย์มะเร็งวิทยาที่เชี่ยวชาญสูง และการเข้าถึงการทดลองทางคลินิกเท่านั้น แต่ยังมี กระบวนการดูแลรักษาอย่างเป็นระบบ และขั้นตอนการนำแนวทางไปใช้ด้วย
- ในโรงพยาบาลใดก็ตาม การรักษาอาจหลุดจากแนวทางได้
- ตัวอย่าง: เงื่อนไขว่าผู้ป่วยอยู่หลังหมดประจำเดือนอาจถูกมองข้ามในชาร์ต ทำให้ได้รับการรักษาที่มีหลักฐานรองรับดีกว่าสำหรับผู้ป่วยก่อนหมดประจำเดือน
- เนื่องจากแพทย์ต้องดูผู้ป่วยหลายร้อยราย แม้เข้าถึงแนวทางได้ ก็อาจพลาดเงื่อนไขบางอย่างได้
- วิธีปรับปรุงผลลัพธ์การรักษามะเร็งมีทั้งการค้นพบยาใหม่และการพัฒนาเทคนิคผ่าตัด แต่การลดช่องว่างของการรักษาอิงหลักฐานเป็นแนวทางที่ทำได้ทันที เป็นสากล และบรรลุได้จริง
ข้อจำกัดเมื่อ decision tree ถูกกักอยู่ใน PDF
- แนวทางเหล่านี้บรรจุงานของแพทย์มะเร็งวิทยาผู้เชี่ยวชาญเป็นเวลาหลายแสนชั่วโมง แต่ผลลัพธ์สุดท้ายคือ PDF ที่แน่นและค้นหาได้ยาก
- แพทย์มะเร็งวิทยาที่พบชนิดย่อยของมะเร็งเต้านมหายากเพียงไม่กี่ปีครั้ง ต้องหาเวอร์ชัน PDF ที่ถูกต้อง หา section ที่ตรงกับลักษณะของมะเร็ง ไล่ตามลิงก์หลายหน้า และติดตามปัจจัยของผู้ป่วยไปพร้อมกัน
- แนวทางถูกแก้ไขต่อเนื่อง และเวอร์ชันใหม่ถูกเผยแพร่เป็น PDF แยกต่างหาก จึงพลาดอัปเดตหรืออ้างอิงเวอร์ชันเก่าที่ฝังอยู่ในเอกสารทางคลินิกได้ง่าย
- โดยแก่นแล้ว แนวทางคือ decision tree และทีมผู้เขียนใช้ความพยายามอย่างมากในการทบทวนหลักฐานและจัดระเบียบให้อยู่ในรูปต้นไม้
- หากมีข้อมูลที่จัดโครงสร้างอย่างเหมาะสม เครื่องก็สามารถตีความแนวทางได้
- ระบบบันทึกเวชระเบียนสามารถเสนอการตรวจวินิจฉัยที่ผู้ป่วยจำเป็นต้องได้รับโดยอัตโนมัติ
- เมื่อการรักษาออกนอกแนวทาง ระบบสามารถแสดงการแจ้งเตือนหรือ modal “แน่ใจหรือไม่?” ได้
- แพทย์สามารถตรวจดูแนวทางได้ด้วยวิธีที่รวดเร็วและเป็นธรรมชาติกว่า แทนการค้นหา PDF
- องค์กรผู้จัดทำแนวทางควรให้ รูปแบบที่มีโครงสร้างและเครื่องตีความได้ ควบคู่กับ PDF ที่ดาวน์โหลดได้ และตามอุดมคติ ทุกองค์กรและระบบข้อมูลผู้ป่วยควรตีความรูปแบบเดียวกันได้
- อย่างไรก็ตาม แนวทางด้านข้อมูลเช่นนี้ไม่ใช่ความเชี่ยวชาญหลักขององค์กรผู้จัดทำแนวทาง
เครื่องมือต้นแบบสำหรับแนวทางแบบมีโครงสร้าง
- จากประสบการณ์การทำงานร่วมกับแพทย์มะเร็งวิทยาในฐานะ software engineer จึงมีการสร้าง เครื่องมือ proof-of-concept เพื่อดึง decision tree ที่ถูกกักอยู่ใน PDF ออกมาเป็นโครงสร้างที่เครื่องเข้าใจได้
-
การออกแบบ schema
