неправы. Это одно из важных и правомерных замечаний, полученных Доллом и Хиллом, что сподвигло их продолжить исследования и доказать связь между курением и раком легких уже в когортном исследовании, когда наблюдение за курильщиками и некурильщиками началось задолго до появления симптомов заболевания. А позднее провели эксперименты, когда оценивался эффект отказа от курения на снижение риска рака легких в будущем.

Поэтому количество проведенных исследований, которые пришли к одинаковому результату, не всегда является критерием надежности. Бывает, несколько или даже множество исследований приходят к одному и тому же результату, только неправильному. Например, все проведенные исследования изначально неправильно спланированы и пропустили важный фактор, о котором еще не было известно. Как, например, уровень образованности матери в исследовании с зефирками из 6-й главы. Может случиться так, что все исследования публикуются в небольших журналах учеными с сомнительной репутацией, и эти случаи представляют собой тщательно подобранные редкие исключения, не отражающие действительность для большинства других людей.

В моей научной работе я тоже встречалась с такими исследованиями. В середине 2010‐х годов одной из «горячих» для изучения тем являлось положительное влияние статинов при болях в коленных суставах у пожилых людей. Ранее в книге мы говорили, что у нас нет проверенных и надежных лекарств, способных остановить разрушение хряща при остеоартрите. И вдруг одно за другим стали появляться исследования, доказывающие снижение интенсивности боли в суставах при приеме статинов, а также снижение частоты операций по замене сустава. В команде с биостатистиками и эпидемиологами мы внимательно изучили все предшествующие исследования, проанализировали их недостатки и приложили огромные усилия, чтобы избежать возможных искажений и систематических ошибок. В течение года я проанализировала более 17 млн медицинских записей в базе данных Великобритании. Вывод был неутешителен: статины не оказывают никакого эффекта при остеоартрите, а все положительные результаты предыдущих исследований были следствием ошибок в планировании [25]. После публикации результатов исследования в этом направлении прекратились, и вопрос был закрыт, поэтому вы нигде не увидите, что врач назначает статины при болях в суставе.

Возможно, в этот момент вы чувствуете возмущение: как это возможно, что ученые постоянно ошибаются? Или даже разочарование и недоверие к любым научным исследованиям – если ученые постоянно ошибаются, можно ли им вообще верить? И я вас понимаю. Но прошу не торопиться с выводами. В следующем параграфе главы мы поговорим об эволюции научных исследований и какое место в этом процессе занимают те самые некачественные и ненадежные исследования.

§ 2. Как понимание научного прогресса поможет нам в интерпретации доказательств

2.1 Как двигается научный прогресс – от единичных к спланированным исследованиям

В прошлых главах мы говорили, что среди частых причин, почему разные исследования приходят к разным результатам, являются маленькие выборки, подверженные случайным ошибкам, ошибки отбора, из-за которых выборки становятся нерепрезентативными, а также недостатки различных дизайнов исследований.

Почему мы так часто сталкиваемся с маленькими исследованиями плохого качества, с участниками, не похожими на нас, а их результаты запутывают нас больше, чем направляют?

Если бы идеальное исследование существовало, выглядело бы оно так: чтобы узнать, будет ли лечение эффективно для вас, ученые бы создали две идентичные копии вас, с одной и той же формой и тяжестью заболевания, но только одна получила бы лекарство. А потом сравнили бы результаты и сделали выводы. К сожалению, это невозможно. Вы существуете в единственном экземпляре. И даже идентичные однояйцевые близнецы отличаются друг от друга. Об этом вам расскажет любая мама близняшек. И чем старше близнецы, тем больше появляется различий. В реальности близкие к идеальным исследования скорее редкость, чем правило.

В какой-то мере путь развития научного знания можно представить как линейное движение от маленького к большому, от простого к сложному, от известного к неизвестному или, наоборот, от неизвестного к известному.

Рисунок 30. Линейный научный прогресс

Иногда один сложный случай может сподвигнуть врача начать изучать вопрос лучше. Потом оказывается, что это не единичный случай, а серия случаев. Далее врач начинает замечать закономерности и сравнивать целые группы пациентов. Сначала одномоментно, а потом уже в течение какого-либо времени. Каждый этап дает новую информацию и позволяет лучше спланировать следующий шаг. Когда доказательств накапливается много, можно приступать не просто к наблюдению и анализу пациентов, а к эксперименту – мы вмешиваемся в ход событий и смотрим, влияют ли наши действия на результаты.

Так произошло с одним диагностическим алгоритмом из Израиля, авторов которого я знаю лично. История этого успешного стартапа как раз началась с одного клинического случая. У пациента обнаружили рак толстого кишечника, причем на достаточно серьезной стадии, когда шансов продлить жизнь не так много. Диагноз стал сюрпризом не только для пациента, но и для его участкового врача, так как пациент регулярно приходил на осмотры и сдавал анализы крови, и ничего не выбивалось из нормы. Однако, когда врач внимательно сравнила анализы крови за последние три года, она заметила тенденцию к снижению показателей гемоглобина, которая буквально перед диагнозом перешла в анемию за счет хронической кровопотери из кишечника. То есть был период, когда анализ крови был еще в норме, но можно было уже заподозрить, что что-то не так. Тогда он решил посмотреть, можно ли наблюдать подобную тенденцию у других пациентов. Оказалось, да. С группой статистиков врач провел исследование в своей больнице, и вместе они смогли найти закономерные изменения в общем анализе крови у пациентов с раком толстого кишечника, которых не было у их ровесников без рака.

Данное исследование положило начало диагностическому алгоритму под названием ColonFlag. Следующим этапом нужно было доказать, наблюдается ли подобная картина в других странах и не закралась ли в расчеты ошибка. Тогда ученые взяли несколько баз данных из США, Англии и Израиля. Результаты подтвердились: алгоритм выявлял людей, у которых в 10 раз чаще обнаруживали рак. И что важно: среди них были пациенты на ранней стадии рака и даже предраковой, как раз тогда, когда еще не поздно вмешаться и все остановить. Совсем недавно вышли результаты проспективного исследования, когда алгоритм внедрили в одну из крупных больниц в США с очень хорошим результатом [27].

Такое последовательное движение от простых к более сложным исследованиям оправдано и с финансовой точки зрения: ни одна организация не возьмется сразу спонсировать когортное исследование или клиническое испытание, требующее годы на проведение и огромные финансовые вложения, если нет достаточных предварительных данных.

Однако, если даже у ученых есть и знания, и ресурсы, и безграничное время,