我思，故我在。 —笛卡尔

目录：

一 良医三大要素
医德，知识技术，临床思维的习惯和能力
二 不确定性与量化可能性 — 概率(Probability)
I：临床充满不确定性
II: 钟形曲线与临床思维
III: 三种概率：简单概率、复合概率和条件概率
IV: 概率操作与概率误区
三 不确定性与量化可能性 — 可能性比（Likelihood ratio）
四 循证医学与证据误区
五 推理
I: 演绎推理（Deductive Reasoning）
II: 归纳推理（Inductive reasoning）
III: 溯因推理 (Abductive reasoning)
六 两种临床思维方式及思维误区
I： 经验直觉思维
II： 分析思维
七 理性思维者若干特性[2]
八 临床思维偏见和误区[2]
九 我的临床思维

Medicine is a science of uncertainty and an art of probability （医学是不确定性的科学和可能性的艺术）。—William Osler

Sir William Osler, 1st Baronet（1849 — 1919 年 ）：加拿大医生，约翰.霍普金斯医院四大开山祖师爷教授之一。他创建了第一个实习生培训项目,经常被描述为现代医学之父和 “有史以来最伟大的使用听诊器的诊断学家”之一。维基。

I：临床充满不确定性

不确定性分两种：
1 认识的不确定性（Epistemic）: 病人实际情况、医学科学本身、诊断预测和治疗，太多信息我不知道，无法知道。自然界和人体太多秘密，科学知识本身也不知道。
2 随机性带来的不确定性 (Stochastic)。个体差异无法预测。统计、流行病学调查，可以发现一组人群，冠心病发病率多高，老年痴呆可能性多大。但是那个人群的具体每一个人，你无法知道他/她会不会患冠心病，会不会发生老年痴呆。福尔摩斯说过：一个人群，他可以预料。但是一个人，他无法预料。侦探和医生一样，总是和不确定性打交道。医生面临的是一个病人。而侦探面临的不仅是人，还有这个人所处的大环境。

为什么有那么多不确定性？简单地说：因为人是地球上最高级的生物，太多变量。这些变量，或者不知道，或者无法控制，因此无法确定。

懂得不确定性，医生才不至于思维僵化；不至于先入为主，匆忙下结论；不至于死守既定方针，诊断治疗一成不变；不至于总是理所当然；不至于过分自信。虽然总是面临不确定性， 医生们不能以此作为偷懒的借口，而应该追求确定性，诊断、治疗、预后，同时对确定性的范围有一个现实的估计。

因为不确定性，每个诊断、治疗，都只是可能。有没有办法量化这些可能性？

II: 钟形曲线与临床思维

X: 不同的已经发生，或者预测将要发生的事件（possibility），如一个人群的血压、心率、红细胞血红蛋白分布，病因、诊断或者预后等等。
Y：上述指标，事件发生的概率 (probability)。
钟形曲线有两个变量： 均数（mean）和标准差（SD）。 SD越大，曲线越扁平。

概率说起简单，但是以前都是靠摔骰子或者抽签来预测将来。 计算概率始于启蒙时代，近20个哲学家数学家为概率作出了贡献。概率让人们至少精英意识到，世界不总是由上帝决定，还有不少随机性。1920s年, 统计成为医学的工具之一, 医生们也开始思考概率。

钟形曲线、概率对临床有什么帮助？医生不会想到钟形曲线，但可能会想到一个事件过去发生的概率，概率来自流行病学调查，随机临床试验。据此来推断这个事件在一个病人身上发生的概率。这种有根据，计算出来的概率，比起没有根据及计算的猜出来的概率，准确的多。

过去发生的事，将来不一定都会同样发生。于是引发一个问题：概率正确的可能性有多大？没有医生能够准确地估计概率，来自资料的概率不是100%的准确。估计的概率应该是一个范围，而不是一个不变的数字，70%、88% 等等。

III: 三种概率

1：简单概率：或者说偶然性概率。丢骰子、抛硬币、遭雷打，无法预测。知道概率的唯一办法就是祷告。
2：复合概率： 有两种以上的可能性。如病人胸痛，可能的病因几个—心肌梗塞、心绞痛、心包炎、肺动脉栓塞、胃酸反流、焦虑、胸部软组织炎或者肌肉扭伤。每一种可能病因的概率大小，取决于病人人群，年龄，性别，家族史，过去史等等。

复合概率的计算规则。
任何一个可能性的概率 >0,<1（不是0%，不是100%）。
各个可能性（如病因）互相排斥，因为最终只有一个可能性，但是必须有一个可能性。所以复合概率，总和是100%。
总和是1（100%），因为肯定有一个可能性（如病因）被确定或者成为现实。这和规则1又是矛盾的。这个最终确定的可能性，算不算100%？另外，有的时候就是找不到病因。这时候，复合概率的总和是多少？还是100%，因为找不到不等于没有。
两个互相排斥的可能性（甲乙），非甲即乙的概率，是甲乙概率的和。甲的概率40%，乙的概率50%，非甲即乙的概率是90%。
两个可能性同时发生的概率，低于单独一个可能发生的概率。上面胸痛病人为例。心绞痛概率 40%， 胃酸反流概率 20%，两个同时发生的概率只有40%x20% =8%。根据这个规则。临床诊断，首先尝试用一个病因解释所有的异常。

3：条件性概率（Conditional probability）。一个可能性的概率大小，取决于其它条件的存在与否。如胸痛病人，如果肌钙蛋白升高，心肌梗塞的概率随之升高。肌钙蛋白正常，心肌梗塞的概率自然大幅度下降。计算条件如何改变概率，用贝叶斯规则（Bayes’ rule）。

