Evidence-Based Medicine: geen goed bewijs, noch goede geneeskunde
13 December, 2011
Steve Hickey, PhD
Hillary Roberts, PhD
Evidence-Based Medicine (EBM, deze Engelse term wordt ook in Nederland gebruikt) is de methodologie om individuele patiënten te behandelen op basis van de resultaten van grootschalige medische onderzoeken. Het wordt momenteel beschouwd als de gouden standaard voor medische besluitvorming maar de waarde ervan wordt in toenemende mate betwijfeld door behandelaars. Hun bedenkingen weerspiegelen een intuïtief begrip dat er iets mis is met de methodologie. Zij hebben gelijk want EBM breekt de wetten van zo veel disciplines dat het eigenlijk niet als wetenschappelijk betiteld mag worden. Vanuit het perspectief van een rationele patiënt brokkelt het hele bouwwerk af.
De veronderstelling dat EBM een stevige wetenschappelijke basis heeft is ondeugdelijk. De wetenschap van besluitvorming (besliskunde) en van cybernetica (de wetenschap van communicatie en controle) laten de verontrustende gevolgen zien. EBM bevordert marginaal effectieve behandelingen die gebaseerd zijn op gemiddelden van bevolkingsgroepen in plaats van de individuele behoefte van de patiënt. De mega onderzoeken zijn niet in staat de oorzaken van ziekte op te sporen, zelfs niet voor de meest ijverige onderzoekers, terwijl ze veel onderzoeksgelden opslorpen. Sterker, EBM (evidence-based medicine) stelt patiënten onvermijdelijk bloot aan gezondheidsrisico’s. Het wordt daarom tijd voor artsen en andere behandelaars om de gouden standaard van EBM, die duidelijk barsten vertoont, te verwerpen, hun klinische zelfstandigheid terug te vorderen en patiënten individueel afgestemde behandelingen te geven.
Het belangrijkste element van een echte wetenschappelijke gezondheidszorg is uit te gaan van de rationele patiënt. Dit betekent dat zij die de behandeling opstellen hun besluitvorming baseren op de verwachte risico’s en de verwachte voordelen van een behandeling voor het individu. Als je ziek bent dan wil je een behandeling die voor jouw persoonlijk werkt. De rationele patiënt zal, gegeven de beschikbare relevante informatie, de beste behandeling kiezen. De patiënt doet dit niet alleen maar werkt samen met een kundige dokter die de patiënt wil helpen. De samenwerking tussen dokter en patiënt wordt aldus de rationele besluitvormingseenheid
Het idee van de rationele dokter-patiënt samenwerking geeft een stevige basis. Haar belangrijkste overweging is te doen wat ten goede komt aan de specifieke patiënt. EBM statistieken zijn echter niet geschikt om individuele patiënten te helpen maar betreffen slechts bevolkingsgroepen.
De praktijk van de geneeskunde
Niemand houdt van statistieken. Dat is misschien te sterk uitgedrukt maar afgezien van de voor de hand liggende uitzonderingen (statistici en wiskundige types), voelen de meeste mensen zich niet op hun gemak met statistische data. Mocht u geen zin hebben om verder te lezen en liever iets aangenamers wilt doen wacht nog even. Alhoewel we het nu over statistiek gaan hebben is het doel van dit artikel om de besuitvormingsmechanismen in de geneeskunde beter te begrijpen om verbeteringen voor te kunnen stellen die nuttig zijn voor de individuele patiënt.
De huidige benadering van de geneeskunde is bewijsgericht. Dit klinkt voor de hand liggend maar in de praktijk beteken EBM (evidence-based medicine) dat men zich baseert op enkele grootschalige onderzoeken en op statistische technieken om de behandeling voor individuele patiënten te kiezen. Beoefenaren van EBM noemen dit proces foutief “het beste bewijs” gebruiken. Om de besluitvorming terug te geven aan de individuele dokters en patiënten moeten we deze orthodoxie betwisten, hetgeen niet makkelijk is . Denk aan Linus Pauling: hoewel hij een wetenschappelijk genie was werd hij veroordeeld omdat hij voorstelde dat vitamine C een waardevol medicijn kon zijn.
