俄亥俄州彩票现在超过 5 亿美元。本次抽奖已投入 7 亿美元，对于该州来说还不错。彩票之所以奏效，拉斯维加斯之所以建立在这样一个简单的概念之上：我们相信我们可以战胜赔率，我们都相信自己有点特别。
我们认为自己特别，认为自己有能力战胜赔率，部分原因在于我们对自身叙事的看法，我们对自己人生故事的看法，我们在其中扮演主角。如果我们能够想象它，
它似乎就更合理、更可能。诺贝尔经济学奖得主丹尼尔·卡尼曼在他的最新著作《思考，快与慢》中称之为“合理性与概率”。我们的头脑倾向于将合理性转化为概率，夸大和过度重视我们成功的机会以及我们损失的风险，这取决于风险是如何被定义的。
卡尼曼指出，简单的事实是，我们生活在一个概率的世界中，如果我们从长远来看，以完全的理性做出决策，并基于长远做出决策，我们都会做出更好的决策，但这并不容易。我们天生就不是这样的。
事实是，我们都不擅长做出统计决策，包括医生和患者，这让我们付出了代价。即使是那些受过良好统计学训练的人也容易犯这些以及许多其他类型的统计错误。
医生培训的一部分是让他们极度自信和完美。当有人命悬一线时，谁有时间争论？
然而，医生们经常误解统计数据。已经有充分的文献证明，我们和我们的医生会根据一个选择是具有 90% 的生存率还是 10% 的死亡率做出截然不同的决定，但选择是相同的。
或者以 I.C. McManus 的“风险的算术”中的经典例子为例：
您被要求为一位无症状妇女提供咨询，她接受了乳腺癌筛查，并且乳房 X 线照片呈阳性。40 岁女性患乳腺癌的概率约为 1%。如果她患有乳腺癌，则筛查乳房 X 线照片呈阳性的概率为 90%。如果她没有患乳腺癌，则测试结果呈阳性的概率为 9%。那么，您的患者实际患乳腺癌的概率是多少？
来吧，划拉一些数字....
这不容易。
如果您像大多数医生一样，您会估计乳房 X 线照片测试呈阳性的妇女大约有 90% 的几率患有乳腺癌。但是您（和我）以及大多数医生都大错特错了。
正确的答案是 10%。想想 100 位女性。其中一位患有乳腺癌，她可能会检测呈阳性。在 99 位未患乳腺癌的女性中，也有 9 位检测呈阳性。因此，总共有 10 位女性检测呈阳性。现在，在检测呈阳性的女性中，有多少人患有乳腺癌？很简单：十位检测呈阳性，其中一位患有乳腺癌，即 10%。
当以正确的方式（以叙事而非纯粹的数学方式）构建它时，并且我们在决策支持中稍微有一些正确的框架，答案就很容易了。
这些糟糕的决定导致了不必要的治疗和成本增加。在一个相关的例子中：大多数医生从筛查统计数据中得出毫无根据的结论，这导致成本增加、信息增加，但结果没有改善：http://www.annals.org/content/156/5/392.extract
我们如何构建问题以及我们如何计算赔率对我们如何得到答案以及我们可能提出的建议具有巨大的影响。
在 HIMSS12 的 eCollaboration 论坛上，与 Esther Dyson 一起参加小组讨论的几位医生重申了医疗保健领域的机遇，那就是我们需要为医生和患者提供工具来帮助他们做出更好的决策，但最终这些决定由他们自己做出。问责制医疗模式的大部分将取决于医生和患者做出正确决定的能力，以及我们如何协助他们解释统计数据的过程。
这就是为什么我们需要更好的医生和患者决策工具，以帮助我们根据概率而不是可能性做出决策（我们的法律体系，无论好坏，都是建立在可能性之上的，这导致了其他糟糕的医疗保健决策，但那是另一个故事了）。我们期望医生是完美无缺和确定的，他们的培训经常强化这种心态，但正确的应用程序和仪表板可以更好地解释统计数据并根据统计数据提出建议。阅读卡尼曼的书，您可能再也不会信任专家了（没有一点统计学的帮助）。
正如俗话所说，我们都很特别，就像其他人一样。当我们进入 大数据 时代时，我们将比以往任何时候都更需要帮助，从数据到意义（使用正确的框架）再到实践中的决策。这些新模型的成功和失败可能将取决于我们做到这一点的能力，并很可能成为医疗保健领域新的竞争基础。
在 Leonard 的博客上阅读更多内容：
- Ideas Are Cheap ...直到它们被分享
评论已关闭。