Mistä puhumme, kun puhumme kausaliteetista?

Assosiaatio ei tarkoita kausaliteettia

Humen argumentit kannattaa pitää mielessä epidemiologisten tutkimusten tuloksia arvioidessa. Voimakaskaan assosiaatio kahden asian välillä (esimerkiksi P < 0.00001 tai altistumiseen liittyvä korkea sairastumisen riski) ei tarkoita, että niiden välillä on kausaalisuhde! Vaikka jäätelön irtomyynnin ja hukkumiskuolemien välillä havaittaisiin assosiaatio, se ei automaattisesti tarkoita, että jäätelön syöntiä voisi pitää hukkumiskuolemien syynä, vaan kyse on mitä ilmeisemmin sekoittavan tekijän (ilman lämpötila) vaikutuksesta. Kesällä, kun on lämmintä, syödään paljon jäätelöä, ja kesäisin tapahtuu myös paljon hukkumiskuolemia!

Tupakoinnin haittoja tutkinut ja muun muassa tupakanpolton ja keuhkosyövän välisen yhteyden ensimmäisenä havainnut englantilainen epidemiologi ja tilastotieteilijä Sir Austin Bradford Hill ehdotti vuonna 1965 yhdeksää kriteeriä (katso tietolaatikko), joiden avulla voidaan arvioida, voiko epidemiologisissa tutkimuksissa havaittu assosiaatio johtua kausaliteetista. Niidenkään avulla ei kuitenkaan voi "todistaa", että assosiaatiossa on kyse kausaliteetista. Kyse on enemmänkin uskottavuudesta kuin varmuudesta.

Kausaliteetti ammattitauti diagnostiikassa

Työtapaturma- ja ammattitautilain (459/2015, pykälä 26§) mukaan ammattitaudilla tarkoitetaan "sairautta, joka on todennäköisesti pääasiallisesti aiheutunut työntekijälle altistumisesta fysikaaliselle, kemialliselle tai biologiselle tekijälle". Ammattitautidiagnostiikan kannalta tämä tarkoittaa sitä, että meillä pitää a) olla "yleisellä tasolla" epidemiologista näyttöä siitä, että tekijä, jolle potilas on altistunut, voi ylipäätään aiheuttaa tutkittavan sairauden. Sitten meidän pitää b) arvioida, onko potilas altistunut kyseiselle tekijälle siinä määrin, että se on voinut aiheuttaa hänen sairautensa. Mikäli tekijä, jolle potilas on altistunut, mainitaan valtioneuvoston asetuksen (769/2015) liitteenä olevassa ammattitautiluettelossa, riittää, kun selvitämme, milloin, kuinka kauan ja kuinka paljon potilas on työssään kyseiselle tekijälle altistunut. Tieteenfilosofiassa tällaista kaksiportaista päättelymallia, jossa yksilötason syy-yhteyden osoittaminen edellyttää yleisen tason tietoa, kutsutaan Hempelin ja Oppenheimin päättelymalliksi. Suurin osa ammattitautidiagnooseista voidaan – onneksi – asettaa tällä tavalla.

Ammattitautidiagnoosi voidaan asettaa myös sellaisissa tapauksissa, joissa potilaan sairautta tai tekijää, jolle hän on altistunut, ei ole mainittu ammattitautiluettelossa (edellyttäen, että kyseessä on jokin fysikaalinen, kemiallinen tai biologinen tekijä). Silloin syy-seurauspäätelmän teko on haasteellista ja edellyttää perusteellista kirjallisuuteen perehtymistä, yksilöllistä harkintaa ja johtopäätösten perustelemista. Mikäli kirjallisuudesta löytyy epidemiologisia tutkimuksia (yksi tai useampia), joissa selvittelyn kohteena olevalle tekijälle altistuneiden vaara sairastua on kaksi kertaa suurempi kuin altistumattomilla, tutkimustieto voidaan tulkita riittäväksi yleisen tason tiedoksi. Tällöin ammattitautidiagnoosi voidaan asettaa, jos tutkimuksissa ilmenee, että potilaan altistuminen on ollut riittävää.