- เริ่มจากนิยาม schema ที่สามารถแทนข้อมูลส่วนใหญ่ในแนวทางของ NCCN ได้
- แนวทางดูเหมือนเป็นต้นไม้ของข้อมูล แต่บาง reference สามารถย้อนกลับได้ จึงมี cycle อยู่ด้วย
- แนวทางทั้งหมดของมะเร็งชนิดหนึ่งแบ่งออกเป็น directed graph หลายกราฟที่แยกจากกัน
- แต่ละจุด เช่น เงื่อนไข คุณลักษณะที่จำกัดขอบเขต และตัวเลือกการรักษา ถูกแทนด้วยโหนด โดยเอกสารอ้างอิงและเชิงอรรถที่เกี่ยวข้องก็เก็บไว้ในโหนดด้วย
- ลูกศรในผังงานหรือ reference ข้ามหน้าถูกแทนเป็นความสัมพันธ์ระหว่างโหนด
-
การดึงข้อมูล
- ในขั้นแรก LLM กวาดดูเอกสารและสร้างโหนด reference สำหรับแต่ละหน้าของแนวทาง
- reference ของหน้าจะเป็นโหนดแม่ของโหนดระดับบนสุดในแต่ละหน้า และเมื่อโหนดอื่นชี้ไปยังหน้าหนึ่ง ก็จะชี้ไปยังโหนดของหน้านั้น
- จากนั้น LLM อ่านแนวทางเป็นชุดหน้าขนาดเล็ก พร้อมรับ reference ของหน้า แล้วดึงออกมาเป็นตัวแทน JSON ของ schema
- เมื่อนำกระบวนการนี้ไปใช้กับแนวทางมะเร็งเต้านมของ NCCN แล้วจัดเก็บโหนดและความสัมพันธ์ลงฐานข้อมูล พบว่าสร้างโหนดทั้งหมด 271 โหนด
-
การแสดงภาพ
- สร้าง graph viewer ด้วยไลบรารี React Flow และแสดงหน้าที่เป็น root node ซึ่งไม่มี reference ขาเข้า
- เมื่อคลิกโหนด โหนดลูกจะปรากฏขึ้น และผู้ใช้สามารถไล่ลงไปตาม flow ของโหนดได้
-
การทำ agent
- มีการทำ agent ที่รับประวัติผู้ป่วยเป็นอินพุตแล้วสำรวจกราฟ
- เริ่มจากหาโหนดระดับบนสุดที่ใกล้เคียงกับสถานการณ์ผู้ป่วยที่สุด จากนั้นเลือกโหนดลูกที่ตรงกับผู้ป่วยที่สุด
- ทำซ้ำกระบวนการนี้จนกว่าจะถึง leaf node หรือมีข้อมูลไม่พอที่จะดำเนินต่อ
- เครื่องมือต้นแบบ ใช้งานได้ที่นี่
ข้อจำกัดและขั้นต่อไป
- ข้อมูลเดโมยังไม่ได้รับการตรวจทาน มีข้อผิดพลาดและข้อมูลตกหล่น จึง ไม่ควรนำไปใช้ในการตัดสินใจทางคลินิก
- กระบวนการดึงข้อมูลใช้เวลาไม่กี่ชั่วโมง และ agent ใช้เวลาน้อยกว่านั้น หากทุ่มเทมากขึ้นก็สามารถเพิ่มความแม่นยำได้
- ความแม่นยำปัจจุบันอยู่ที่ประมาณ 70–80%
- การดึงข้อมูลด้วย LLM เป็นวิธีที่ทำ prototype ได้ง่าย และหากมีมนุษย์ตรวจทานก็เพิ่มความน่าเชื่อถือได้ แต่วิธีในอุดมคติคือเขียนแนวทางให้อยู่ในรูปแบบมีโครงสร้างตั้งแต่ต้น
- ข้อมูลปัจจุบันยังอยู่ในสภาพกึ่งมีโครงสร้าง
- ข้อมูลอย่างความสัมพันธ์เชิงเหตุและผล รวมถึงวิธีประเมินแต่ละโหนด ยังต้องอาศัยการเข้าใจภาษาธรรมชาติของแต่ละโหนด
- งานในอนาคตอาจนิยาม schema ที่มีโครงสร้างมากขึ้นและประเมินได้ง่ายขึ้น
