臨床決策分析(臨床醫生作出的治療決定)

在臨床處理病人的病情時，由於疾病臨床表現複雜多變，診治方法多種，有些藥物還可能產生一些不良反應，患者的心理變化等等，促使醫師在考慮上述情況後作出全面和合理的選擇。

概論

這些臨床決定亦即臨床決策（clinicaldecision）。所謂決策（decisionmaking）就是為達到同一目標在眾多可以採取的方案中選擇最佳方案。在臨床處理病人的病情時，由於疾病臨床表現複雜多變，診治方法多種，有些藥物還可能產生一些不良反應，患者的心理變化等等，促使醫師在考慮上述情況後作出全面和合理的選擇。

臨床決策分析的基本步驟有以下四步：

1.供臨床選擇的治療方法有時很多，此時要篩除一些“劣”的決策，有利於下一步的分析。

2.確定各決策可能的後果，並設定各種後果發生的機率。

3.確定決策人的偏愛，並對效用賦值。

4.在以下三步基礎上去選擇決策人最滿意的決策，即期望效用最大的決策。

診斷決策樹模型

臨床決策分析的模型很多，為說明診斷決策問題，在此介紹決策樹模型。決策樹（de-cisiontree）是一種能夠有效地表達複雜決策問題的數學模型。

決策樹由一些決策點、機會點和決策枝、機會枝組成。一般用圓圈“○”表示機會點，發生的結果不在醫師的控制之下；小方框“□”表示決策點，在決策點，醫師必須在幾種方案中選取一種；決策點相應的分枝稱為決策枝；機會點相應的分枝稱為機會枝。

下面介紹由JCSisson等人的一個關於胰腺癌的決策樹模型，如圖。

（Lowenthal.1976）

臨床決策分析

常常難以在疾病的早期作出診斷，當發現時癌腫已有轉移，患者多在短期內死亡。最可能患胰腺癌者包括40歲以上，中腹部疼痛持續1～3周的人。假設這類人中胰腺癌的發生率為12%。如有一種不冒什麼風險的早期診斷方法對胰腺癌的檢出率為80%（敏感度），但對有類似症狀的非胰腺癌患者的假陽性率為5%，用此法診斷確診的胰腺癌患者手術死亡率為10%，治癒率為45%。

根據上述疾病機率，診斷機率和死亡、治癒機率，如對1000人進行診斷、治療，其所獲得的益處，是否比不進行診斷檢查和手術更大？可以用一個決策樹進行分析比較。

從以上決策樹可見，不作該項檢查的死亡者為12例，均為胰腺癌病人。用該項檢查手術後死亡12.5人，其中有5例為非胰腺癌病人。而且新的檢查使44例非胰腺癌患者的胰腺功能因手術而可能受到損害。因此這項檢查對病人是弊大於利，不宜使用。

治療決策分析

臨床上處理病人時，常遇到這樣幾種情況：①不必作檢查，也不必治療，暫時觀察；②先做檢查，根據其結果酌情處理；③不用檢查，直接給予治療；④已作各方面檢查，但仍難以確診。對病人是否作進一步治療，往往靠醫生的經驗。現介紹閾值分析法即用定量分析方法判斷治療與否會更全面和準確。

使用該法的前提是：只考慮一種疾病，病人患有該病或不患該病，雖經各種檢查，但仍難以確診；現有一種療效肯定的治療方法可供採用。如果不及時治療，可能有發生併發症的危險，而治療就肯定會帶來好處。

閾值分析法原理

如果患者患某病的機率大於治療閾值，則應給予治療；如果該病機率小於治療閾值，則可暫不治療作進一步檢查。

根據可靠的病史資料，診斷檢查的準確性，治療的效果以及檢查、治療的潛在危險性，可以算出兩個閾值機率，即檢查閾值機率（T1）和治療閾值機率（T2）。

策略①②③

不治療 檢查 治療

閾值機率T1　T2

根據病史和一般檢查結果估計患病機率P，假如某病人的患病機率P小於T1則選策略①，暫先觀察；P大於T2則選策略③，直接給予治療；P介於T1和T2之間，則選策略②，先做檢查。

根據以往資料得到治療的效益（B），治療的危險性（R2），檢查的危險性（R1），檢查的真陽性率（TP），真陰性率（TN），假陽性率（FP）和假陰性率（FN），按下式計算T1，T2：

例：男性患者，60歲，上腹部疼痛，嘔血，上消化道鋇餐檢查提示胃大彎有一個2cm大小潰瘍。面對患者，醫師需作臨床決策，即：

臨床決策分析

下一步處理是胃鏡檢查，還是剖腹探查術，或者兩者均無必要？結合病史及鋇餐檢查結果，再根據以往的經驗，胃鏡科醫生與放射科醫生認為患者的機率約0.1。另外，年齡60歲其剖腹探查術死亡率（R2）為2%。早期手術的效益（B）為生存率提高33%，胃鏡檢查死亡率（R1）約0.005%，真陽性TP為96%，假陽性FP為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。

