Współczesna diagnostyka bardzo dobrze odpowiada na pytanie, co dzieje się z organizmem w danym momencie. Medycyna prewencyjna potrzebuje jednak również odpowiedzi na inne pytanie: w którą stronę zmienia się nasze zdrowie?
Większość badań laboratoryjnych interpretujemy w podobny sposób. Pobieramy krew, otrzymujemy wynik i porównujemy go z zakresem referencyjnym. Jeśli wartość znajduje się pomiędzy dolną i górną granicą, najczęściej widzimy kolor zielony. Jeśli ją przekracza – pojawia się czerwony.
To niezwykle użyteczny model, ale ma jedno ograniczenie: patrzy przede wszystkim na punkt w czasie.
Organizm jest tymczasem systemem dynamicznym. Ciśnienie tętnicze, glukoza, lipidy, masa ciała, parametry funkcji nerek czy wiele innych biomarkerów zmieniają się w czasie. Czasami są to zmiany krótkotrwałe, związane na przykład z infekcją, aktywnością fizyczną, nawodnieniem czy porą wykonania badania. Innym razem kolejne pomiary mogą zacząć tworzyć trend.
Właśnie tutaj pojawia się koncepcja observability.
Termin pochodzi ze świata złożonych systemów technologicznych. W uproszczeniu oznacza możliwość zrozumienia tego, co dzieje się wewnątrz systemu, na podstawie generowanych przez niego danych. Biologia człowieka jest oczywiście znacznie bardziej złożona niż infrastruktura informatyczna, ale sama idea jest interesująca dla medycyny prewencyjnej: zamiast analizować wyłącznie pojedyncze wyniki, możemy obserwować baseline, zmienność i trajektorię zdrowia konkretnej osoby.
Pojedynczy wynik jest fotografią
Wyobraźmy sobie hipotetyczny biomarker o zakresie referencyjnym 40-100. Wyniki pacjenta w kolejnych latach wyglądają następująco:
2022: 62
2023: 68
2024: 75
2025: 83
2026: 91
Każdy wynik znajduje się w zakresie referencyjnym. Gdy patrzymy na ostatni pomiar w izolacji, nie widzimy niczego szczególnego. Dopiero zestawienie pięciu wyników ujawnia konsekwentną zmianę.
Nie oznacza to oczywiście, że taki trend jest dowodem choroby. Może wynikać ze zmiany fizjologicznej, stylu życia, leczenia, warunków pomiaru lub wielu innych czynników. Trend nie jest diagnozą. Jest dodatkową informacją, która może wymagać interpretacji.
Badania wykorzystujące powtarzane pomiary pokazują, że dane longitudinalne mogą dostarczać informacji o zmianach biomarkerów związanych z ryzykiem zdarzeń klinicznych. Jednocześnie ich analiza jest trudniejsza niż interpretacja pojedynczego pomiaru, szczególnie gdy dane są zbierane nieregularnie. W pracy Goldsteina i współpracowników wykorzystano longitudinalne dane z elektronicznej dokumentacji ponad 64 tys. osób, aby analizować zmiany markerów laboratoryjnych w kontekście ryzyka zawału mięśnia sercowego.
Czas może być więc dodatkowym wymiarem danych medycznych.
Norma populacyjna i norma konkretnego człowieka
Observability prowadzi do jeszcze jednego interesującego problemu: różnicy pomiędzy zakresem referencyjnym populacji a indywidualnym baseline’em.
Organizmy ludzi różnią się między sobą. Jednocześnie wiele parametrów u konkretnego człowieka oscyluje wokół względnie stabilnego, indywidualnego poziomu. W medycynie laboratoryjnej zjawisko to opisuje między innymi within-subject biological variation, czyli wewnątrzosobnicza zmienność biologiczna.
Badacze rozwijają na tej podstawie koncepcję personalized reference intervals – indywidualnych zakresów odniesienia wykorzystujących wcześniejsze wyniki pacjenta oraz wiedzę o zmienności biologicznej i analitycznej.
W badaniu opublikowanym w Clinical Chemistry w 2021 roku Coşkun i współpracownicy zaproponowali model wykorzystujący wcześniejsze wyniki pacjenta. W analizowanej populacji już co najmniej trzy wcześniejsze pomiary wykonane w stanie stabilnym pozwalały na uzyskanie odpornych oszacowań spersonalizowanych zakresów referencyjnych.
Kolejne badanie tej grupy porównało indywidualne i populacyjne zakresy dla 48 powszechnie wykorzystywanych parametrów laboratoryjnych. Dla większości analizowanych parametrów indywidualne zakresy były węższe od zakresów populacyjnych, choć występowały znaczne różnice pomiędzy osobami i biomarkerami.
To otwiera możliwość zadawania dwóch pytań jednocześnie:
Czy mój wynik jest typowy dla populacji?
oraz
Czy jest typowy dla mnie?
Nie są to pytania konkurencyjne. Indywidualny baseline nie powinien zastępować wiedzy klinicznej ani populacyjnych progów ryzyka. Człowiek może przecież przez wiele lat mieć zbyt wysokie ciśnienie – jego stabilność nie czyni go bezpiecznym.
Personalizacja może jednak dodać kolejną warstwę kontekstu.
