我思，故我在。 —笛卡爾
目錄：
一 良醫三大要素
醫德，知識技術，臨床思維的習慣和能力
二 不確定性與量化可能性 — 概率(Probability)
I：臨床充滿不確定性
II: 鍾形曲線與臨床思維
III: 三種概率：簡單概率、複合概率和條件概率
IV: 概率操作與概率誤區
三 不確定性與量化可能性 — 可能性比（Likelihood ratio）
四 循證醫學與證據誤區
五 推理
I: 演繹推理（Deductive Reasoning）
II: 歸納推理（Inductive reasoning）
III: 溯因推理 (Abductive reasoning)
六 兩種臨床思維方式及思維誤區
I： 經驗直覺思維
II： 分析思維
七 理性思維者若幹特性[2]
八 臨床思維偏見和誤區[2]
九 我的臨床思維
Medicine is a science of uncertainty and an art of probability （醫學是不確定性的科學和可能性的藝術）。—William Osler
Sir William Osler, 1st Baronet（1849 — 1919 年 ）：加拿大醫生，約翰.霍普金斯醫院四大開山祖師爺教授之一。他創建了第一個實習生培訓項目,經常被描述為現代醫學之父和 “有史以來最偉大的使用聽診器的診斷學家”之一。維基。
I：臨床充滿不確定性
不確定性分兩種：
1 認識的不確定性（Epistemic）: 病人實際情況、醫學科學本身、診斷預測和治療，太多信息我不知道，無法知道。自然界和人體太多秘密，科學知識本身也不知道。
2 隨機性帶來的不確定性 (Stochastic)。個體差異無法預測。統計、流行病學調查，可以發現一組人群，冠心病發病率多高，老年癡呆可能性多大。但是那個人群的具體每一個人，你無法知道他/她會不會患冠心病，會不會發生老年癡呆。福爾摩斯說過：一個人群，他可以預料。但是一個人，他無法預料。偵探和醫生一樣，總是和不確定性打交道。醫生麵臨的是一個病人。而偵探麵臨的不僅是人，還有這個人所處的大環境。
為什麽有那麽多不確定性？簡單地說：因為人是地球上最高級的生物，太多變量。這些變量，或者不知道，或者無法控製，因此無法確定。
懂得不確定性，醫生才不至於思維僵化；不至於先入為主，匆忙下結論；不至於死守既定方針，診斷治療一成不變；不至於總是理所當然；不至於過分自信。雖然總是麵臨不確定性， 醫生們不能以此作為偷懶的借口，而應該追求確定性，診斷、治療、預後，同時對確定性的範圍有一個現實的估計。
因為不確定性，每個診斷、治療，都隻是可能。有沒有辦法量化這些可能性？
II: 鍾形曲線與臨床思維
X: 不同的已經發生，或者預測將要發生的事件（possibility），如一個人群的血壓、心率、紅細胞血紅蛋白分布，病因、診斷或者預後等等。
Y：上述指標，事件發生的概率 (probability)。
鍾形曲線有兩個變量： 均數（mean）和標準差（SD）。 SD越大，曲線越扁平。
概率說起簡單，但是以前都是靠摔骰子或者抽簽來預測將來。 計算概率始於啟蒙時代，近20個哲學家數學家為概率作出了貢獻。概率讓人們至少精英意識到，世界不總是由上帝決定，還有不少隨機性。1920s年, 統計成為醫學的工具之一, 醫生們也開始思考概率。
鍾形曲線、概率對臨床有什麽幫助？醫生不會想到鍾形曲線，但可能會想到一個事件過去發生的概率，概率來自流行病學調查，隨機臨床試驗。據此來推斷這個事件在一個病人身上發生的概率。這種有根據，計算出來的概率，比起沒有根據及計算的猜出來的概率，準確的多。
過去發生的事，將來不一定都會同樣發生。於是引發一個問題：概率正確的可能性有多大？沒有醫生能夠準確地估計概率，來自資料的概率不是100%的準確。估計的概率應該是一個範圍，而不是一個不變的數字，70%、88% 等等。
III: 三種概率
1：簡單概率：或者說偶然性概率。丟骰子、拋硬幣、遭雷打，無法預測。知道概率的唯一辦法就是禱告。
2：複合概率： 有兩種以上的可能性。如病人胸痛，可能的病因幾個—心肌梗塞、心絞痛、心包炎、肺動脈栓塞、胃酸反流、焦慮、胸部軟組織炎或者肌肉扭傷。每一種可能病因的概率大小，取決於病人人群，年齡，性別，家族史，過去史等等。
複合概率的計算規則。
任何一個可能性的概率 >0, <1（不是0%，不是100%）。
各個可能性（如病因）互相排斥，因為最終隻有一個可能性，但是必須有一個可能性。所以複合概率，總和是100%。
總和是1（100%），因為肯定有一個可能性（如病因）被確定或者成為現實。這和規則1又是矛盾的。這個最終確定的可能性，算不算100%？另外，有的時候就是找不到病因。這時候，複合概率的總和是多少？還是100%，因為找不到不等於沒有。
兩個互相排斥的可能性（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%。
兩個可能性同時發生的概率，低於單獨一個可能發生的概率。上麵胸痛病人為例。心絞痛概率 40%， 胃酸反流概率 20%，兩個同時發生的概率隻有40%x20% =8%。根據這個規則。臨床診斷，首先嚐試用一個病因解釋所有的異常。