In de geschiedenis zijn het vaak de artsen en wetenschappers geweest die de moed hadden tegen de gangbare ideeën in te gaan die medische doorbraken hebben bewerkstelligd. Voorbeelden zijn William Harvey’s theorie van de bloedcirculatie (1628) die de weg bereidde voor de moderne hart-longmachine; James Lind’s ontdekking dat citroenen scheurbuik voorkomen (1747); en Alexander Fleming’s ontdekking van penicilline (1929). Niet één van deze vernieuwers gebruikte EBM. Zij gebruikten de wetenschappelijke methode met kleine herhaalbare experimenten om hun ideeën te testen. Jammer genoeg hebben de wetenschappers die met EBM werken deze traditionele wetenschappelijke methode verlaten ten gunste van de statistiek van grote groepen mensen.
Wat voor nut heeft bevolkingsstatistiek?
Medische onderzoekers hebben de afgelopen twintig jaar steeds grootschaliger onderzoek uitgevoerd. Experimenten met duizenden deelnemers, verspreid over verschillende onderzoekcentra, zijn gemeengoed geworden. Ondanks de hoge kosten en het vele werk helpen ze de patiënt helaas niet. Volgens fundamentele beginselen van de besliskunde en de cybernetica kunnen grootschalige klinische onderzoeken bijna niet anders dan verspilling opleveren, ontwikkelingen in de geneeskunde vertragen en zijn grootschalige onderzoeken niet toepasbaar op individuele patiënten.
Veel medisch onderzoek vertrouwt op statistische methodes die zijn ontwikkeld in het begin van de 20 ste eeuw, voor de uitvinding van de computer. In zulke onderzoeken wordt statistiek gebruikt om de mate van waarschijnlijkheid te bepalen waarin twee groepen mensen van elkaar verschillen. Als één van de groepen een medicijn heeft gekregen en een controlegroep niet vragen de onderzoekers zich af of het eventuele voordeel veroorzaakt is door het medicijn of door toeval. De manier om deze vraag te beantwoorden is door de “statistische significantie” te berekenen. Dit resulteert in een p-waarde. Hoe lager de p-waarde des te kleiner de kans dat het resultaat op toeval berust. Een p-waarde van 0,05 (de grens die doorgaans als statistisch significant wordt beschouwd) betekent dat een dergelijke toevallige uitkomst gemiddeld één op de twintig keer voorkomt. Soms is er een p-waarde van P=
Significant betekent niet altijd belangrijk
Voor alle duidelijkheid: in de context van statistiek betekent significant niet hetzelfde als in gewoon taalgebruik. Sommige mensen menen dat “significant” hetzelfde betekent als “belangrijk” of “relevant”. Dat is niet juist: de mate van significantie weerspiegelt alleen de mate waarin de groepen als verschillend beschouwd worden. Van cruciaal belang is dat de significantie niet alleen afhankelijk is van de verschillen tussen de bestudeerde groepen maar ook van hun omvang. Als we de grootte van de groepen vergroten dan worden de resultaten eerder of sterker significant ook al is het effect maar klein en onbelangrijk.
In een groot onderzoek zijn zeer significante effecten vaak klinisch irrelevant. Belangrijker nog en in tegenstelling tot wat vaak wordt aangenomen, zijn de resultaten van grote onderzoeken minder belangrijk voor de rationele patiënt dan de resultaten van kleinere onderzoeken.
Grote onderzoeken zijn krachtige methodes om kleine verschillen vast te stellen. Ook is het zo dat onderzoekers eerst een klein pilot-onderzoek uitvoeren en op de resultaten berekeningen uitvoeren om te bepalen hoeveel proefpersonen er nodig zijn om een significant resultaat te verkrijgen. Aldus zijn onderzoekers de afgelopen tientallen jaren steeds grotere groepen gaan bestuderen. Dit resulteerde in onderzoeken die honderd keer groter zijn dan die welke nog maar twintig of dertig jaar terug gebruikelijk waren. Dit impliceert dat de effecten die men zoekt klein zijn want grotere effecten (die in staat zijn echte voordelen te bieden aan echte mensen) kunnen even goed gevonden worden met studies van de oude stijl.
