In de wereld van de moderne geneeskunde vertrouwen artsen en computersystemen vaak op een eenvoudige aanname: als twee patiënten er nu hetzelfde uitzien, zullen ze waarschijnlijk ook hetzelfde pad volgen. Als twee mensen dezelfde bloeddruk hebben, dezelfde tumorgrootte en dezelfde symptomen, is de verwachting dat ze vergelijkbaar zullen reageren op behandeling of dat hun ziekte zich met dezelfde snelheid zal ontwikkelen. Dit geloof vormt de basis van hoe we gezondheidsuitkomsten voorspellen en gepersonaliseerde zorgplannen ontwerpen. Deze aanname rust echter op het idee dat de informatie die we op een enkel moment kunnen zien en meten, voldoende is om het hele verhaal van iemands toekomstige gezondheid te vertellen. Het gaat ervan uit dat de huidige snapshot alle noodzakelijke aanwijzingen bevat om te voorspellen wat er volgt. Maar wat als de snapshot incompleet is? Wat als twee mensen op exact hetzelfde punt op een kaart staan, maar eigenlijk naar totaal verschillende bestemmingen lopen, niet omdat ze de weg kwijt zijn, maar omdat de kaart zelf het terrein mist dat hun paden van elkaar scheidt?

Dit is de centrale vraag die wordt verkend in een nieuw onderzoek door Maurice Antony Ewing, een onderzoeker aan de University of Illinois at Chicago. Het werk daagt het idee uit dat betere computermodellen of complexere algoritmen het probleem van het voorspellen van patiëntuitkomsten kunnen oplossen. In plaats daarvan suggereert het onderzoek dat het probleem niet ligt in de instrumenten die we gebruiken om gegevens te analyseren, maar in de gegevens zelf. De onderzoekers onderzochten of de informatie die beschikbaar is op het moment dat een arts een beslissing neemt, daadwerkelijk voldoende is om tussen verschillende mogelijke toekomsten te onderscheiden. Ze kwamen tot de conclusie dat dit voor een groot aantal patiënten niet het geval is. Twee mensen kunnen identiek lijken op basis van elke meting die een arts kan verrichten, en toch kan de één herstellen terwijl de ander achteruitgaat. De studie stelt dat dit geen falen is van de voorspellings-technologie, maar een fundamentele limiet van de beschikbare informatie.

Om dit te begrijpen, stel je twee patiënten met een specifieke ziekte voor. Op het moment dat een arts hen controleert, zijn hun vitale functies, laboratoriumresultaten en beeldvormende scans bijna identiek. Een standaard voorspellingsmodel zou naar deze cijfers kijken en hen dezelfde waarschijnlijke uitkomst toewijzen. Maar in werkelijkheid kan de ene patiënt snel herstellen terwijl de andere verslechtert. De studie vraagt: waarom gebeurt dit? Is het omdat het computermodel niet slim genoeg is om een verborgen patroon te vinden? Of is het omdat het patroon simpelweg niet bestaat in de cijfers die de arts heeft? De onderzoekers noemen dit fenomeen "niet-identificeerbaarheid". Dit betekent dat de huidige staat van de patiënt niet over genoeg unieke informatie beschikt om te identificeren welk toekomstig pad bij hen hoort. De toekomst is niet alleen onzeker; zij is fundamenteel onidentificeerbaar op basis van de huidige observaties alleen.

Om dit te testen, verzamelden de onderzoekers een enorme hoeveelheid real-world medische data. Ze bekeken 13 verschillende menselijke klinische datasets, die een breed scala aan aandoeningen beslaan, waaronder neurodegeneratieve ziekten zoals Alzheimer, kritieke zorgscenario's, kanker en hartziekten. In totaal onderzochten ze bijna 700.000 individuele gezondheidsobservaties die in de loop van de tijd zijn vastgelegd. Ze concentreerden zich op vijf grote groepen patiënten die gedurende een lange periode waren gevolgd, bestaande uit meer dan 56.000 individuen en over 400.000 specifieke momenten in hun gezondheidsverloop. Voor elk moment in het verloop van een patiënt stelden de onderzoekers een simpele vraag: als we andere patiënten vinden die er op dit specifieke moment precies zo uitzien als deze persoon, hebben zij dan allemaal dezelfde toekomst?

De resultaten waren opmerkelijk. In de vijf belangrijkste onderzochte groepen ontdekten de onderzoekers dat in bijna elk geval patiënten die op een specifiek moment hetzelfde leken, een zeer verschillende toekomst tegemoet gingen. Specifiek was tussen de 65% en 99% van de onderzochte patiëntentoestanden "niet-identificeerbaar". Dit betekent dat voor het grootste deel van deze momenten de beschikbare informatie geen onderscheid maakte tussen een toekomst van verbetering of een toekomst van achteruitgang. In sommige groepen, zoals bij Parkinson of amyotrofische laterale sclerose (ALS), lag het aantal zelfs op 98,7%. Nog veelzeggender was dat de onderzoekers zochten naar gevallen waarin patiënten met vergelijkbare toestanden in tegenovergestelde richtingen bewogen — de een werd beter en de ander werd slechter. Ze vonden dat in 59% tot 82% van deze gematchte groepen zowel positieve als negatieve uitkomsten voorkwamen. Dit bewijst dat de ambiguïteit niet alleen gaat over de vraag of een patiënt gelijk blijft of verandert; het gaat erom dat vergelijkbare patiënten actief in tegenovergestelde richtingen bewegen.