Nie każda zmiana jest sygnałem
Więcej pomiarów tworzy również nowe ryzyko: nadinterpretację naturalnej zmienności.
Organizm ma swoją „pogodę”. Infekcja, intensywny trening, odwodnienie, posiłek, alkohol, stres czy leki mogą wpływać na niektóre wyniki. Dochodzi do tego zmienność analityczna związana z samym procesem pomiarowym.
Dlatego observability nie powinno polegać na alarmowaniu za każdym razem, gdy liczba się zmienia.
W diagnostyce laboratoryjnej istnieje m.in. pojęcie Reference Change Value (RCV), które wykorzystuje informacje o zmienności biologicznej i analitycznej do oceny różnicy między kolejnymi wynikami. Rozwijane są również bardziej zaawansowane modele statystyczne pozwalające tworzyć spersonalizowane zakresy odniesienia.
Kluczowym problemem staje się więc odróżnienie sygnału od szumu.
To szczególnie ważne w czasach urządzeń wearables i narzędzi ciągłego monitorowania. Możemy mierzyć coraz więcej, coraz częściej i coraz taniej. Nie oznacza to jednak automatycznie, że każda dodatkowa informacja poprawia decyzje medyczne.
Od pojedynczego PDF-a do longitudinal health record
W praktyce problemem nie zawsze jest brak danych. Często jest nim brak ciągłości danych.
Wyniki krwi znajdują się w jednym laboratorium. Badania obrazowe w innej placówce. Historia leczenia u kilku lekarzy. Ciśnienie w domowym aparacie, aktywność i sen w smartwatchu, masa ciała w jeszcze innej aplikacji.
Dane istnieją, ale trudno zobaczyć z nich historię.
Model oparty na observability zakłada budowanie longitudinal health record – uporządkowanej historii zdrowia, w której kolejne pomiary zachowują kontekst i mogą być analizowane na wspólnej osi czasu.
Nie chodzi wyłącznie o laboratorium. W przyszłości taki obraz może łączyć wyniki badań laboratoryjnych i obrazowych, pomiary antropometryczne, dane kliniczne, leki i interwencje, wybrane dane z wearables, a w uzasadnionych przypadkach także informacje genomowe.
Największa wartość może znajdować się nie w samych liczbach, ale w relacjach między nimi.
Zmiana stylu życia → zmiana masy i obwodu talii → zmiana ciśnienia → zmiana parametrów metabolicznych.
Rozpoczęcie leczenia → odpowiedź biomarkerów → kolejna decyzja kliniczna.
Pojedyncze fotografie zaczynają tworzyć film.
Więcej danych nie oznacza lepszej medycyny
Observability łatwo jednak pomylić z ideą „zmierzmy wszystko”. To błąd.
Im więcej parametrów obserwujemy, tym większe prawdopodobieństwo wykrycia przypadkowego odchylenia. Dochodzą fałszywie dodatnie sygnały, regression to the mean, różnice pomiędzy laboratoriami, zmiany metod analitycznych, błędy urządzeń konsumenckich czy zwykłe braki danych. Najnowsza literatura dotycząca spersonalizowanych zakresów referencyjnych nadal podkreśla zarówno ich potencjał, jak i ograniczenia oraz potrzebę dalszej walidacji klinicznej.
Dlatego więcej danych ≠ więcej wiedzy ≠ lepsze zdrowie.
Celem nie powinno być maksymalizowanie liczby pomiarów. Powinno nim być gromadzenie odpowiednich danych z wystarczającą jakością i częstotliwością, aby mogły zwiększać jakość przyszłych decyzji.
Właśnie tak rozumiemy observability w kontekście medycyny prewencyjnej.
Nie jako permanentny monitoring człowieka ani próbę diagnozowania chorób na podstawie każdej anomalii, ale jako możliwość zbudowania wystarczająco dobrej historii zdrowia, aby zobaczyć coś, czego pojedynczy wynik nie jest w stanie pokazać: zmianę.
Bibliografia
- Coşkun A. et al. Personalized Reference Intervals in Laboratory Medicine: A New Model Based on Within-Subject Biological Variation. Clinical Chemistry. 2021;67(2):374-384. DOI: 10.1093/clinchem/hvaa233. PubMed
- Coşkun A. et al. Personalized and Population-Based Reference Intervals for 48 Common Clinical Chemistry and Hematology Measurands: A Comparative Study. Clinical Chemistry. 2023;69(9):1009-1030. DOI: 10.1093/clinchem/hvad113. Clinical Chemistry
- Coşkun A. et al. Personalized reference intervals – statistical approaches and considerations. Clinical Chemistry and Laboratory Medicine. 2022;60(4):629-635. DOI: 10.1515/cclm-2021-1066. PubMed
- Goldstein B.A. et al. Detecting clinically meaningful biomarkers with repeated measurements: An illustration with electronic health records. Biometrics. 2015;71(2):478-486. DOI: 10.1111/biom.12283. PubMed
- Coşkun A., Plebani M. Personalized reference intervals based on biological variation: a critical evaluation of strengths and limitations. Clinical Chemistry and Laboratory Medicine. 2026. DOI: 10.1515/cclm-2026-0263. PubMed
