医学结果并不总是容易理解——随之而来的风险声明可能更难理解。向患者传达统计信息并非易事。

来自 LMU 医学、医学教育和数学教育领域的科学家团队在PLOS ONE杂志上发表了一项研究，调查如何使医生和患者之间就实际风险进行更有效的沟通。

毕竟，掌握某些数字的真正含义并不总是那么容易。“即使是医生有时也很难确定正确的预测值。如果医生难以解释数据，就更难以患者能够理解的方式准确地将信息传达给他们，”数学教育家 Karin Binder 说，其中一位该研究的作者。

下面的案例将作为一个例子：一位患者刚刚收到一个明显的甲状腺超声检查结果。这是否意味着他患有甲状腺癌?不一定，因为即使患者没有甲状腺癌，检查结果也有一定概率呈阳性。

为了向患者解释这种阳性测试结果后的统计图是什么样的，有两种方法。其中一个需要一些横向思维，而另一个更容易从患者的角度解释，正如研究人员能够证明的那样。

贝叶斯与诊断信息

常用的贝叶斯方法从实际患有疾病的患者数量出发。首先，医生会解释这种疾病的总体发生频率——例如：“在 1,000 名患者中，有 50 名患有甲状腺癌。”然后医生列出：a) 这些甲状腺癌患者中有多少人的检测结果呈阳性(50 人中有 20 人)以及 b) 有多少没有甲状腺癌的人检测结果呈阳性(110 人中有剩下的 950 个)。

这通常是医生知道或可以轻松研究的信息。作为患有这种疾病的人的一部分，阳性检测也被称为敏感性——我们可能从 COVID-19 大流行中熟悉这个术语，例如，当它被用作快速检测的质量标准时。然而，不幸的是，阳性检测占该病患者的比例经常与该病患者占阳性检测的比例混淆!并且这两个百分比可以根据情况有很大的不同。

那么上面引用的数字对于测试结果呈阳性的人意味着什么?有多少测试呈阳性的人实际上患有这种疾病?如果对你来说答案不是很明显，那么你并不孤单：在没有进一步信息的情况下，只有 10% 的参与者能够计算出有多少阳性结果的人实际上患有这种疾病。

“诊断”信息交流的方式非常不同：首先，医生会解释有多少患者的检测结果呈阳性，而不管他们是否真的患有这种疾病。在我们的示例中，这将是 130 人进行了明显的甲状腺超声检查(在接受检查的 1,000 人中)。接下来，医生会解释这些检测呈阳性的人中有多少人实际患有这种疾病(130 人中有 20 人)，以及检测结果呈阴性的人中有多少人患有这种疾病(870 人中有 30 人)。