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
ผมมองว่า PDF ดีกว่า เครื่องมือแบบคัสตอมน่าจะแตกต่างกันไปตามแต่ละคลินิกหรือระบบเวชระเบียนอิเล็กทรอนิกส์ และค่าบำรุงรักษาก็คงแพงด้วย
PDF แย่ในหลายแง่ แต่ อยู่ได้นานและพกพา/ย้ายใช้ได้ดี ต่อให้ทำงานกับแพทย์มะเร็งวิทยาสองคน ก็ใช้ PDF เดียวกันได้
เจตนาของผู้เขียนดี แต่สุดท้ายมีโอกาสสูงที่จะกลายเป็นเครื่องมือที่มีแต่เจ้าตัวเท่านั้นที่เข้าใจ และจะแย่ลงเพราะข้อยกเว้นจำนวนมาก
ผมไม่ได้สร้างสิ่งนี้เพื่อเอาไปขายให้สถาบันการแพทย์ แต่อยากแสดงให้เห็นว่าสามารถทำอะไรได้บ้างกับแนวทางการรักษาที่มีโครงสร้าง ผมไม่เห็นว่ามันจำเป็นต้องผูกติดกับคลินิกหรือระบบเวชระเบียนอิเล็กทรอนิกส์ใดเป็นพิเศษ
ในอุดมคติ องค์กรที่จัดทำแนวทางการรักษาควรเผยแพร่ รูปแบบที่มีโครงสร้าง ควบคู่ไปกับ PDF ด้วย เครื่องมือเขียนเอกสารสามารถส่งออกได้ทั้งสองรูปแบบ แพทย์มะเร็งวิทยาก็ยังใช้ PDF ต่อไปได้ ขณะที่ระบบสามารถใช้ประโยชน์จากข้อมูลแบบมีโครงสร้าง
แพทย์มะเร็งวิทยาในชุมชนมีทรัพยากรด้านเทคโนโลยีจำกัดเมื่อเทียบกับศูนย์มะเร็งแห่งชาติ ถ้าทำให้ชีวิตของพวกเขาง่ายขึ้นได้ ก็เป็นเรื่องดี
แต่เอกสารแบบ เอกสารเผยแพร่ อย่าง PDF ก็ยังดีอยู่ ระบบต่าง ๆ มักทำให้การเปรียบเทียบรีลีสเดือนมิถุนายนกับรีลีสเดือนกันยายนทำได้ยาก
ระบบแบบวิซาร์ดซ่อนข้อมูลส่วนใหญ่ อาจมีบั๊กที่เราไม่รู้ กวาดดูเส้นทางทางเลือกได้ยาก มักผูกกับผู้ใช้ที่ลงทะเบียน และระบบอาจล่มได้
ผมคิดว่าระบบคอมพิวเตอร์ที่ฉลาดกว่านี้มากคืออนาคตของการแพทย์ แต่ก็สงสัยว่าเหมาะไหมที่จะเริ่มด้วยเครื่องมือคัสตอมอีกตัวที่ทำมาเฉพาะสำหรับแนวทางการรักษามะเร็ง
ไอเดียนี้ไม่ใช่เรื่องใหม่ ถ้าค้นคำว่า computable clinical guidelines จะเจองานวิชาการที่เกี่ยวข้องจำนวนมาก และบทความนี้เป็นจุดเริ่มต้นที่ดี [1]
ที่จริงมีความพยายามมาตั้งแต่ทศวรรษ 1970 แล้ว ตัวอย่างเด่นคือ ระบบผู้เชี่ยวชาญ MYCIN อันโด่งดัง [2]
อย่างที่เห็นจากประวัติของ MYCIN ปัญหานี้ละเอียดอ่อนกว่าที่ดูมาก และมีปัจจัยทางเทคนิค จิตวิทยา สังคมวิทยา และเศรษฐกิจเกี่ยวพันกันอยู่ เหตุผลที่แนวทางการรักษามะเร็งยังอยู่ใน PDF ก็อยู่ตรงนี้
ถึงอย่างนั้นก็ไม่มีเหตุผลที่จะหยุดสำรวจ แค่คนรุ่นก่อนไขไม่ออก ไม่ได้แปลว่าเป็นปัญหาที่แก้ไม่ได้
[1] https://pmc.ncbi.nlm.nih.gov/articles/PMC10582221/
[2] https://www.forbes.com/sites/gilpress/2020/04/27/12-ai-miles...