Kleine verschillen – ook de “zeer significante” – worden daarom door onderzoekers indrukwekkender voorgesteld dan ze in werkelijkheid zijn. Zij doen dit door relatieve in plaats van absolute waardes te gebruiken. Stel dat een medicament het risico op een bepaalde vorm van kanker halveert (een relatieve waarde). Alhoewel dit mooi klinkt, kan de 50% risicovermindering maar 1 op 10 000 zijn: van 2 op 10 000 naar 1 op 10 000 (absolute waarde). Zo’n klein verschil is vaak niet relevant maar uitgedrukt als relatieve waarde klinkt het indrukwekkend. ( Ter vergelijking: als je twee loten koop in de loterij dan verdubbel je de kans op de hoofdprijs t.o.v. het kopen van één lot. Toch blijft je kans miniscuul.
De ecologische misvatting
Er is nog een probleem met de gevaarlijke stelling waar EBM vanuit gaat dat grootschalige onderzoeken het beste bewijs leveren voor besluiten over individuele patiënten. Deze claim is een voorbeeld van de ecologische misvatting. Het ten onrechte groepstatistieken gebruiken om voorspellingen over individuele patiënten te maken. EBM zou niet gebruikt moeten worden voor individuele patiënten. Met andere woorden EBM heeft weinig directe klinische waarde. Een rationele patiënt zou de resultaten van de meeste grote EBM onderzoeken moeten negeren omdat ze niet van toepassing zijn.
Ter verduidelijking: stel dat we de schoenmaat van alle mensen in New York zouden meten en de gemiddelde maat zouden berekenen. Met deze informatie zou de overheid voorstellen iedereen een paar schoenen met deze gemiddelde maat te geven. Dat zou natuurlijk niet verstandig zijn. De schoenen zouden de meeste mensen niet passen. Individuele reacties op medische behandelingen verschillen minstens evenveel als hun schoenmaat. Desondanks vertrouwt EBM op opgetelde data. Dit is een technische fout: groepstatistieken kunnen de manier waarop een individu reageert op een behandeling niet voorspellen.
EBM selecteert bewijs
Een andere nadeel van de EBM aanpak van het louter gebruiken van “het beste bewijs” is dat het de hoeveelheid informatie vermindert waarop dokters en patiënten hun behandelingsbeslissingen baseren. Het bewijs dat toegestaan is binnen EBM zijn geselecteerde grootschalige gerandomiseerde onderzoeken en meta-analyses die trachtten een conclusie significanter te maken door de resultaten van sterk verschillende groepen bij elkaar op te tellen. Dit is maar een klein percentage van het totale bewijs. Meta-analyse verwerpt het merendeel van het bewijs omdat dit niet voldoet aan de strikte criteria van EBM. Natuurkundestudenten leren echter dat dit verkeerd is. Als studenten, bijvoorbeeld bij het tekenen van een grafiek, alleen de beste gegevens selecteren dan wordt hen door docenten verteld dit in het vervolg na te laten.
Eén van de eerste lessen in natuurkunde is niet alleen het beste, geselecteerde, bewijs te gebruiken. De trendlijnen laten zien dat er anders een verkeerd beeld ontstaat.
Meer problemen met EBM
EBM breekt andere fundamentele wetten. Nu van de cybernetica, de wetenschap van systeemcontrole en communicatie. Het menselijk lichaam is een biologisch systeem en als de fysiologie ontspoort tracht een behandelaar de zaak weer onder controle te krijgen. Als bijvoorbeeld de lichaamstemperatuur van iemand is verhoogd dan kan de dokter koude kompressen voorstellen. Dit kan helpen als de persoon oververhit is geraakt door overmatige inspanning of te veel kleding. Ook kan de arts een koortsverlagend medicijn zoals aspirine voorschrijven. Maar als de patiënt hoge koorts door een infectie heeft dan zullen beiden methodes mogelijk niet helpen en moet er iets gedaan worden aan de infectie.