托马斯·贝叶斯( Thomas Bayes约 1701 年 – 1761 年），英国统计学家、哲学家和长老会牧师，因贝叶斯定理闻名。Wiki

贝叶斯规则来自他去世后发表的一篇论文。他用数学语言描述条件性概率。首先是基础概率，如一个人胸痛，心肌梗塞的概率多大。然后根据条件存在与否（肌钙蛋白，心电图等等）修改概率。概率可以改变很多或者很少，改变程度取决于基础概率和条件的强度。

数学推导[1]：假设一个病人胸痛，他心肌梗塞的基础概率是50%，肌钙蛋白的敏感性是95%，特异性是80%。如果肌钙蛋白阳性，他心肌梗塞的概率是多少？如果肌钙蛋白阴性，他没有心肌梗塞的概率又是多少？

这个问题是问阳性预测率（Positive Predictive Value PPV），如果检查阳性，疾病的概率。和阴性预测率（Negative Predictive Value NPV）,如果检查阴性，没有疾病的概率。

PPV = P(D/+)
P= 概率， A=基础概率， B=条件， D/+=疾病， —D=没有疾病， +=试验阳性 ，—=试验阴性, TPR= True positive rate( 真阳性率：敏感性-有病的人检查阳性的概率), FPR=False positive rate（假阳性率：1—特异性）。特异性是没病的人检查阴性的概率。
推导：
1 P(A/B)=P(A\ and\ B)/p(B)\ }
2 P(D/+)=P(+\ and\ D)/p(+)\ }
3 P(+)=P(+\ and\ D)+P(+\ and\ —D)
4 P(D/+)=P(+\ and\ D)/P(+\ and\ D)+P(+\ and\ —D)
5 P(+/—D)=P(+and —D)/P(—D)
6 P(+and —D)=P(—D) x P(+/—D)
7 P(D/+)=P(D) x P(+/D)/P(D) x P(+/D) +P(—D) x P(+/D)
8 P(D/+)=P(D) x TPR/P(D) x TPR + P(—D) x FPR
P(D/+)=PPV=0.5 x 0.95/0.5 x 0.95 + 0.5 x 0.2 =0.83. 病人肌钙蛋白阳性，心肌梗塞的概率（PPV）是83%。他很可能有心肌梗塞。

此外，根据贝叶斯规则，也可以计算阴性预测率（Negative predictive Value NPV）。
NPV = [(specificity) x (1 - p)] / [specificity x (1 - p) + (1 - sensitivity) x (p)] 这里P是基础概率。
9 NPV =[(0.8)x(1-0.5)]/[0.8x(1-0.5)+(1-0.95)x0.5]=94%。没有心肌梗塞的概率是94%，

贝叶斯规则原来这么简单。 爱因斯坦说过：“一切都应该尽可能简单，但不能过于简单（Everything should be made as simple as possible, but no simpler）”聪明人把复杂的事情描述的很简单，庸人把简单的事情描述的高深复杂。吃瓜群众以为聪明人是凡夫俗子，庸人是聪明人。

省略推导，理解不理解都行，知道公式8和9就够了。只要你知道基础概率，知道相关检查（test）的敏感性和特异性，根据检查结果，你就可以估计病人患病或者没有患病的概率。一个病人因为来到医院。根据病史、查体，得出几个鉴别诊断。根据这些信息，加上病人所在人群，社区，估计几个诊断/疾病的基础概率。然后决定作什么检查（化验，图像），这些检查的敏感性和特异性。检查结果回来后，计算几个或一个疾病的概率。

医生不可能对所有病人，都这么计算。实际上，对所有病人，都不会这么计算。但是，有这些概念，你可以对诊断有一个量化的估计。贝叶斯规则帮助诊断思维的价值在于：
1：对有关检查（test）的诊断价值，根据基础概率，敏感性和特异性，有一个量化的估计。让你的估计更准确。
2：根据检查阳性或者阴性调整后的概率，永远不会100% 或者 0%。检查阳性不等于就是有病，阴性等于没病。检查阳性阴性，只是增加了有病没病的可能性而已。可能性增加了多少？你要是勤快，可以算算，或者估计一下。
3：对于检查的诊断价值有一个估计。检查的诊断价值取决于敏感性、特异性和基础概率。基础概率在中间，条件对概率的影响最大。换句话说，基础概率太低或者太高，检查没有什么诊断价值。

阳性预测值（PPV）和阴性预测值（NPV），也可以列表计算。我在行医杂记（30）曾经介绍过。用哪个方法，你看着办吧。

IV: 概率操作与概率误区

与概率相关的操作， 一是Anchoring, 估计基础概率。二是Adjusting: 根据新的信息调整概率。如上所述。

概率误区来自操作失误。
1： Anchoring 误区：认定基础概率，以不变待万变。不管条件怎么变化，概率永远不变。病人来到医院，医生下了诊断。以后就认定那个诊断，即使新的矛盾的信息出现，即使根据原因诊断的治疗失败，也不会改变诊断。
2：Base-rate neglect: 忽略或者根本不知道基础概率。阳性就是有病，不管基础概率多大，这个人群的发病率是多少。我以前在加拿大，到一个医院打临时工，顺便看风景。一天作运动实验（Stress test）。其中一个女病人40多岁，没有任何过去史。不抽烟喝酒。他的家庭医生送她来作运动实验，说是作了放心。这个病人，冠心病的基础概率，不到3%。假设她的冠心病基础概率是3%，运动试验的敏感性和特异性都是70%。如果运动试验阳性，按照上面公式9计算：0.03×0.7 / 0.03 x 0.7 + 0.97×03=15%。即使试验阳性，也不能证明她有冠心病。她的家庭医生，没有基础概率的概念， 因此也不懂试验阳性结果对概率的影响。这种医生多如牛毛。