De studie behandelde ook een veelvoorkomend tegenargument: misschien is de data er wel, maar zijn de computermodellen simpelweg niet geavanceerd genoeg om het te vinden. Om dit te testen, vertrouwden de onderzoekers niet op één type kunstmatige intelligentie. In plaats daarvan gebruikten ze een "zoo" van verschillende modellen, variërend van eenvoudige statistische instrumenten tot complexe deep learning-systemen. Ze testten deze modellen op verschillende soorten data en verschillende ziektescenario's. Het resultaat was consistent: ongeacht hoe geavanceerd het model ook was, het kon de toekomstrichting van deze patiënten niet beter voorspellen dan de andere modellen. Wanneer de modellen faalden, faalden ze allemaal op dezelfde manier. Dit suggereert dat de beperking niet ligt in de architectuur van het computerprogramma, maar in de informatie die erin wordt gevoed. Een model kan geen onderscheid uitvinden dat niet aanwezig is in de data. Als de geobserveerde staat niet de aanwijzing bevat die een herstellende patiënt van een achteruitgaande patiënt scheidt, dan kan geen enkele wiskundige complexiteit die aanwijzing creëren.

De onderzoekers keken ook of het toevoegen van meer historie het probleem zou oplossen. Intuïtief zou men kunnen denken dat het kennen van het traject uit het verleden van een patiënt — hoe zij tot de huidige staat zijn gekomen — zou helpen om te voorspellen waar zij nu naartoe gaan. De studie toonde aan dat geschiedenis soms helpt, maar vaak ook niet. In veel gevallen was zelfs de volledige geschiedenis van een patiënt compatibel met meerdere, tegenstrijdige toekomsten. Twee patiënten kunnen zeer verschillende paden hebben afgelegd om hetzelfde punt te bereiken, terwijl hun daaropvolgende paden uiteenliepen op manieren die hun geschiedenis niet voorspelde. Dit betekent dat het simpelweg verzamelen van meer rijen met data of het verder terugkijken in de tijd het probleem niet automatisch oplost. De sleutel is niet de hoeveelheid observaties, maar of die observaties de specifieke informatie bevatten die nodig is om de verschillende mogelijke toekomsten van elkaar te onderscheiden.

Deze bevinding heeft diepgaande implicaties voor hoe we naar medische voorspelling kijken. Jarenlang lag de focus in de medische kunstmatige intelligentie op het bouwen van betere modellen, het vinden van meer data en het verbeteren van algoritmen. De studie suggereert dat deze aanpak tegen een hard plafond aanloopt. Als de informatie die nodig is om twee patiënten te onderscheiden ontbreekt in het klinische dossier, dan kan geen enkel model dit gat overbruggen. Het probleem is niet dat we de verkeerde vraag aan de data stellen; het is dat de data zelf onvoldoende is om de vraag te beantwoorden. De onderzoekers benadrukken dat dit geen bewering is dat patiënten inherent op een mystieke manier onvoorspelbaar zijn, maar dat de specifieke informatie die we kiezen te meten en vast te leggen, vaak niet genoeg is om het verhaal van hun toekomst te vertellen.

De studie beweert niet dat we moeten stoppen met het proberen te voorspellen van uitkomsten of dat we de zorg niet kunnen verbeteren. In plaats daarvan wijst het op een andere weg voorwaarts. Als de huidige metingen niet genoeg zijn, dan ligt de oplossing in het vinden van nieuwe soorten informatie. Dit zou kunnen betekenen dat er andere biologische markers worden gemeten, dat er andere soorten beeldvorming worden gebruikt, of dat er gekeken wordt naar factoren die momenteel genegeerd worden. Het zou ook kunnen betekenen dat we accepteren dat voor sommige patiënten, op bepaalde momenten, de beschikbare informatie simpelweg niet toelaat om een nauwkeurige voorspelling te doen, en dat de beste koers van actie kan zijn om meer specifieke data te verzamelen voordat er een beslissing wordt genomen. De studie concludeert dat we, voordat we meer middelen besteden aan het bouwen van slimmere modellen, eerst moeten vragen of de informatie die we hebben daadwerkelijk voldoende is om de toekomsten die we proberen te voorspellen, van elkaar te onderscheiden.

Uiteindelijk biedt het onderzoek een nuchtere maar noodzakelijke realiteitscheck voor het vakgebied van de precisiegeneeskunde. Het laat zien dat de kloof tussen wat we kunnen zien en wat er zal gebeuren vaak groter is dan we dachten. Twee patiënten kunnen naast elkaar staan en er in elk opzicht identiek uitzien, terwijl ze zich toch op totaal verschillende trajecten bevinden. De instrumenten die we gebruiken om hun toekomst te voorspellen zijn niet kapot; ze werken simpelweg met onvolledige kaarten. De weg voorwaarts vereist dat we verder kijken dan de huidige stand van zaken in modellering en ons richten op de fundamentele vraag welke informatie daadwerkelijk nodig is om het verhaal van de ene patiënt van dat van de andere te onderscheiden. Totdat we die ontbrekende informatie vinden, zullen de grenzen van de voorspelbaarheid blijven bestaan, niet door een gebrek aan rekenkracht, maar door een gebrek aan onderscheidend detail in de data zelf.