Als een arts in het bovenstaande geval de mogelijkheid van een infectie niet heeft onderzocht dan heeft hij niet alle nodige informatie gebruikt om de klacht te behandelen. Dit illustreert een concept uit de cybernetica genaamd vereiste variëteit, dat bedacht is door de Engelse psychiater Dr. W. Ross Ashby. In deze context betekent Ashby’s wet van de vereiste variëteit dat de oplossing van een probleem (zoals een medische diagnose) dezelfde hoeveelheid (variëteit) relevante informatie moet bevatten als het probleem zelf. Aldus vereist een complex probleem meer informatie dan een eenvoudig probleem. Zoals gemeld beperkt EBM de variëteit van de informatie tot wat ze als “het beste bewijs” beschouwt. Als artsen aan alle patiënten met een bepaalde aandoening dezelfde op statistiek gebaseerde behandeling geven dan zouden ze de wetten van zowel de cybernetica als de statistiek geweld aandoen met als gevolg dat de behandeling in veel gevallen niet adequaat is aangezien de artsen dan niet voldoende informatie hadden gebruikt om accurate voorspellingen te doen. Bevolkingsstatistiek levert niet de informatie die nodig is voor passende schoenen laat staan voor de behandeling van een unieke complexe patiënt. De Griekse filosoof uit de oudheid Epicurus legde al uit dat je alle beschikbare informatie dient te beschouwen.
Om onze informatie te beperken tot “het beste bewijs” zou dus verkeerd zijn maar het is evenzeer een fout om naar het andere uiterste te gaan en alle denkbare informatie te gebruiken. Dokters moeten de juiste hoeveelheid informatie benutten om een diagnose te stellen en een ziekte te behandelen. Het probleem van te veel informatie wordt beschreven door de eigenaardige term de vloek van dimensionaliteit. [In het boek Tarnished Gold: The Sickness of Evidence Based Medicine. gaan auteurs Steve Hickey en Hillary Roberts hier verder op in]
Een arts die op efficiënte wijze de juiste diagnose stelt en de juiste behandeling kiest wordt in cybernetische termen een goede regulator genoemd. Volgens Roger Conant en Ross Ashby moet iedere goede regulator van een systeem een model van dat systeem zijn. Goede regulators behalen hun doel op de eenvoudigst mogelijke manier. Om dit te kunnen moet het diagnostisch process een model zijn van de systemen van het lichaam. Daarom ondergaan artsen een jarenlange opleiding die alle aspecten van de medische wetenschap omvatten. Ook moet elke patiënt als een individu behandeld worden. De statistieken van EBM zijn daarbij niet relevant omdat grootschalige onderzoeken geen model zijn voor een individuele patiënt en zijn of haar ziekte. Deze zijn dus geen goede regulatoren. Weer moeten we concluderen dat EBM voor een rationele patiënt geen effectieve mmethode is om een behandeling te kiezen.
Echte wetenschap betekent verificatie
Wetenschap is een proces van inductie en gebruikt experimenten om ideeën te testen. Vanuit een wetenschappelijk perspectief vertrouwen we de bevindingen van andere wetenschappers wel maar verifiëren deze eveneens. De gouden standaard in wetenschap is de Solomonoff Inductie genoemd naar de cybernetische onderzoeker Ray Solomonoff. De kracht van een wetenschappelijk resultaat is dat het experiment makkelijk herhaalt en gecontroleerd kan worden. Als het niet herhaald kan worden, om wat voor reden dan ook (omdat het niet testbaar is, te moeilijk of verkeerd), dan is een wetenschappelijk resultaat zwak en onbetrouwbaar. EBM’s nadruk op grootschalig onderzoek maakt herhaalbaarheid moeilijk, duur en bijzonder tijdrovend. We moeten daarom wantrouwend zijn ten aanzien van grote onderzoeken want ze zijn bijna niet te herhalen en daarom onbetrouwbaar. EBM vraagt ons de resultaten te vertrouwen maar praktisch gezien zijn deze niet reproduceerbaar want hoeveel dokters hebben $40 miljoen en vijf jaar de tijd om een groot klinisch onderzoek te herhalen? Aldus vermijdt EBM verwerping-falcificatie wat toch een essentieel onderdeel is van de wetenschappelijke methode.
