Эпидемиология звучит как узкоспециализированная тема общественного здравоохранения. Но её точнее понимать как накопленное знание о том, как данные о здоровье населения обманывают людей, — записанное дисциплиной, которая сама не раз попадалась на этом обмане и извлекала уроки.
Это делает её напрямую значимой для любого, кто работает с медицинскими данными, — а таких людей сейчас гораздо больше, чем тех, кто называет себя эпидемиологом.
Дисциплина, которая существует, чтобы вы не обманывали сами себя
У медицинских данных есть свойства, которые ломают обычную аналитическую интуицию.
Людей не распределяют случайным образом по факторам воздействия. Больные люди сами обращаются за помощью, поэтому попадание в датасет не независимо от факта болезни. Измерение происходит потому, что кто-то решил измерить, — и в этом решении уже есть информация. На исходы уходят годы. А популяция, которая породила данные, — не та популяция, к которой применят вывод.
Эти методы существуют потому, что очевидный анализ ошибается достаточно часто, чтобы за столетие успеть причинить реальный вред — не один раз.
Согласно Future of Jobs Report 2025 Всемирного экономического форума, 92% работодателей в сфере медицинских и здравоохранительных услуг считают, что значимость навыков в ИИ и больших данных растёт. Этот спрос по большей части закрывают люди, обученные на данных, которые ведут себя совершенно не так, как медицинские.
Что входит в направление
Охват: как распространяются заболевания, профилактика, здоровье населения, биостатистика, политика здравоохранения и неравенство.
Четыре компетенции.
Дизайн исследования. Когортные, «случай — контроль», поперечные, рандомизированные. На какой вопрос отвечает каждый дизайн, а на какой — нет. Большинство аналитических споров решаются именно на этом уровне, а не на уровне статистики.
Меры связи и эффекта. Относительный и абсолютный риск, отношения шансов, число пациентов, которых нужно пролечить для одного благоприятного исхода. Понимание того, почему большое относительное изменение может быть ничтожным в абсолютных цифрах, — самый часто эксплуатируемый пробел в медицинских публикациях.
Систематические ошибки и смешение факторов. Систематические способы, которыми исследование может ошибаться, и что можно сделать с каждым из них.
Здоровье населения и профилактика. Скрининг, вакцинация, эпиднадзор и логика вмешательств на уровне популяции.
Четыре ошибки, которые повторяются снова и снова
Смешение факторов, принятое за причинность. Две величины движутся вместе, потому что обе движет третья. В медицинских данных этой третьей величиной очень часто оказывается возраст, социальное неблагополучие или исходная тяжесть состояния — и все три сильно связаны почти с любым исходом.
Эффекты отбора в рутинных данных. Электронные записи содержат людей, которые обратились за помощью и прошли обследование. Модель, обученная на таких данных, изучает обследованную популяцию, а не общую. Это не исправить добавлением данных, потому что больше данных из того же источника несёт тот же встроенный отбор.
Пренебрежение базовой частотой при оценке теста. Самая значимая ошибка в этом списке. Тест с отличной чувствительностью и специфичностью выдаёт в основном ложноположительные результаты, если заболевание редкое, — просто потому, что людей без заболевания намного больше. Это нужно знать любому, кто оценивает диагностический тест, программу скрининга или предиктивное оповещение, а в маркетинговых заявлениях о продукте этого регулярно не хватает.
Конкурирующие риски и «бессмертное время». Более тонкие проблемы, связанные с обращением со временем, и обе способны породить впечатляющий эффект на пустом месте. Они часто появляются в анализах рутинных данных у людей, которые с ними прежде не сталкивались.
Место направления в домене
«Общественное здравоохранение и эпидемиология» — четвёртое из десяти направлений в домене Medicine and Healthtech Astra Trainer, и это методологический стержень для направлений над ним: клинические исследования и клинические испытания, медицинский ИИ и визуализация, персонализированная медицина — все они на него опираются.
Для партнёров, чьи сотрудники приходят из data science, а не из медицины, это направление обычно берут в паре с доменом AI, Data and Computing, где наука о данных и аналитика покрывает статистический аппарат. Это сочетание важно, потому что аппарат без эпидемиологии выдаёт уверенные ошибки. Посмотреть все десять направлений можно здесь.
Неравенство в здравоохранении как техническая тема
Собственное описание этого направления на сайте включает неравенство, и оно там как метод, а не как комментарий.
Три причины, почему это технический вопрос.
Это почти всегда искажающий фактор. Социально-экономическое положение связано с фактором воздействия, с доступом к медицинской помощи, с полнотой записи данных и с исходом. Анализ, который его опускает, припишет его эффект чему-то другому в модели.
Оно определяет, кто вообще попадает в данные. Группы с более слабым доступом к медицинской помощи недопредставлены в клинических датасетах. Модели, обученные на таких датасетах, работают хуже именно для тех групп, которые уже получают меньше помощи, — и этот сбой невидим в агрегированных метриках качества.
