Ложь во благо: цена доверия к экспертам в медицине 0:25
В последние десятилетия общественное доверие к экспертам и профессиональным институтам заметно снизилось. В частности, пандемия COVID-19 высветила серьезный кризис в отношениях между обществом и представителями медицины. Как полагают ведущие подкаста «All Else Equal» Жюль ван Бинсберген и Джонатан Берк, а также гость программы, известный исследователь из Стэнфордского университета Джон Иоаннидис, главной причиной этого стала склонность медицинских профессионалов к дезинформации ради «общественного блага».
🏥 Парадокс «белой лжи» в здравоохранении 0:39
Джонатан Берк утверждает, что медицинская система часто практикует так называемую «ложь во благо», полагая, что врачи знают, что лучше для пациента или общества. Однако, по мнению участников дискуссии, такая стратегия в долгосрочной перспективе приносит огромный ущерб, так как разрушает доверие, на восстановление которого могут уйти десятилетия.
В качестве примера манипуляции общественным мнением Берк приводит ранний этап пандемии COVID-19, когда чиновники отговаривали население от ношения масок, зная об их эффективности, ради того, чтобы сохранить запасы средств защиты для медперсонала. По словам Берка, аналогичная ситуация сложилась с вакцинами: эксперты транслировали упрощенную картину эффективности, скрывая риски мутации вируса и снижения защиты, что в итоге привело к тому, что сегодня многие люди отказываются даже от проверенных временем вакцин, например, от кори.
Джон Иоаннидис отмечает, что подобное поведение опасно, так как врачи не являются родителями, а пациенты и общество — не дети. По его мнению, представление о том, что эксперт вправе манипулировать информацией, лишает граждан автономии и возможности принимать взвешенные решения.
⚖️ Патернализм против доказательной медицины 21:51
Жюль ван Бинсберген проводит параллель между медициной и финансами: и там, и там эксперты сталкиваются с необходимостью сообщать о высокой неопределенности. Проблема возникает, когда специалисты решают «облегчить жизнь» пациенту, скрывая сложности и просто говоря, что нужно делать.
Джон Иоаннидис подчеркивает, что это фундаментально противоречит принципам доказательной медицины, которая невозможна без совместного принятия решений (shared decision-making).
- Врач обязан представить все альтернативы: потенциальные выгоды, риски, влияние на карьеру и личную жизнь.
- То, что является «лучшим» в абстрактном медицинском смысле, может не совпадать с ценностями конкретного пациента или сообщества.
- Если пациент сам просит врача выбрать за него, врач обязан сначала максимально честно изложить суть проблемы, а не прятаться за сложностью терминологии.
Иоаннидис признает, что в современной системе здравоохранения врачи часто ограничены временем и бюрократией электронных карт, что превращает общение в автоматизированный процесс. Многие специалисты, стремящиеся практиковать качественную медицину, сталкиваются с профессиональным выгоранием или даже увольнением, так как глубокий диалог с пациентом требует времени, которое невыгодно системе.
🔬 Искажения в научных исследованиях 27:13
Дискуссия также коснулась проблемы предвзятости в медицинских исследованиях. По словам Джона Иоаннидиса, большая часть исследований сегодня финансируется индустрией, которая заинтересована в получении конкретных выгод, а не в максимизации здоровья населения.
Джонатан Берк привел пример исследования своего коллеги Джея Бхаттачарьи (Jay Bhattacharya), направленного на определение реальной распространенности COVID-19 в популяции. Как утверждает Берк, исследование столкнулось с серьезным давлением со стороны научного сообщества, так как полученные результаты противоречили «удобному» для паники нарративу. Иоаннидис, будучи соавтором этих работ, подтвердил наличие предвзятости: многие ученые искренне верили, что ради «спасения мира» допустимо «тратить истину», опасаясь, что правда о более низком уровне смертности снизит бдительность людей.
В заключение собеседники сошлись во мнении, что восстановление доверия потребует долгого времени и честного признания допущенных системных ошибок.
