临床决策分析

临床决策分析，英文名clinicaldecision，指的是在临床处理病人的病情时，由于疾病临床表现复杂多变，诊治方法多种，有些药物还可能产生一些不良反应，患者的心理变化等等，促使医师在考虑上述情况后作出全面和合理的选择。临床医师一般习惯于根据自己的知识经验和习惯来作出临床决策。随着微型计算机在临床上的应用日益普遍，临床决策分析会得到不断完善和发展。

基本步骤

这些临床决定亦即临床决策（clinicaldecision）。所谓决策（decisionmaking）就是为达到同一目标在众多可以采取的方案中选择最佳方案。

临床决策分析的基本步骤有以下四步：

1.供临床选择的治疗方法有时很多，此时要筛除一些“劣”的决策，有利于下一步的分析。

2.确定各决策可能的后果，并设置各种后果发生的概率。

3.确定决策人的偏爱，并对效用赋值。

4.在以下三步基础上去选择决策人最满意的决策，即期望效用最大的决策。

决策树模型

临床决策分析的模型很多，为说明诊断决策问题，在此介绍决策树模型。决策树（de-cisiontree）是一种能够有效地表达复杂决策问题的数学模型。

决策树由一些决策点、机会点和决策枝、机会枝组成。一般用圆圈“○”表示机会点，发生的结果不在医师的控制之下；小方框“□”表示决策点，在决策点，医师必须在几种方案中选取一种；决策点相应的分枝称为决策枝；机会点相应的分枝称为机会枝。

下面介绍由JCSisson等人的一个关于胰腺癌的决策树模型，如图。

临床决策分析

（Lowenthal.1976）

^{[1]常常难以在疾病的早期作出诊断，当发现时癌肿已有转移，患者多在短期内死亡。最可能患胰腺癌者包括40岁以上，中腹部疼痛持续1～3周的人。假设这类人中胰腺癌的发生率为12%。如有一种不冒什么风险的早期诊断方法对胰腺癌的检出率为80%（敏感度），但对有类似症状的非胰腺癌患者的假阳性率为5%，用此法诊断确诊的胰腺癌患者手术死亡率为10%，治愈率为45%。}

根据上述疾病概率，诊断概率和死亡、治愈概率，如对1000人进行诊断、治疗，其所获得的益处，是否比不进行诊断检查和手术更大？可以用一个决策树进行分析比较。

从以上决策树可见，不作该项检查的死亡者为12例，均为胰腺癌病人。用该项检查手术后死亡12.5人，其中有5例为非胰腺癌病人。而且新的检查使44例非胰腺癌患者的胰腺功能因手术而可能受到损害。因此这项检查对病人是弊大于利，不宜使用。

治疗决策分析

临床上处理病人时，常遇到这样几种情况：①不必作检查，也不必治疗，暂时观察；②先做检查，根据其结果酌情处理；③不用检查，直接给予治疗；④已作各方面检查，但仍难以确诊。对病人是否作进一步治疗，目前往往靠医生的经验。现在介绍阈值分析法即用定量分析方法判断治疗与否会更全面和准确。

使用该法的前提是：只考虑一种疾病，病人患有该病或不患该病，虽经各种检查，但目前仍难以确诊；现在有一种疗效肯定的治疗方法可供采用。如果不及时治疗，可能有发生并发症的危险，而治疗就肯定会带来好处。

阈值分析原理

如果患者患某病的概率大于治疗阈值，则应给予治疗；如果该病概率小于治疗阈值，则可暂不治疗作进一步检查。

根据可靠的病史资料，诊断检查的准确性，治疗的效果以及检查、治疗的潜在危险性，可以算出两个阈值概率，即检查阈值概率（T1）和治疗阈值概率（T2）。

策略①②③

不治疗 检查 治疗

阈值概率T1　T2

根据病史和一般检查结果估计患病概率P，假如某病人的患病概率P小于T1则选策略①，暂且先观察；P大于T2则选策略③，直接给予治疗；P介于T1和T2之间，则选择策略②，先做检查。

根据以往资料得到治疗的效益（B），治疗的危险性（R2），检查的危险性（R1），检查的真阳性率（TP），真阴性率（TN），假阳性率（FP）和假阴性率（FN），按下式计算T1，T2：