Агрегированные показатели скрывают сбой в подгруппе. Модель может хорошо работать в целом и плохо — для отдельной подгруппы, и заглавная метрика этого не покажет. Стратифицированная оценка — методологическое требование, а не этическое дополнение.
Поэтому кадровая программа, которая учит этому по-настоящему, готовит людей, способных оценивать системы так, чтобы ловить проблемы до внедрения. Программа, которая подаёт это как декларацию ценностей, готовит людей, которые согласны с важностью темы, но не знают, как её проверить.
Роли по именам
Эпидемиологи и аналитики общественного здравоохранения в ведомствах и системах здравоохранения.
Биостатистики в испытаниях, исследованиях и системах здравоохранения.
Специалисты по медицинским данным, работающие с популяционными и рутинными данными.
Специалисты по эпиднадзору и реагированию на вспышки.
Специалисты по экономике здравоохранения и исследованиям исходов, где те же методы обосновывают возмещение расходов и ценностные аргументы.
Аналитики регуляторики и оценки медицинских технологий (HTA), оценивающие доказательства, представленные производителями.
Статистики и методологи клинических испытаний, связанные с направлением клинических исследований.
Политические аналитики в госструктурах и страховых компаниях — они принимают решения, опирающиеся на эти методы, независимо от того, понимают их или нет.
Кого можно обучить для этих ролей
Специалисты по данным и статистики, переходящие в медицину. Самая многочисленная группа и группа с самым большим разрывом относительно последствий своей работы. У них уже есть технический аппарат, но нет специфичных для отрасли режимов сбоя — а именно в этом и состоит данное направление.
Клинический персонал, переходящий в аналитические роли. Уже обладает клиническим пониманием, но нуждается в методах. Дополняющий путь переквалификации, и в целом более надёжный, потому что клиническая интуиция ловит неправдоподобные результаты.
Политические и государственные аналитики. Часто интерпретируют эпидемиологические данные без формальной подготовки в этой области.
Менеджеры служб здравоохранения, работающие с данными о результативности и исходах, которые несут все перечисленные выше проблемы.
Журналисты и специалисты по коммуникациям в организациях здравоохранения — одно только различие относительного и абсолютного риска меняет качество их материалов.
Аналитики страховых компаний и плательщиков, работающие с данными по страховым случаям.
Что это такое и что нет. Это направление формирует методологическую компетенцию для анализа данных о здоровье населения. Это не клиническое обучение, и оно не поддерживает решения об отдельных пациентах, а различие между выводами на уровне популяции и на уровне отдельного человека — как раз то, что дисциплина существует, чтобы соблюдать. Практика общественного здравоохранения на официальных должностях во многих юрисдикциях также требует собственной профессиональной регистрации и квалификации.
Что важно вынести
Эпидемиология — записанная история того, как медицинские данные вводят в заблуждение, и это делает её полезной намного более широкому кругу людей, чем сфера общественного здравоохранения.
Смешение факторов, эффекты отбора, базовые частоты и обращение со временем приводят к неверным выводам чаще, чем любой выбор модели, и ни одну из этих проблем не решить просто добавлением данных.
Пренебрежение базовой частотой — самая значимая отдельная ошибка, потому что она делает хороший тест то бесполезным, то полезным в зависимости от факта о популяции, который маркетинговые заявления регулярно опускают.
Неравенство в здравоохранении — это одновременно искажающий фактор, проблема доступности данных и проблема качества для подгрупп, а значит, это метод, а не комментарий.
А специалисты по данным, приходящие в здравоохранение, — та группа, чей пробел в обучении наибольший относительно того, что решает их работа.
Зачем специалистам по данным эпидемиология?
Потому что медицинские данные ломают обычную аналитическую интуицию. Людей не распределяют случайным образом по факторам воздействия, попадание в датасет зависит от того, обратился ли человек за помощью, а само измерение уже несёт информацию. Эти методы существуют, потому что очевидный анализ часто ошибается.
Какая ошибка самая значимая?
Пренебрежение базовой частотой. Тест с отличной чувствительностью и специфичностью даёт в основном ложноположительные результаты, если заболевание редкое, а маркетинговые заявления регулярно опускают распространённость, которая это определяет.
Неравенство в здравоохранении — техническая тема?
Да. Оно искажает почти любой анализ, определяет, кто попадает в клинические датасеты, и порождает сбои в подгруппах, которые скрывают агрегированные метрики. Стратифицированная оценка — методологическое требование.
Кто лучше всего переквалифицируется в эти роли?
Клинический персонал, переходящий в аналитику, — потому что клиническая интуиция ловит неправдоподобные результаты. И специалисты по данным, переходящие в здравоохранение, — у них есть аппарат, но нужны специфичные для отрасли режимы сбоя.
Какое место это направление занимает в домене?
Четвёртое из десяти направлений в домене Medicine and Healthtech Astra Trainer, методологический стержень под клиническими исследованиями, медицинским ИИ и персонализированной медициной. Посмотреть все направления можно здесь.