นอกจากนี้ควรดู Developer API ของ NCCN ไว้ด้วย ไม่ใช่เพราะน่าสนใจในเชิงเทคนิคมากนัก แต่เพราะมันมีความหมายตรงที่แสดงให้เห็นสภาพแวดล้อมด้านทรัพย์สินทางปัญญา
https://www.nccn.org/developer-api
ประเด็นสำคัญคือแพทย์ยืนยันได้ยากว่าคำแนะนำของตนสะท้อนงานวิจัยทางคลินิกล่าสุดจริงหรือไม่
อีกเรื่องสำคัญคือข้อได้เปรียบที่แพทย์ในศูนย์การแพทย์ชั้นนำซึ่งอยู่ใจกลางงานวิจัยมี สามารถถูกมอบให้แพทย์ทุกคนได้ด้วย นี่คือสิ่งที่มักเรียกว่า ปัญหาการเผยแพร่ความรู้
ตอนนี้การทบทวนวรรณกรรมอย่างเป็นระบบตามมาตรฐาน Cochrane เป็นแนวทางที่ดีที่สุด [0] การทบทวนแบบนี้ใช้แรงงานมากและเกิดขึ้นไม่บ่อยเกินไป แต่ถ้าทำอย่างถูกต้องก็มีคุณค่ามาก
การทบทวนลักษณะนี้ยังเผยให้เห็นด้วยว่างานวิจัยที่ตีพิมพ์ถูกคัดออกบ่อยแค่ไหนด้วยเหตุผลอย่างอคติหรือชุดข้อมูลที่ไม่สมบูรณ์
แนวทาง Geiger ในลิงก์มีเจตนาดีมาก แต่ผลลัพธ์น่าจะชนกับปัญหาเดียวกับที่การทบทวนวรรณกรรมอย่างเป็นระบบโดยมนุษย์ต้องเจอ
ผมสงสัยว่าผู้เขียนได้พิจารณา แนวทางแบบอิงกฎ เช่นแนวทางของ Cochrane นอกเหนือจากแนวทางแมชชีนเลิร์นนิงหรือไม่
[0] https://training.cochrane.org/handbook
แนวทางของ NCCN และรีวิวของ Cochrane มีบทบาทเสริมกันในวงการแพทย์ NCCN ให้ขั้นตอนวิธีการรักษามะเร็งที่ใช้งานได้จริงและอัปเดตบ่อย โดยอิงงานวิจัยและฉันทามติของผู้เชี่ยวชาญ ส่วนรีวิวของ Cochrane ให้การวิเคราะห์หลักฐานที่เข้มงวดในทุกสาขาการแพทย์ โดยเน้นการทดลองแบบสุ่มมีกลุ่มควบคุมมากกว่า
แนวทางของ NCCN นำไปใช้ในคลินิกได้ทันทีมากกว่า ส่วนรีวิวของ Cochrane ให้การวิเคราะห์เชิงลึกกว่าเกี่ยวกับคุณภาพของหลักฐาน
เป้าหมายหลักของผมคือการแสดงให้เห็นว่าแนวทางการแพทย์ใด ๆ ที่มีโครงสร้างอย่างเหมาะสมสามารถทำอะไรได้บ้าง ส่วนมาตรฐานจะเลือกแบบไหนก็ได้ตามต้องการ
บางคนที่ใฝ่รู้ก็ยังติดตาม แต่ท่าทีโดยรวมคือผ่านการเรียนที่หนักมาแล้ว จึงไม่จำเป็นต้องทำแบบนั้นอีก
คำกล่าวที่ว่า “แก่นของแนวทางเวชปฏิบัติคือต้นไม้การตัดสินใจ” เป็นเพียงความหวัง และอาจไม่ช่วยแม้ใช้เป็นเป้าหมาย
