Lögn, förbannad lögn och medicinsk forskning

Forskning visar att…stopp! Låt oss börja det här inlägget med att citera en artikel i tidningen The Atlantic som handlar om Professor John Ioannidis, med läkarexamen från Harvard, professor i epidemiologi vid universitetet i Ioánnina i Grekland, professor i medicin samt rektor för Stanford Prevention Research Center vid Stanford University School of Medicine i USA. Ioannidis är dessutom ett matematiskt geni som har ägnat del av sin karriär att se på hur medicinska studier genomförs:

”Han [Ioannidis] och hans team har visat om och om igen och på flera olika sätt att mycket av de publicerade biomedicinska studiernas slutsatser – slutsatser som läkare tar hänsyn till när de skriver ut antibiotika, blodtryckssänkande mediciner, råder personer att äta mer fibrer och mindre kött eller rekommenderar kirurgi för hjärtbesvär eller ryggsmärta – är vilseledande, överdrivna eller helt enkelt felaktiga. Han [Ioannidis] menar att så mycket som 90 % av den publicerade medicinska forskning som läkare litar på är fel.”

En god forskare vill finna sanningen, försöker vara objektiv, är öppen för alternativa teorier, ser till alla fakta och godtar att motsägande bevis troligtvis visar att hans/hennes teori är felaktig. En dålig forskare blir ”kär” i sin hypotes/teori, vill få rätt, är inte intresserad av alternativa teorier och försöker att förklara bort motsägande bevis. Det finns två olika grundläggande studiemetoder inom forskning:

Observationsstudier
Observationsstudier, som är den absolut vanligaste typen av studiemetoden inom medicinsk forskning, innebär som namnet indikerar att man observerar en eller flera grupper och samlar data om dessa utan att ingripa eller påverka gruppen på något sätt. Metoden har ofta som mål att ”identifiera riskfaktorer för en sjukdom eller att studera effekter och risker av en viss åtgärd”. Det finns en stor risk för fel med observationsstudier: om man finner korrelationer mellan två faktorer är det lätt att dra slutsatsen att det finns ett orsakssamband mellan de båda faktorerna vilket absolut inte behöver vara fallet. Se på följande exempel: Det finns en tydlig positiv korrelation mellan storleken på en mans flint och kranskärlsbesvär. Det betyder inte att ju större flint man har desto större risk för kranskärlsbesvär föreligger eller att ju mer kranskärlsbesvär en man har desto större flint har han. En dålig forskare hade dock kunnat gå ut med att skallighet orsakar kranskärlsbesvär och hade media hoppat på tåget hade det snart varit en allmän sanning bland befolkningen: Skallighet orsakar kranskärlsbesvär! Observationsstudier missar ofta en tredje variabel som i exemplet med flint och kranskärlsbesvär skulle kunna vara ålder. Flinten ökar med åldern och ålder är en riskfaktor för kranskärlsbesvär. Observationsstudier behöver inte vara dåliga med metoden innebär en stor risk att dolda variabler förbises. Korrelation bevisar korrelation, som sagt, inte orsak eller kausalitet per automatik.

Experiment – Randomiserade kontrollerade studier
Den andra typen av studie är experiment där man förändrar något och ser effekten av förändringen. Den vanligaste typen av experiment är Randomiserade kontrollerade studier (RCT) där två identiska grupper när det gäller åldersfördelning, könsfördelning, socioekonomisk status osv, studeras. Man ändrar/kontrollerar en variabel i ena gruppen medan den andra gruppen förblir oförändrad eller får placebo. Därefter studerar man skillnader i resultaten mellan de olika grupperna. Denna metod är helt överlägsen men passar givetvis inte för alla typer av frågeställningar, exempelvis ökar rökning cancer? Studier som kräver observationer över lång tid är inte lämpligt att studera med RCT. Inom medicinsk forskning är så kallade RCT med dubbel-blind placebokontroll (en grupp får en behandling medan andra gruppen får placebo och varken forskare eller objekt vet vem som får vad) den gyllene standarden.

Vad spelar det för roll? Mycket stor roll! Professor John Ioannidis skriver i sin rapport ” Why Most Published Research Findings Are False ” som artikeln i The Atlantic bygger på att när det kom till cancer, hjärtkärlsbesvär och andra vanliga sjukdomar… fanns det mycket forskning men den var anmärkningsvärt ovetenskaplig och baserade på ett fåtal observationer. 80 % av observationsstudierna, 25 % av de så kallade gyllene standard RCT och 10 % av de riktigt stora RCT var helt felaktiga. Ioannidis skriver vidare att forskare inom medicin ofta manipulerar dataanalyser, söker karriärsförbättrande resultat snarare än korrekta resultat och försöker få vetenskapliga tidskrifter att inte publicera studier som motsäger deras hypoteser. Dessutom testade Ioannidis, 49 av de mest ansedda forskningsresultaten inom medicin de senaste 13 åren, resultat som används av läkare världen över som motivation till flertalet medicinska behandlingar. 14 av dessa studier har resultat som har visat sig vara helt felaktiga när studierna har upprepats och 11 studier har man inte ens försökt att upprepa.

Med andra ord, du kan bevisa precis allt och precis ingenting med medicinska studier. Om till och med forskningsvärlden gör upp emot 90 % fel när det gäller observationsstudier, den vanlige läkaren saknar kunskap eller tid att penetrera det statistiska tillvägagångssättet för att bedöma en studies korrekthet, hur är det då inte för personer utan medicinsk kunskap? Det är i stort sett omöjligt att veta vad som är bra eller dåligt för vår hälsa genom att blint lita på studieresultat. En sak som dock aldrig slår fel är evolutionen, dvs vad har vår organism under miljontals år utvecklats att leva av och med? Det handlar om att ifrågasätta allt som inte ligger i linje med vad som är naturligt för oss människor var informationen än kommer ifrån. Läs här om vad vi ur ett evolutionsperspektiv bör göra för att leva hälsosamt.

http://www.ncbi.nlm.nih.gov/pmc/articles/PMC1182327/?tool=pmcentrez
http://jama.ama-assn.org/content/294/2/218
http://www.theatlantic.com/magazine/archive/2010/11/lies-damned-lies-and-medical-science/8269/

Comments

One response to “Lögn, förbannad lögn och medicinsk forskning”

  1. […] med varandra men korrelation mellan två variabler säger inget om kausalitet mellan variablerna (orsakssamband). Korrelationen var dock stark: sannolikheten att resultatet beroende på slumpen var mindre än en […]

Leave a Reply

Your email address will not be published. Required fields are marked *