Bir Grup Ortalamasından Tek Bir Kişiye Ne Kadar Gidebiliriz?

Bir araştırmada müdahale grubunun karşılaştırma grubundan ortalama olarak daha fazla iyileştiğini düşünelim. Bu sonuç önemli bir seçeneğin işe yarayabildiğini gösterir. Fakat müdahale grubundaki herkes aynı miktarda iyileşmemiştir: bazı kişiler belirgin yarar görmüş, bazıları değişmemiş, bazıları kötüleşmiş olabilir. Ortalama etki bu dağılımların ortak özetidir; tek bir kişinin geleceğini söyleyen garanti değildir.

Buradan grup araştırmalarının birey için yararsız olduğu sonucu çıkmaz. Güvenilir klinik kararın başlangıç olasılıklarını grup verisi sağlar. Sorun, bu olasılığı kişisel kesinlik gibi sunmaktır. Bireysel karar; araştırmanın kimlerde yapıldığını, etki farklılıklarına ilişkin güvenilir kanıtı, kişinin koşullarını ve süreç içinde elde edilen yeni veriyi birlikte kullanmalıdır.

Ortalama tedavi etkisi, araştırma koşullarında iki grubun beklenen sonuçları arasındaki farkı özetler. Bu değer müdahalenin hiç kimseye tam olarak sağladığı etki olmak zorunda değildir. Aynı ortalamaya çok farklı bireysel sonuç dağılımları yol açabilir. Araştırma ayrıca belirli bir örneklemde yürütülmüştür; yaş, kültür, eşlik eden sorunlar, hizmete erişim ve başlangıç şiddeti hedef kişiden farklıysa aktarım daha belirsizdir.

Yarkoni (2022), psikolojide sonuçların gözlenen kişiler, işlemler, durumlar ve ölçümlerin çok ötesine genellenmesinin çoğu zaman yeterince gerekçelendirilmediğini savunur. Bu eleştiri hiçbir genelleme yapılamayacağı anlamına gelmez. Genellemenin hedefini açıkça tanımlamayı, değişken koşullarda tekrarları ve iddianın kapsamını kanıtla eşleştirmeyi gerektirir.

Bu soruların hiçbiri tek başına kişiselleştirme sağlamaz. Ama grup kanıtını, hedef nüfusu ve kişi içindeki yeni bilgiyi birbirine karıştırmadan bağlar.

Belirli bir kişinin bir müdahaleyi aldığında ne olduğunu gözleyebiliriz. Aynı kişi aynı anda, aynı koşullarda müdahaleyi almadığında ne olacağını gözleyemeyiz. Bireysel nedensel etki bu iki olası sonuç arasındaki farktır; fakat sonuçlardan biri karşıolgusaldır. Randomizasyon bu sorunu aynı kişi için çözmez, karşılaştırılabilir gruplar oluşturarak ortalama etkiyi tahmin etmeye yardım eder.

Bu nedenle bir kişinin tedaviden sonra iyileşmesi, iyileşmenin tamamının tedaviden kaynaklandığını tek başına kanıtlamaz. Doğal seyir, beklenti, başka hizmetler, ilişkiler ve yaşam olayları etkili olabilir. Kişinin iyileşmemesi de yöntemin herkes için etkisiz olduğunu göstermez. Bireysel deneyim karar için gerçektir ve önemlidir; nedensel genelleme için ise tek başına sınırlıdır.

Kişiselleştirilmiş etki modelleri büyük veri ve makine öğrenmesi kullansa bile bu temel sorunu ortadan kaldırmaz. Modelin geliştirilme örnekleminden bağımsız veride doğrulanması, kalibrasyonu, hata ve adalet analizi gerekir. Yüksek teknik karmaşıklık, otomatik klinik yarar anlamına gelmez.

Bir özellik sonucu güçlü biçimde öngörse bile tedavi seçimine yardım etmeyebilir. Örneğin daha ağır başlangıç düzeyi genel olarak daha kötü sonuca bağlı olabilir; fakat A ile B arasındaki farkı değiştirmeyebilir. Tedavi seçtirmek için özellik ile müdahale arasında sonuç üzerindeki güvenilir etkileşimin gösterilmesi gerekir.

Kent vd. (2020), tedavi etkisi farklılığını araştırırken önceden belirlenmiş analiz, aşırı uyumdan kaçınma, uygun modelleme ve dış doğrulama gibi ölçütleri vurgular. Tek değişkenli çok sayıda alt grup analizi yanlış olumlu bulgular üretebilir. Bir çalışmada görülen yaş, cinsiyet veya belirti alt grubu farkı bağımsız veride tekrarlanmadan kesin seçme kuralına dönüştürülmemelidir.

Bir araştırmada kişiler arası karşılaştırmada daha az uyuyanların ortalama olarak daha fazla sıkıntı bildirdiğini düşünelim. Bundan belirli bir kişinin her az uyuduğu gün mutlaka daha fazla sıkıntı yaşayacağı sonucu çıkmaz. Kişiler arası fark ile aynı kişinin zaman içindeki değişimi farklı süreçleri yansıtabilir.

Fisher vd. (2018), psikolojik değişkenlerin grup düzeyindeki yapısıyla kişi içindeki yapısının önemli ölçüde ayrışabileceğini yoğun tekrarlı ölçümlerle göstermiştir. Bu bulgu her grup sonucunun bireyde yanlış olduğu anlamına gelmez. Grup modelinin kişiye genellenmesi için durağanlık ve kişiler arası benzerlik gibi güçlü koşullar gerektiğini hatırlatır.

Yoğun zaman serileri bir kişinin belirtilerinin, davranışlarının ve bağlamının nasıl birlikte değiştiğini incelemeye yardımcı olabilir. Ancak çok veri otomatik nedensellik sağlamaz. Ölçümlerin güvenilirliği, zaman aralığı, mevsimsellik, dış olaylar ve analiz seçimleri sonucu etkiler. Ayrıca sürekli izleme mahremiyet, veri güvenliği, ölçüm yükü ve belirtilere aşırı odaklanma riski taşır.

Tek-vaka deneysel tasarımları bir kişinin sonucunu farklı fazlarda tekrarlı ölçerek müdahale ile değişim arasındaki ilişkiyi daha yakından sınayabilir. Bazı müdahaleler geri çekilebilir, tekrar uygulanabilir veya bileşenleri sırayla denenebilir. Bu tasarımlar özellikle sık ölçülebilen ve hızlı değişebilen sonuçlarda değerli olabilir.

Fakat psikoterapide öğrenilen bir beceriyi geri çekmek mümkün olmayabilir; sorun doğal olarak değişebilir ve fazlar birbirini etkileyebilir. Akut risk veya etkili tedaviyi geciktirme olasılığı bulunan durumlarda deneysel geri çekme etik olmayabilir. N-of-1 ifadesi kişiye özel bakımın eş anlamlısı değildir; tasarım, ölçüm ve etik gerekçelendirme gerektirir.

Kişiye özgü verinin en yaygın ve güvenli kullanımlarından biri, bakım boyunca geçerli ölçümler ve kişinin hedefleriyle sonucu izlemektir. Bu izlem başlangıçta hangi tedavinin kesin olarak işleyeceğini söylemez; planın o kişide beklenen yönde gidip gitmediğini daha erken fark etmeye yardım eder.

Bu sorular yapay zekâ ve algoritmalar için olduğu kadar, biyobelirteç, test profili veya klinik tipolojiye dayalı kişiselleştirme iddiaları için de geçerlidir. Daha kişisel görünen açıklama her zaman daha doğru değildir.