ในแนวทางเวชปฏิบัติแทบไม่มีข้อมูลที่จะครอบคลุมเส้นทางการตัดสินใจที่เป็นไปได้ทั้งหมด สิ่งที่ทำได้คือรายงานผลลัพธ์ที่มีหลักฐานรองรับอย่างดี ให้ความเห็นจากผู้เชี่ยวชาญในบางกรณีที่เป็นการประมาณแทรกระหว่างข้อมูล และสำหรับบางส่วนที่เหลือก็ระบุปัจจัยที่ควรพิจารณา
หากย่อสิ่งนี้ให้เป็นต้นไม้การตัดสินใจ กิ่งจำนวนมากจะว่างเปล่า และผู้เชี่ยวชาญส่วนใหญ่จะสามารถชี้ปัจจัยที่ควรนำไปสู่ต้นไม้ที่ซับซ้อนกว่านี้ได้
เหตุผลคือกิ่งเหล่านี้แทบไม่ใช่สิ่งที่ชี้ขาดแน่นอนเลย ตรงกันข้าม มันใกล้เคียงกับ ความน่าจะเป็นเชิงควอนตัม มากกว่า จึงต้องถือความเป็นไปได้หลายอย่างไว้พร้อมกัน และโรค—ในที่นี้คือมะเร็ง—จะเผยตัวตนของมันก็ต่อเมื่อการรักษาเริ่มได้ผลหรือล้มเหลวแล้วเท่านั้น
จนกว่าจะจับ โครงสร้างข้อมูล ที่แท้จริงของแนวทางเวชปฏิบัติได้ มันก็จะถูกถ่ายทอดในรูปคำบรรยายที่มีอำนาจอ้างอิงและให้ความรู้เกี่ยวกับมาตรฐานการรักษา
ในเกือบทุกกรณี สิ่งที่สำคัญกว่าการทำให้เรียบง่ายหรือทำให้เป็นขั้นตอนปฏิบัติการเพื่อเพิ่มอัตราการนำไปใช้ คือการเผยแพร่ให้เร็วขึ้นและแนบเอกสารอ้างอิงเพื่อเพิ่มความโปร่งใส
แพทย์ส่วนใหญ่ในสาขาที่เปลี่ยนแปลงตลอดเวลาไม่ได้ต้องการการทำให้เรียบง่าย พวกเขาเอาชนะความยากของข้อมูลด้วยวินัยในตนเองและความซื่อสัตย์จริงจังตลอดชีวิต และใช้แนวทางเวชปฏิบัติเป็นกรอบของการสื่อสารและความครบถ้วนเป็นหลัก เพื่อยืนยันว่าได้พิจารณาข้อกังวลที่ทราบแล้วหรือไม่
แนวทางเวชปฏิบัติที่มีโครงสร้างชัดเจนส่วนใหญ่จะทำให้คนนอกเข้ามาสังเกตและควบคุมได้ และวิธีเช่นนั้นมีแนวโน้มสูงว่าจะไม่ก่อผลเชิงสร้างสรรค์
ทำไมความรู้ทั้งหมดของมนุษย์ถึงไม่ได้อยู่ในไฟล์ JSON ขนาดมหึมาไฟล์เดียว? แนวทางเวชปฏิบัติเป็นต้นไม้การตัดสินใจก็จริง แต่ไม่ได้เขียนขึ้นเพื่อให้นำไปใช้แบบกลไก เพราะไม่มีผู้ป่วยที่เหมือนกันและมีมะเร็งชนิดเดียวกันในเงื่อนไขสมมติอยู่จริง
