概论

诊断决策树模型

治疗决策分析

阈值分析法原理

临床决策分析方法(决策树分析法 利害比分析法)

概论

临床决策分析指的是临床医生经常为病人的诊断、治疗作出决定。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。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。

诊断决策树模型

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。

（Lowenthal.1976）

胰腺癌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。

阈值分析法原理

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：

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胃癌的概率约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：

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。目前，临床决策分析仍处于起步阶段，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，临床信息的贮存和处理在各医院广泛开展，将使临床决策分析会得到不断完善和发展。

临床决策分析方法

临床决策分析常用的方法有:（1）决策树分析法;（2）利害比值法;（3）阈值分析法;（4）综合分析法;（5）其他方法。本文仅讨论决策树分析法及利害比值法。

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，而整个抉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，状态结节用小园形表示。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）依椐决策论的原理，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