Jednym z zadań statystyki jest precyzyjne oszacowanie niepewności wnioskowania. Wiedza o tym o ile się możemy mylić, na ile możemy zaufać i jak nieprzewidywalne jest zjawisko, o którym się wypowiadamy stanowi podstawę funkcjonowania społeczeństwa. Jest wykorzystywana między innymi przy wyznaczaniu składki ubezpieczenia, raty kredytu, projektowaniu systemu zdrowia, dobieraniu materiałów w budownictwie czy publikowaniu odkryć w naukach społecznych czy kosmologii. Modelowanie nowego rodzaju niepewności może umożliwić wykorzystanie danych obserwacyjnych w medycynie.

Tradycyjne badania w medycynie opierają się na randomizowanych kontrolowanych eksperymentach. W sterylnym środowisku podajemy leki na podstawie zmierzonych cech pacjentów, na dodatek losując, kto dostaje jaki lek. Takie zabiegi pozwalają nam na wyciąganie wniosków przyczynowo-skutkowych. Są one jednak z wyżej wymienionych powodów kosztowne, przeprowadzane na małą skalę i w ograniczonym środowisku.

Alexander Luedtke, Ekaterina Sadikova i Ronald C. Kessler (University of Washington) w artykule z 2019 roku pokazali, że zdecydowana większość takich badań ma za małe próby, by mieć jakąkolwiek szansę wykrywać leki spersonalizowane. Alternatywą jest wykorzystanie danych obserwacyjnych – rekordów ze szpitali, klinik czy nawet aplikacji w telefonie. Problemem tych badań jest jednak występowanie czynników zakłócających. Na przykład oferowanie leczenia przez lekarzy i jego skuteczność zależą od tego, jak zachowuje się pacjent podczas wizyty, z jakiego kręgu społecznego pochodzi i jaki jest jego ogólny stan zdrowia. Są to nierejestrowane czynniki. Poszukiwane są obecnie metody statystyczne, by jak najwięcej informacji z takich źródeł danych wydobyć, w tym jak dużą niepewnością ich wykorzystanie jest obarczone.

W zoo niepewności znajduje się wiele różnych jej gatunków. Jednym z nich jest niepewność ontyczna - nieodzowaną cechą nieprecyzyjności obiektu np. związana z określeniem, że w "pokoju jest ciepło". Innym rodzajem jest niepewność epistemiczna – związana z brakiem wiedzy lub informacji o procesie. Kolejnym rodzajem jest niepewność aleatoryczna – odnosi się ona do losowości i zmienności znanych zjawisk opisywanych przez prawdopodobieństwo.

Nowym konceptem wprowadzonym przez Alizee Pace, Hugo Yeche, Gunnara Ratchs (ETH) Berarda Scholkopfa (Max Planck Institute for Intelligent Systems) i Guya Tennenholtza (Google) w artykule z 2023 jest niepewność delficka. Pomysł odnosi się do niepewności wynikającej z ukrytych zakłóceń, które mogą wpływać na wyniki modelu. Ta niepewność jest związana z nieznanymi lub niezaobserwowanymi zmiennymi, które mogą wpływać na obserwowane dane i prowadzić do błędnych wniosków. Jej badanie polega na analizowaniu wariacji pomiędzy różnymi modelami świata, które są zgodne z obserwacjami. Wyobraźmy sobie, że przeprowadzamy badania nad nowym lekiem na chorobę serca, który ma za zadanie obniżyć ciśnienie krwi u pacjentów. W tym celu zbieramy dane ze szpitali. Niepewność epistemiczna wynika z niepełnej wiedzy na temat wszystkich mechanizmów działania nowego leku. Z perspektywy aleatorycznej reakcje pacjentów na lek są losowe i różnią się w zależności od losowych procesów w organizmie. Z delfickiej perspektywy na wynik działania leku wpływają ich nawyki żywieniowe czy poziom stresu. Autorzy badania dekomponują zmienność wartości strategii na sumę trzech niepewności: aleatoryczną, epistemiczną i delficką. Badacze proponują zastosowanie generatywnej sztucznej inteligencji do tworzenia modeli rzeczywistości kompatybilnych z obserwacyjnymi danymi. Z ich pomocą możemy lepiej oszacować niepewność lub dać karę za podejmowanie decyzji niepewnych ze względu na możliwe zakłócenia. Delficka niepewność jest jednym z perspektywicznych narzędzi. Metoda została zastosowana na 33 tysiącach przypadków pacjentów w intensywnej terapii i poprawiła oceny lekarzy dotyczące unikania niewydolności krążeniowej.

Zbieramy obecnie niebotyczne ilości danych, które kryją w sobie pokłady zakłóconych, lecz użytecznych informacji. Nowe metody statystyczne pomogą nam zrozumieć jak wydobyć z nich przydatne informacje i w precyzyjny sposób powiedzą nam na ile można im zaufać. Wykorzystanie delfickiej niepewności w szpitalach pomogłoby ratować życia, a to dopiero początek nowej ery danych i wieku statystyki.