แนวทางเวชปฏิบัติไม่ได้มีไว้สำหรับแพทย์หมาป่าเดียวดายในภาพยนตร์ที่ไล่ลงต้นไม้การตัดสินใจแบบเรียลไทม์ในการแข่งกับเวลาเพื่อต่อสู้กับมะเร็ง แต่มีไว้สำหรับทีมคลินิกที่ผ่านการฝึกฝนอย่างสูงและทำงานร่วมกันอย่างคุ้นเคย พวกเขามีความสามารถในการสังเกตเห็นจุดที่แนวทางผิด หรือต้องขยายและแก้ไข
กล่าวคือ แนวทางเวชปฏิบัติคือ นามธรรมของระดับการรักษาที่ทันสมัยที่สุด
คงจะดีหากปฏิบัติกับแนวทางเหล่านี้เหมือนซอร์สโค้ดในระบบควบคุมเวอร์ชันทางการแพทย์บางอย่าง เพื่อให้สาขาย่อยและแพทย์เฉพาะทางแก้ไขหรือ fork ได้ง่าย แต่ dependency ทางชีววิทยา ซับซ้อนกว่า dependency ทางซิลิคอนมาก และจะยังยากกว่ามากที่จะทำให้เป็นหน่วยไม่ต่อเนื่องไปอีกระยะหนึ่ง
ไม่ได้หมายความว่าความทะเยอทะยานของผู้เขียนนั้นผิด มันยอดเยี่ยมมาก เพียงแต่ผมคิดว่าความคืบหน้าในพื้นที่นี้จะเกิดขึ้นได้ง่ายที่สุดเมื่อเกิดภายในทีมที่เกี่ยวข้อง สิ่งที่ดูเรียบง่ายในเชิงแนวคิดจากนอกระบบ เป็นเพียงเพราะความละเอียดไม่พอเท่านั้น
สิ่งที่อยากอ่านคือ เอกสารกระดาษที่ค้นหาได้
เหตุผลเดียวกับที่ datasheet ยังคงเป็น PDF เพราะเป็น รูปแบบที่เชื่อถือได้ อยู่ได้นาน และพกพาข้ามระบบได้
เป็นเรื่องน่าขันที่โดยพฤตินัยแล้วเรากำลังเลียนแบบกระดาษ แต่ก็ไม่มีรูปแบบอื่นที่มาเติมช่องว่างนี้ได้
ตามจุดประสงค์ดั้งเดิม HTML ควรจะทำหน้าที่นั้น แต่ในช่วงประมาณ 20 ปีที่ผ่านมา จุดสนใจกลับไปอยู่ที่ทุกอย่าง ยกเว้นการทำให้ HTML เป็นรูปแบบแลกเปลี่ยนข้อมูลที่ดีขึ้น
แม้แต่งานเล็กน้อยอย่างการรวมเอกสาร HTML ที่ซับซ้อนให้เป็นไฟล์เดียวก็ยังไม่มีวิธีมาตรฐาน URL แบบ
file://ใช้คุกกี้ไม่ได้ และสิ่งพื้นฐานมาก ๆ หลายอย่างก็ใช้ไม่ได้หรือไม่มีอยู่แทนที่จะเป็นเช่นนั้น กลับเกิดรูปแบบอนุพันธ์อย่าง ePUB ซึ่งส่วนใหญ่เป็น HTML แต่ในทางปฏิบัติกลับไม่ได้รับการรองรับโดยเบราว์เซอร์ส่วนใหญ่
ตลอด 10 ปีที่ผ่านมา ผมเคยทำ ขั้นตอนแบบคอมพิวเตอร์ ลักษณะนี้สองครั้งในสตาร์ทอัพสองแห่ง
ผมไม่อยากให้ NCCN ทำเรื่องนั้น
แนวทางของ NCCN ไม่ได้ติดอยู่ใน PDF แต่ติดอยู่ในหัวของแพทย์