把上述數據代入公式：

臨床決策分析

算出T1=0.0014，T2=0.60，患者的患病機率為0.1，處於T1和T2之間，選策略②，因此患者的處理應是先做胃鏡檢查。

由上述可見，醫師在作出臨床決策之前，要設法了解各種狀態下發生的機率，從而使其所採取的策略更為合理。臨床決策分析仍處於起步階段，臨床醫師一般習慣於根據自己的知識經驗和習慣來作出臨床決策。隨著微型計算機在臨床上的套用日益普遍，臨床信息的貯存和處理在各醫院廣泛開展，將使臨床決策分析會得到不斷完善和發展。

臨床決策分析方法

臨床決策分析常用的方法有:（1）決策樹分析法;（2）利害比值法;（3）閾值分析法;（4）綜合分析法;（5）其他方法。本文僅討論決策樹分析法及利害比值法。

決策樹分析法

利用決策樹（decision tree）進行臨床決策分析是一種簡單、明了的方法。醫生在考慮和分析臨床診斷、治療決策中，可將備選方案、情況和轉歸結局進行分層，對選擇後的各種可能情況和結局用循證醫學研究報告所提供的數據（各相關事件發生的機率）標出，以便分析比較。各種選擇猶如樹幹的分支，而整個抉擇過程則由多層分支構成的樹狀構成，故稱決策樹。在決策樹中，可選擇的方案用一級分支表示，繼後為無法選擇的可能出現的狀態或結局，用次級分支表示。不同抉擇及其可能出現的狀態和結局按順序進行編排，即將可能出現的狀態、結局按發生髮展程式用分支表達，以求條理化和一目了然。

決策樹由結節（nodes）和分支（branches）構成，一般決策結節用小方形表示，狀態結節用小園形表示。為標明狀態的差別，可在分支上標明狀態性質，以及該狀態出現的可能機率。各種狀態結局是醫生無法直接控制或選擇的，但醫生可以通過在決策點的不同選擇，或根據患者具體特點，對某些狀態機率作出調整，而間接影響狀態結局。

決策樹分析法基本步驟∶（1）根據臨床問題，如診斷或治療，可供選擇的行動方案、可能的狀態和結局，繪出決策樹圖解;（2）根據文獻資料（證據）結合患者實際情況，標出決策樹各分支的可能發生機率;（3）根據對患者健康的利弊得失，人為但合理地確定各種結局的效用值（utility）;（4）依據機率論的原理，採用回乘法（folding backward）計算各種決策的總效用值或預期效用值;（5）依椐決策論的原理，以預期效用值最大的行動方案或決策首選方案或最佳決策;（6）基於估計參數（機率、效用值）的誤差或不穩定性，變動有關參數，觀察其對決策分析結果的影響，即進行敏感性試驗。

效用值∶是一種表述疾病或健康結局相對優劣的數量化指標。疾病經某種治療後其結局優劣不等。在決策分析中，根據各種結局中患者的健康數量（如生存年數）和質量（如生活能自理、病殘），半客觀地規定其效用值，並與其相應機率相乘的乘積、相加值作為不同決策的總效用值，以使複雜臨床問題數量化便於比較和做出最佳選擇。

敏感性試驗∶由於各種狀態、結局機率來自均數，難以準確估計其在某具體病例中的發生機率，故最終決策不一定可靠。為了觀察機率、效用值變動對決策的影響，可變動一至幾個變數值，重新計算，如對最終結果影響不大，則決策分析的穩定性、可靠性較大，反之較小。

利害比分析法

2.2.1 背景與目的:眾所周知，許多診療決策雖然醫生的出發點都是為了幫助、救治患者，但實際執行結果則可能對患者利弊兼備，甚至弊大於利，有害於患者健康乃至生命。在診療中要完全做到有利無弊、有得無失很難，但醫務人員應保證各項診療措施力求利大於弊、得大於失還是應該的。為此，在臨床決策分析中，醫務人員應在文獻證據基礎上，結合患者情況和自己的經驗，對某種決策的利弊得失作出認真的考慮、權衡，並在各項機率基礎上，計算其利、弊（危害）得失的數量值，做出比較精確、合理、易被接受的決策，這就是

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）為診治利害可能比，其值大於1，表示利大於害;反之，如小於1，表示害大於利;NNT（number needed treatment）為減少1例嚴重靶事件（死亡或其他疾病）發生，需診治的病例數，代表療效倒數（1.ARR），此值愈小愈好;NNH（number needed harm）即診治多少病例中會發生1例嚴重副反應，代表嚴重副反應發生倒數，此值愈大愈好;f

t 為某患者因治療而避免靶事件的可能，用0～1量化;f

h 為某患者因治療而發生嚴重副反應的可能;V

t 為患者本人對治療預防靶事件的賦值;V

h 為患者本人對治療發生副反應的賦值