3：條件性概率（Conditional probability）。一個可能性的概率大小，取決於其它條件的存在與否。如胸痛病人，如果肌鈣蛋白升高，心肌梗塞的概率隨之升高。肌鈣蛋白正常，心肌梗塞的概率自然大幅度下降。計算條件如何改變概率，用貝葉斯規則（Bayes’ rule）。
托馬斯·貝葉斯( Thomas Bayes約 1701 年 – 1761 年），英國統計學家、哲學家和長老會牧師，因貝葉斯定理聞名。Wiki
貝葉斯規則來自他去世後發表的一篇論文。他用數學語言描述條件性概率。首先是基礎概率，如一個人胸痛，心肌梗塞的概率多大。然後根據條件存在與否（肌鈣蛋白，心電圖等等）修改概率。概率可以改變很多或者很少，改變程度取決於基礎概率和條件的強度。
數學推導[1]：假設一個病人胸痛，他心肌梗塞的基礎概率是50%，肌鈣蛋白的敏感性是95%，特異性是80%。如果肌鈣蛋白陽性，他心肌梗塞的概率是多少？如果肌鈣蛋白陰性，他沒有心肌梗塞的概率又是多少？
這個問題是問陽性預測率（Positive Predictive Value PPV），如果檢查陽性，疾病的概率。和陰性預測率（Negative Predictive Value NPV）,如果檢查陰性，沒有疾病的概率。
PPV = P(D/+)
P= 概率， A=基礎概率， B=條件， D/+=疾病， —D=沒有疾病， +=試驗陽性 ，—=試驗陰性, TPR= True positive rate( 真陽性率：敏感性-有病的人檢查陽性的概率), FPR=False positive rate（假陽性率：1—特異性）。特異性是沒病的人檢查陰性的概率。
推導：
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. 病人肌鈣蛋白陽性，心肌梗塞的概率（PPV）是83%。他很可能有心肌梗塞。
此外，根據貝葉斯規則，也可以計算陰性預測率（Negative predictive Value NPV）。
NPV = [(specificity) x (1 - p)] / [specificity x (1 - p) + (1 - sensitivity) x (p)] 這裏P是基礎概率。
9 NPV =[(0.8)x(1-0.5)]/[0.8x(1-0.5)+(1-0.95)x0.5]=94%。沒有心肌梗塞的概率是94%，
貝葉斯規則原來這麽簡單。 愛因斯坦說過：“一切都應該盡可能簡單，但不能過於簡單（Everything should be made as simple as possible, but no simpler）”聰明人把複雜的事情描述的很簡單，庸人把簡單的事情描述的高深複雜。吃瓜群眾以為聰明人是凡夫俗子，庸人是聰明人。
省略推導，理解不理解都行，知道公式8和9就夠了。隻要你知道基礎概率，知道相關檢查（test）的敏感性和特異性，根據檢查結果，你就可以估計病人患病或者沒有患病的概率。一個病人因為來到醫院。根據病史、查體，得出幾個鑒別診斷。根據這些信息，加上病人所在人群，社區，估計幾個診斷/疾病的基礎概率。然後決定作什麽檢查（化驗，圖像），這些檢查的敏感性和特異性。檢查結果回來後，計算幾個或一個疾病的概率。
醫生不可能對所有病人，都這麽計算。實際上，對所有病人，都不會這麽計算。但是，有這些概念，你可以對診斷有一個量化的估計。貝葉斯規則幫助診斷思維的價值在於：
1：對有關檢查（test）的診斷價值，根據基礎概率，敏感性和特異性，有一個量化的估計。讓你的估計更準確。
2：根據檢查陽性或者陰性調整後的概率，永遠不會100% 或者 0%。檢查陽性不等於就是有病，陰性等於沒病。檢查陽性陰性，隻是增加了有病沒病的可能性而已。可能性增加了多少？你要是勤快，可以算算，或者估計一下。
3：對於檢查的診斷價值有一個估計。檢查的診斷價值取決於敏感性、特異性和基礎概率。基礎概率在中間，條件對概率的影響最大。換句話說，基礎概率太低或者太高，檢查沒有什麽診斷價值。
陽性預測值（PPV）和陰性預測值（NPV），也可以列表計算。我在行醫雜記（30）曾經介紹過。用哪個方法，你看著辦吧。
IV: 概率操作與概率誤區
與概率相關的操作， 一是Anchoring, 估計基礎概率。二是Adjusting: 根據新的信息調整概率。如上所述。
概率誤區來自操作失誤。
1： Anchoring 誤區：認定基礎概率，以不變待萬變。不管條件怎麽變化，概率永遠不變。病人來到醫院，醫生下了診斷。以後就認定那個診斷，即使新的矛盾的信息出現，即使根據原因診斷的治療失敗，也不會改變診斷。
2：Base-rate neglect: 忽略或者根本不知道基礎概率。陽性就是有病，不管基礎概率多大，這個人群的發病率是多少。我以前在加拿大，到一個醫院打臨時工，順便看風景。一天作運動實驗（Stress test）。其中一個女病人40多歲，沒有任何過去史。不抽煙喝酒。他的家庭醫生送她來作運動實驗，說是作了放心。這個病人，冠心病的基礎概率，不到3%。假設她的冠心病基礎概率是3%，運動試驗的敏感性和特異性都是70%。如果運動試驗陽性，按照上麵公式9計算：0.03×0.7 / 0.03 x 0.7 + 0.97×03=15%。即使試驗陽性，也不能證明她有冠心病。她的家庭醫生，沒有基礎概率的概念， 因此也不懂試驗陽性結果對概率的影響。這種醫生多如牛毛。