เมื่อแนวทางของ NCCN ถูกใส่เข้าไปเป็นกฎที่คอมพิวเตอร์ประมวลผลได้ กฎเหล่านั้นจะเริ่มย้อนกลับมานำแนวทางเสียเอง นี่จะกลายเป็นแรงอิทธิพลชั้นที่สองที่พาเราออกห่างจากวิทยาศาสตร์พื้นฐาน
ผมเห็นด้วยอย่างยิ่งว่าจำเป็นต้องทำให้กฎเป็นระบบ แต่สิ่งนั้นต้องอยู่ใต้อำนาจของความรู้แนวหน้าด้านมะเร็งที่เปลี่ยนแปลงบ่อยอย่างยิ่งโดยสมบูรณ์
ทุกปี หลังการประชุมใหญ่ด้านมะเร็งแบบครอบคลุมอย่าง ASCO และการประชุมเฉพาะโรค เช่น San Antonio Breast Cancer Symposium ความรู้ต้องได้รับการอัปเดต และหากมีผลการทดลองทางคลินิกสำคัญออกมาก่อนสิ้นปี แพทย์ก็ต้องอัปเดตความรู้ผ่านงานวิจัยล่าสุดและการศึกษาต่อเนื่อง นี่คือระบบความรู้ทั้งหมดที่เกื้อหนุนและเติมเต็มขอบเขตที่ NCCN เผยแพร่
จากมุมมองของคนที่ทำงานมาทั้งชีวิตในทั้งวิทยาการคอมพิวเตอร์และการแพทย์ ผมเชื่อว่าแพทย์สามารถอัปเดตกฎได้เร็วกว่าโปรแกรมเมอร์และฐานข้อมูลมาก
อย่าขังแนวทางของ NCCN ไว้ใน spaghetti code ที่มีโปรแกรมเมอร์เพียงไม่กี่คนเข้าใจ แต่ขอให้เปิดไว้เป็น PDF ที่ใคร ๆ ก็ไล่ตามลิงก์ไปตรวจสอบได้
แก้ไข: หากผมใช้เวลาย่อยบทความนี้สักหนึ่งสัปดาห์ ความคิดอาจเปลี่ยนไปก็ได้ บางที NCCN อาจควรทำให้ตัวแปรทางคลินิกเป็นมาตรฐานเพียงพอจนการแปลงเป็นกฎกลายเป็นเรื่องเล็กน้อย เพียงแต่ว่าสมมติฐานของการทดลองทางคลินิกต้องเข้ากันได้กับกฎเหล่านั้น และผมคงต้องคิดต่ออีกสักสัปดาห์เพื่อดูว่าสิ่งนั้นเป็นไปได้หรือไม่
ต้นไม้การตัดสินใจใช้ได้ผลในการตัดสินใจ
แต่มันไม่ได้ใช้ได้ดีเท่าเทคนิคการตัดสินใจแบบอื่น Random forest, โมเดลเชิงเส้น, neural network ฯลฯ โดยแก่นแล้วล้วนเป็นเทคนิคการตัดสินใจทั้งนั้น
ในระบบซับซ้อนที่มีข้อมูลมากอย่าง สุขภาพมนุษย์ ต้นไม้การตัดสินใจมีประสิทธิภาพไม่ดี
แล้วทำไมเราถึงใช้เทคนิคที่ทราบกันว่าด้อยกว่า เพียงเพราะเขียนลง PDF ได้ง่าย ใช้อภิปรายในที่ประชุมได้ง่าย และอธิบายให้คนอื่นฟังได้ง่าย?
แม้จะซับซ้อนเกินกว่ามนุษย์จะเข้าใจได้ เราไม่ควรใช้ โมเดลคณิตศาสตร์ล้ำสมัย ที่ให้ความน่าจะเป็นของ ‘การรักษาหาย’ สูงที่สุดหรือ?