Sellaisissa tilanteissa, joissa kirjallisuudesta löytyy vain yksittäisiä tapausselostuksia tai kyse on täysin uudesta altisteesta, syy-seuraus-suhdetta voidaan selvittää esimerkiksi altistuskokeilla. Potilas voidaan kontrolloiduissa olosuhteissa altistaa esimerkiksi herkistävälle tekijälle, ja jos altistaminen aiheuttaa ihoreaktion tai muutoksia puhalluskokeissa, se yleensä riittää ammatti-ihotauti- tai ammattiastmadiagnoosiin.

Viime kädessä vakuutuslaitos ratkaisee ammattitautiepäilyissä, onko kyseessä lain (459/2015) mukaan korvaukseen oikeuttava vahinkotapahtuma ja mihin korvauksiin se oikeuttaa. Vakuutuslääketieteessä syy-yhteyden arvio on juridinen, ja se perustuu yhdessä sovittuihin kriteereihin, joiden taustalla ei välttämättä ole tunnettua biologista syy-yhteyttä. Esimerkiksi kosteusvaurioastma hyväksytään ammattiastmaksi, kun tietyt kriteerit täyttyvät (astma todettu erikoissairaanhoidossa, PEF-työpaikkaseuranta on ammattiastmalle tyypillinen ja potilaan työtiloista on materiaalinäyttein todettavissa mikrobikasvua), vaikka meillä ei ole tietoa, millä biologisella mekanismilla astma yksittäisissä kosteusvaurioaltistumisissa syntyy.

Big data – kuka kaipaa kausaalisuutta, kun on vahvoja korrelaatioita?

Ihmisen genomin kartoitus 2000-luvun alussa toi massadatan (big datan) sekä siihen liittyvät ongelmat ja mahdolliset hyödyt lääketieteeseen. Kun potilaasta pystytään mittaamaan tuhansia erilaisia muuttujia, niiden terveysvaikutuksen arviointi on haasteellista. 10–20 muuttujan terveysvaikutuksia ja syy-seuraussuhteita voi mallintaa ja etsiä perinteisillä tilastotieteellisillä menetelmillä, jos otoskoko on tarpeeksi suuri. Satojen muuttujien terveysvaikutusten tilastotieteellinen mallintaminen vaatii yleensä niin suuren otoskoon, että sellaisen kerääminen ei ole realistista.

Monitekijäisten sairauksien riskinarviossa pitää yleensä ottaa huomioon usean eri tekijän yhteisvaikutus. Finriski-laskuri esimerkiksi laskee aivohalvausriskin kahdeksan muuttujan arvon perusteella. Toinen ja nykyään suosittu tapa hahmottaa usean muuttujan terveysvaikutus on ryhmitellä muuttujat niiden arvojen mukaan kolmeksi osajoukoksi. Yksi edustaa sairautta tai toimenpiteitä edellyttävää korkeaa riskiä, toinen kohonnutta riskiä, joka edellyttää tiivistä seurantaa, ja kolmas osajoukko edustaa vähäistä riskiä. Tämä niin sanottu liikennevalomalli voi olla toimiva ratkaisu tilanteissa, joissa meillä on pieni määrä hyvin karakterisoituja vaaratekijöitä. Tosin silloinkaan ei välttämättä ole helppo määritellä, mikä muuttuja kuuluu mihinkin ryhmään. Mitä enemmän vaaratekijöitä halutaan ryhmitellä, sitä hankalammaksi ryhmittely ja ryhmien terveysvaikutusten arviointi käy. Esimerkiksi kymmenen tekijää voidaan jakaa satunnaisesti (ilman ennakkotietoa niiden yhdysvaikutuksista) kolmeen osajoukkoon 9330 eri tavalla. Vaihtoehtojen määrä voidaan laskea niin sanotulla Stirlingin kaavalla.

