下载掌阅APP，畅读海量书库
立即打开
临床中医生随时会面对诊断和治疗的决策问题。例如：是否需要使用昂贵的或对患者有损伤的诊断技术以明确诊断；对于实体肿瘤患者，是手术切除、放疗、还是化疗，是立即手术，还是先保守治疗并进一步观察；哪一种诊断或治疗方案更符合成本-效益（效果）原则。通常医生会基于自己的经验做出决策，但实际情况常比较复杂。一方面，实施某种方案后可能产生不同的结局。例如：手术治疗可能彻底治愈疾病，也可能无法达到预期效果；某种诊断技术虽然有助于医生明确诊断，但也因假阳性和假阴性存在而导致误诊漏诊。另一方面，各种方案有利有弊，需要权衡决断。例如：就脂肪肝诊断而言肝穿虽然准确可靠，但有出血风险、费用高等不足；有些手术治疗虽能延长患者的寿命，但可能影响生活质量。因此，面对危及患者生命等重大决策问题时，仅凭惯性思维或经验性决策难以全面衡量各因素对决策的影响，而建立在定量分析基础上的决策可以帮助医生更全面、更系统、更科学地分析解决问题。
临床决策分析（clinical decision analysis，CDA）是指以循证医学为依据，采用综合计算方法，在充分分析不同方案的风险和获益基础上甄选出最佳诊疗方案，充分利用有限资源以达到最佳治疗目标的过程。常用的方法有决策树分析法、阈值分析法和综合分析法等。准确的诊断是为了获得好的治疗效果，而治疗效果包含寿命和生活质量的影响，因此决策目标应全面和长远考虑，同时要结合卫生经济学的观点和方法，应用最小成本法、成本-效果分析法、成本-效用分析法和成本-效益分析法去评价备选方案。临床决策分析过程也需要患者参与，使患者理解临床诊疗方案获益和可能出现的风险，增加患者依从性。
评价CDA正确与否需要3个前提条件：备选方案是否齐备；各事件的概率估计是否准确；结局的定量是否合情合理。
利用决策树（decision tree）进行临床决策分析是一种简单明了的方法。在考虑和分析临床诊断、治疗决策中，可将备选方案、情况和转归结局进行分层，对选择后的各种可能情况和结局用循证医学研究报告所提供的数据（各相关事件发生的概率）标出，以便分析比较。整个抉择过程由多层分支构成，故称决策树（图4-3-1）。在决策树中，可选择的方案用一级分支表示，可能出现的状态或结局用次级分支表示，按发生发展的顺序进行编排，以求条理化和一目了然。
图4-3-1 决策树
决策树由结节（nodes）和分支（branches）构成，一般决策结节用小方形表示，状态结节用小圆形表示。为标明状态的差别，可在分支上标明状态性质及该状态出现的概率。各种状态结局是医生无法直接控制或选择的，但医生可以通过在决策点的不同选择，或根据患者具体特点对某些状态的概率做出调整，从而间接影响状态结局的走向。
决策树分析法基本步骤如下：
（1）根据临床问题（如诊断或治疗）、可供选择的行动方案、可能的状态和结局，绘出决策树图解。
（2）根据文献资料（证据）、结合患者实际情况，标出决策树各分支的可能发生概率。
（3）根据对患者健康的利弊得失，人为且合理地确定各种结局的效用值（utility）。效用值是一种表述疾病或健康结局相对优劣的数量化指标。疾病经某种治疗后其结局优劣不等，在决策分析中，半客观地规定各种结局中患者的健康数量（如生存年数）和质量（如可自理或病残）的效用值，其与相应概率的乘积、相加值作为不同决策的总效用值，以使复杂临床问题数量化，便于做出最佳选择。
（4）依据概率论的原理，采用回乘法（folding backward）计算各种决策的总效用值或预期效用值。
（5）依据决策论的原理，以预期效用值最大的行动方案或决策作为首选方案或最佳决策。
（6）基于估计参数（概率、效用值）的误差或不稳定性，调整有关参数，观察其对决策分析结果的影响，即进行敏感性试验。为了观察概率、效用值变动对决策的影响，可变动一至多个变量值，重新计算，如对最终结果影响不大，则决策分析的稳定性、可靠性高。
概率与效用值的估计：CDA属于定量分析，需对临床问题进行量化处理，主要应用概率来表达临床事件发生的不确定性，结局的定量——生存率、生存质量、效用值。
Markov模型是通过模拟疾病随时间出现的各种状态（Markov state），并结合各种状态在一定时间内相互转换的概率，评价在每一单位时间里这些不同状态的风险性，并赋予相应的效用值或医疗成本，以一个事先定义好的结束事件为终点（如死亡或一定的时间界限），通过循环运算，模拟疾病的演进过程，估计出疾病的结局及医疗成本。Markov模型多用于临床干预措施的评价、临床试验结果的外推、药物经济学评价和疾病筛查措施的评价等。
以上两种经典临床决策方法均基于流行病学，有助于提高临床医师的决策能力。
决策分析的结果需慎重解释，因为一个决策的正确与否，在很大程度上取决于数据的充分性和精确性，包括基本概率和效用值。这也是决策分析的局限性。
转化医学与精准医学正在改变流行病学的学科理念，有可能部分替代传统的临床决策模式，流行病学将从“黑箱”流行病学演进成系统流行病学，其特征之一是通过与系统生物学相结合，广泛应用组学技术以进一步阐明暴露因素的致病机制。
精准医学所提供的资源和研究工具可以提高疾病风险预测的精度，筛查出疾病高危人群进行针对性的预防和干预。尤其是药物基因组学技术，既可精准预测其疗效及毒副作用，又可推荐个体化剂量，使临床决策更为准确高效。
但是转化医学、精准医学并不能完全取代传统的决策方法，仍需要结合传统流行病学方法和基于概率与效用值的临床决策进行分析。临床医生需要熟练应用转化医学成果，做到与传统临床决策分析方法优势互补，使患者利益最大化。
人工智能（artificial intelligence，AI）技术已经进入医学领域，目前主要应用于影像学领域，如肺部结节的CT影像辨识及视网膜病变、病理学、内镜下病变的辨识分析等，并逐渐形成临床决策辅助支持系统。其基本原理是采用人工神经网络和计算机深度学习算法，通过学习高质量的影像数据，建立智能诊断模型，实现对疾病的辅助诊断。人工智能依托于医疗数据的深度挖掘、学习，并不断迭代优化以提高诊断精度。
人工智能的应用正在对医疗模式进行重塑，通过整合五种临床表型资料（病史、体格检查、实验室、影像、功能检查）与生命组学资料，即临床跨组学研究，开发新一代AI临床决策辅助支持系统，分析和预测人体的健康状态，提供准确的处方信息，帮助医生迅速有效做出判断与决策。随着多种疾病的临床决策辅助支持系统的开发与应用，未来有希望由人工智能来提供常见病的诊疗方案，把医生从大量重复性劳动中解放出来，将更多精力投入到疑难复杂危重疾病的诊治中。
循证医学、转化医学和精准医学是医学模式的不同层面，各有侧重，相辅相成但互不替代。循证医学应用流行病学方法，以来自“小人群”（样本）的资料建立“大人群”（总体）的临床指南，主要关注群体的共同特征，忽略个体间差异；转化医学以临床科学问题与技术问题作为出发点与落脚点，是医学研究的总体指导思想，是基础研究与临床实践的桥梁；精准医学以个体基因组差异为根本依据，基于个体“内型”（基因型）制订个体化预防、诊断与治疗方案。三者互相补充、互为依托，共同推动医学的进步。