临床决策分析

例：男性患者，60岁，上腹部疼痛，呕血，上消化道钡餐检查提示胃大弯有一个2cm大小溃疡。面对患者，医师需作临床决策，即：

下一步处理是胃镜检查，还是剖腹探查术，或者两者均无必要？结合病史及钡餐检查结果，再根据以往的经验，胃镜科医生与放射科医生认为患者的概率约0.1。另外，年龄60岁其剖腹探查术死亡率（R2）为2%。早期手术的效益（B）为生存率提高33%，胃镜检查死亡率（R1）约0.005%，真阳性TP为96%，假阳性FP为2%。即已知B=0.33，R1=0.00005，R2=0.02，TP=0.96，FP=0.02，TN=0.98，FN=0.04。

把上述数据代入公式：

临床决策分析

算出T1=0.0014，T2=0.60，患者的患病概率为0.1，处于T1和T2之间，选择策略②，因此患者的处理应是先做胃镜检查。

由上述可见，医师在作出临床决策之前，要设法了解各种状态下发生的概率，从而使其所采取的策略更为合理。

决策树分析法

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。医生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。各种选择犹如树干的分支，而整个选择过程则由多层分支构成的树状构成，故称决策树。在决策树中，可选择的方案用一级分支表示，继后为无法选择的可能出现的状态或结局，用次级分支表示。不同抉择及其可能出现的状态和结局按顺序进行编排，即将可能出现的状态、结局按发生发展程序用分支表达，以求条理化和一目了然。

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，以及该状态出现的可能性。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，对某些状态概率作出调整，而间接影响状态结局。

决策树分析法基本步骤∶（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，人为但合理地确定各种结局的效用值（utility）;（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）依含决策论的原理，以预期效用值最大的行动方案或决策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，变动有关参数，观察其对决策分析结果的影响，即进行敏感性试验。

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，根据各种结局中患者的健康数量（如生存年数）和质量（如生活能自理、病残），半客观地规定其效用值，并与其相应概率相乘的乘积、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比较和做出最佳选择。

敏感性试验∶由于各种状态、结局概率来自均数，难以准确估计其在某具体病例中的发生概率，故最终决策不一定可靠。为了观察概率、效用值变动对决策的影响，可变动一至几个变量值，重新计算，如对最终结果影响不大，则决策分析的稳定性、可靠性较大，反之较小。

利害比分析法

2.2.1 背景与目的：众所周知，许多诊疗决策虽然医生的出发点都是为了帮助、救治患者，但实际执行结果则可能对患者利弊兼备，甚至弊大于利，有害于患者健康乃至生命。在诊疗中要完全做到有利无弊、有得无失很难，但医务人员应保证各项诊疗措施力求利大于弊、得大于失还是应该的。为此，在临床决策分析中，医务人员应在文献证据基础上，结合患者情况和自己的经验，对某种决策的利弊得失作出认真的考虑、权衡，并在各项概率基础上，计算其利、弊（危害）得失的数量值，做出比较精确、合理、易被接受的决策，这就是

利害比分析法的目的。 2.2.2 方法：利害比法公式如下:

LHH=[（1.NNT）Ⅹf

t ⅩV

h ]∶[（1.NNH）Ⅹf

h ⅩV

h ];

式中，LHH（likelihood of help or harm）为诊治利害可能比，其值大于1，表示利大于害；反之，如小于1，表示害大于利;NNT（number needed treatment）为减少1例严重靶事件（死亡或其他疾病）发生，需诊治的病例数，代表疗效倒数（1.ARR），此值愈小愈好;NNH（number needed harm）即诊治多少病例中会发生1例严重副反应，代表严重副反应发生倒数，此值愈大愈好;f

t 为某患者因治疗而避免靶事件的可能，用0～1量化;f

h 为某患者因治疗而发生严重副反应的可能;V

t 为患者本人对治疗预防靶事件的赋值;V

h 为患者本人对治疗发生副反应的赋值

参考资料

[1] 胰腺癌来临的七种表现 · 腾讯[引用日期2015-10-14]