Terveydenhuollon palveluntuottajille kertyy potilastietojärjestelmiin massiivisia tietovarantoja, joita halutaan ja voidaan hyödyntää toiminnan seurannassa ja ohjauksessa, ja niitä voidaan käyttää myös kliiniseen laadunvarmistukseen. Ja mikä tärkeintä meidän lääkäreiden kannalta, tiedonlouhinnan menetelmiä ja tekoälyä hyödyntäen tietovarantojen avulla voidaan kehittää algoritmeja, jotka esimerkiksi ennustavat sairastumisriskiä. Helsingin Naistenklinikalla tekoälyä on esimerkiksi kokeiltu keskosvauvojen sepsiksen ennustamiseen ja ehkäisyyn, ja tulokset ovat olleet lupaavia. Menetelmän sensitiivisyys on ollut 82,5 prosenttia ja spesifisyys 96 prosenttia. Naistenklinikan kokeilun tavoitteena on ollut, että tekoäly oppisi havaitsemaan, mikä sepsikseen sairastuvia vauvoja yhdistää, jotta se kertoisi jotain sairastumisen syistä. Ilmiöiden ja niiden välisten yhteyksien ymmärtäminen on kaiken tieteellisen tutkimuksen perimmäinen tavoite, mutta yleensä tekoälyä voidaan käyttää vain ennusteiden laatimiseen. Ennusteista on hyötyä silloin, kun kohderyhmä on homogeeninen ja hoito vakiintunutta, kuten on asianlaita Naistenklinikan keskosilla. Kausaalisuhteita tekoälyn avulla on hankala löytää.

Massadatan ja tekoälyn käyttöön terveydenhuollossa liittyy suuria odotuksia ja jopa "hypeä". Joitakin lupaavia kokemuksia on raportoitu, kuten tuo keskosten sepsiksen ennustaminen osoittaa. Kaiken hypen keskellä on kuitenkin hyvä muistaa, että tekoälyn tuottama tieto on niin laadukasta ja luotettavaa kuin sen käyttämät lähteet ovat. Kliinisissä tutkimuksissa on tunnistettu lukuisia tekoälyn ja massadatan mahdollisia virhelähteitä: otoskoko, valintaharha, dokumentointi- ja tulkintaongelmat, puuttuvat havainnot, riippuvuusongelmat sekä datanhallintaongelmat. Arkisessa potilastyössä kertyvä data on altis monille tämäntapaisille virheille.

Lopuksi

Kausaalisella järkeilyllä ja selittämisellä on tärkeä asema työterveyshuollossa ja työlääketieteessä. Jos haluamme edistää työntekijöiden terveyttä ja työkykyä sekä ehkäistä työperäisiä sairauksia niin kuin työterveyshuoltolaki (1383/2001) meitä edellyttää, meillä työterveyslääkäreillä pitää olla käsitys niistä kausaalisista prosesseista, joilla työ ja työolosuhteet voivat vaikuttaa työntekijöiden terveyteen. Se edellyttää, että osaamme myös arvioida, onko prosesseissa kyse näennäisestä yhteydestä vai todellisesta syy-yhteydestä. On hyvä muistaa, että työterveyshuolto ei ole pelkkää biolääketiedettä, vaan sillä on myös sosiaalipoliittinen ja yhteiskunnallinen ulottuvuus, ja näissä jälkimmäisissä yhteyksissä kausaliteetilla voidaan tarkoittaa jotain muuta kuin mihin olemme tottuneet luonnontieteellisessä kontekstissa.

Tuukka Kaidesojan, Tomi Kankaisen ja Petri Ylikosken toimittama kirja "Syistä selityksiin. Kausaalisuus ja selittäminen yhteiskuntatieteissä" tarjoaa monipuolisen kattauksen kausaliteettiin liittyvästä nykykeskustelusta (ja vähän historiastakin), menetelmistä ja niiden taustalla olevista filosofioista. Kirjassa käydään läpi meille lääkäreille tutumpaa tilastollista kausaalipäättelyä mutta myös muiden tieteenalojen käsityksiä kausaalisuudesta. Big data ja tiedonlouhinnan menetelmät on kirjasta jätetty pois, mutta kirjoittajat korostavat, että datan määrä tai digitaalisuus eivät muuta kausaalisen päättelyn tai tieteellisen selittämisen perusajatuksia. Se, että tutkijoilla on käytössään valtavat määrät dataa, ei muuta muuttujien korrelaatioita kausaalisuhteiksi eikä tee ymmärrystä datan tuottaneista prosesseista tarpeettomaksi! Viisas kirja, joka kannattaa lukea.