In hun modellen en verklaringen streven wetenschappers naar eenvoud. EBM, daarentegen, produceert een groot aantal risicofactoren en meervoudige verklaringen wat het kiezen van behandelingen bemoeilijkt. Als dokters bijvoorbeeld geloven dat een ziekte veroorzaakt wordt door zout, cholesterol, junk food, te weinig lichaamsbeweging, genetische factoren etc., dan zal de behandeling gecompliceerd zijn. Deze meervoudige benadering is ook ongeldig in de zin dat het leidt tot de vloek van dimensionaliteit. Verrassend genoeg is er minder kans op een oplossing als je meer risicofactoren gebruikt. Dit gegeven is bekend uit het vakgebied van de patroonherkenning waar overgecompliceerde oplossingen steeds falen. Te veel risicofactoren betekenen dat ruis en fouten in het model de echte informatie overschaduwen wat leidt tot onjuiste voorspellingen of verkeerde diagnoses. Weer dient de rationele patiënt EBM te verwerpen omdat het inherent onwetenschappelijk en onpraktisch is.
Geneeskunde voor mensen, niet statistici
Een juiste diagnose stellen is een uitdaging want ieder mens is biochemisch uniek. De bedenker van dit concept, pionier op het gebied van voeding Dr. Roger Williams, “Voeding is voor echte mensen. Statistische mensen zijn van weinig belang.” Dokters moeten voldoende kennis en therapeutische verscheidenheid vergaren die passen bij de biologische verscheidenheid van hun patiënten. Het proces om de symptomen van een specifieke patiënt te rangschikken vereist een andere soort statistiek (Bayesiaanse) zowel als patroonherkenning. Hiermee ben je in staat met de uniekheid van de patiënt om te gaan.
Het dient de basisaanpak in de geneeskunde te zijn om patiënten als unieke individuen te beschouwen, ieder met zijn eigen problemen. Dit geldt ook voor biochemie en genetica. Een effectieve en wetenschappelijke geneeskunde zou patroonherkenning moeten toepassen en geen gewone statistiek. Dan zou men voldoen aan de vereisten voor een goede regulator; met andere woorden, dat zou een goede aanpak zijn om ziekte te voorkomen en te behandelen. Dit zou valkuilen zoals de ecologische misvatting vermijden.
Gepersonaliseerde, ecologische en voedingskundige (orthomoleculaire) geneeskunde komen samen in een waarlijk wetenschappelijke aanpak. We beginnen aan een nieuw begrip van de medische wetenschap waarbij de holistische aanpak ondersteund wordt door systeemtheorie. Wellicht kan orthomoleculaire geneeskunde, i.p.v. een marginale, alternatieve, geneeswijze, binnen niet al te lange tijd erkend worden als de meest rationele medische methodologie. Dat is meer dan gezegd kan worden van EBM.
Steve Hickey, PhD
Hillary Roberts, PhD
Auteurs van o.a. The Science of Vitamin C (2004); Cancer: Nutrition and Survival (2007); Ridiculous Dietary Allowance (2005); The Cancer Breakthrough, The Vitamin Cure for Heart Disease(2011) en Tarnished Gold; the Sickness of Evidence Based Medicine (2011).
Het originele Engelstalige artikel vindt u hier:
Orthomolecular.org
Vertaling Adriaan Pruyssers
Auteur: Adriaan