ถ้าเป็นโมเดลที่ซับซ้อนเกินกว่ามนุษย์จะเข้าใจได้ ก็คงยอดเยี่ยมมากเมื่อต้องอธิบายในศาลภายหลังว่ามันเกิดจาก data leakage หรืออคติแบบอื่น
การแพทย์ในโลกจริงมักต้องประมาณแทรกระหว่างจุดข้อมูลเหล่านี้
ในฐานะนักวิจัยมะเร็ง ผมมองว่ากิ่งบางส่วนของต้นไม้การตัดสินใจในแนวทางของ NCCN ตั้งอยู่บนงานวิจัยที่พบว่าหลายทางเลือกต่างก็ดีกว่ายาหลอกทั้งหมด แต่ระหว่างกันเองไม่มีความแตกต่างอย่างมีนัยสำคัญทางสถิติ
ในกรณีเช่นนั้น แพทย์คลินิกสามารถใช้ปัจจัยอื่นเพื่อตัดสินใจว่าจะเลือกเส้นทางใด ตัวอย่างคลาสสิกในมะเร็งต่อมลูกหมากคือ การผ่าตัดและรังสีรักษา ทั้งสองได้ผลใกล้เคียงกันโดยคร่าว ๆ แต่ประสบการณ์ที่ผู้ป่วยต้องเผชิญแตกต่างกันมาก
ร้ายแรงกว่าที่คิดไว้มาก ผมเคยทำงานในสตาร์ทอัพด้านเฮลท์แคร์ที่ดูแลการรับผู้ป่วยเข้าร่วมการทดลองทางคลินิกด้านมะเร็งวิทยา และอุปสรรคก็หนักมาก
พูดตรง ๆ ถึงข้อมูลจะอยู่ในรูปข้อความธรรมดาก็คงไม่ได้ต่างกันมาก รหัสวินิจฉัยแตกต่างกันไปในแต่ละสถานพยาบาล ความเข้าใจเชิงความหมายของข้อมูลวินิจฉัยก็แตกต่างกันไปในแต่ละสถานพยาบาล เวชระเบียนอิเล็กทรอนิกส์ก็ยุ่งเหยิง และทุกอย่างถูกเขียนเป็นภาษาธรรมชาติ ไม่ใช่โครงสร้างข้อมูล
ใครก็ตามที่เคยทำซอฟต์แวร์ด้านเฮลท์แคร์คงเล่าเรื่องสยองได้มากกว่านี้อีกมาก
หวังว่าโมเดลภาษาขนาดใหญ่จะช่วยจัดระเบียบบางส่วนได้ แต่คนที่เคยทำซอฟต์แวร์ด้านเฮลท์แคร์จะรู้ว่า ปัญหานี้ไม่ใช่ปัญหาเชิงเทคโนโลยี แต่เป็นปัญหาที่ เกี่ยวกับมนุษย์อย่างยิ่ง
ถึงอย่างนั้นก็ยังมีจุดสว่างอยู่หนึ่งอย่าง เพื่อนร่วมงานของผมใช้ทฤษฎีหมวดหมู่และ Prolog ทำความคืบหน้าไปมากในการค้นหาโปรโตคอลการทดลองเพิ่มขนาดยาด้านมะเร็งวิทยาแบบ 3+3 ที่พิสูจน์ได้ว่าเหมาะสมที่สุด [1]
David ได้บรรยายเรื่องนี้ไว้อย่างยอดเยี่ยมที่งานพบปะ Scryer Prolog ใน Vienna [2]
น่าทึ่งมากที่การแพทย์ยังอยู่ใน ยุคมืด เพียงใด ทั้งที่นี่เป็นสเปกที่ใช้งานได้จริงและเขียนโปรแกรมได้เป็นครั้งแรกสำหรับการทดลองมะเร็งแบบ 3+3 แต่เขายังคงต้องต่อสู้เพื่อโน้มน้าวเพื่อนร่วมงานทางการแพทย์และผู้บริหารโรงพยาบาลว่านี่คือการทดลองที่เหมาะสมที่สุด เพราะไม่น่าแปลกใจเลยที่พวกเขาพูดภาษาซอฟต์แวร์หรือสถิติไม่เป็น
[1]: https://arxiv.org/abs/2402.08334
[2]: https://www.digitalaustria.gv.at/eng/insights/Digital-Austri...
https://jakeseliger.com/
https://github.com/Precisfice/DEDUCTION