临床诊断

急诊室里，一个人说胸痛。医生脑中不能只跳出一个答案。它可能是胃食管反流，也可能是肋软骨炎、肺栓塞、主动脉夹层或急性冠脉综合征。真正的临床诊断，不是把症状和疾病做“连连看”。它是在不完整信息、时间压力和风险后果之间，不断更新概率并做出行动决策。

破除误解：检查阳性不等于“你有病”#

很多人以为医学检查像开关：阳性就是有病，阴性就是没病。这在临床上非常危险。任何检查都存在假阳性和假阴性。检查结果必须放进检测前概率（pretest probability）中解释。同一个阳性结果，在高风险人群中可能非常有意义。在低风险人群中，却可能大多是假阳性。这就是贝叶斯思想进入医学的地方。

诊断不是一次性贴标签，而是从症状、体征、病史、基础风险、检查结果和病程变化中不断更新概率。临床上的成熟不是“知道很多病名”，而是知道每个证据应该让概率移动多少。

鉴别诊断：先列出危险可能#

鉴别诊断（differential diagnosis）是对同一临床表现的可能解释列表。

好列表不是越长越好。它要平衡常见病、危险病和可治疗病。一个年轻人胸痛，肌肉骨骼疼痛可能常见。但医生必须先排除心梗、肺栓塞、气胸和主动脉夹层等高风险情况。这体现了诊断的风险权重。概率低但后果严重的疾病，不能因为“不常见”就忽略。同时，罕见病也不能无限扩展。

如果每个轻微头痛都做全套罕见病筛查，假阳性和伤害会压倒收益。鉴别诊断是一种排序艺术。它问三个问题：最可能是什么？最危险不能错过的是什么？现在做什么会改变处理？

敏感性与特异性#

敏感性（sensitivity）是有病者中检查阳性的比例。

敏感性高的检查，阴性时更能帮助排除疾病。

特异性（specificity）是无病者中检查阴性的比例。

特异性高的检查，阳性时更能帮助确认疾病。常见记忆法是 SnNout 和 SpPin。高 Sensitivity 的阴性结果有助 rule out。高 Specificity 的阳性结果有助 rule in。但这只是粗略口诀。真正临床决策更常用似然比（likelihood ratio）。阳性似然比告诉我们阳性结果让疾病概率增加多少。阴性似然比告诉我们阴性结果让疾病概率下降多少。似然比可与检测前概率结合，得到检测后概率。

这比单独背敏感性和特异性更接近临床推理。

贝叶斯定理：医学概率的转换器#

贝叶斯定理可以写成：

$$P(D|T) = \frac{P(T|D)P(D)}{P(T)}$$

在诊断里，$P(D)$ 是检测前疾病概率。

$P(T|D)$ 与检查敏感性有关。

$P(D|T)$ 是看到检查结果后的疾病概率。

临床上常用 odds 形式更方便：

$$\text{posttest odds} = \text{pretest odds} \times \text{likelihood ratio}$$

这说明检查结果不是孤立答案。它只是把概率从一个位置推到另一个位置。如果检测前概率极低，即使特异性不错，阳性后概率也可能仍然不高。如果检测前概率极高，即使检查阴性，也可能不能安全排除。这解释了为什么筛查低风险人群会产生大量假阳性。也解释了为什么医生有时会在检查阴性后仍继续观察或复查。

阈值：什么时候检查，什么时候治疗#

诊断不是为了“知道真相”而无限检查。医学行动有成本和伤害。抽血会带来误差和焦虑。CT 有辐射和偶然发现。活检有出血、感染和过度治疗风险。因此临床决策常用阈值模型。如果疾病概率低于检测阈值，通常不检查。如果概率处于中间区域，检查可能改变处理。如果概率高于治疗阈值，可能先治疗，或在不延误治疗的同时确认诊断。

例如疑似细菌性脑膜炎时，等待所有证据齐全再用抗生素可能危险。而低风险人群反复做肿瘤标志物筛查，则可能带来更多假阳性和侵入性后续检查。好诊断不是“检查越多越负责”。好诊断是让检查结果能改变决策。

病史和体格检查仍然重要#

高科技影像并没有让病史过时。病史决定检测前概率。胸痛的性质、持续时间、诱因、放射部位、伴随出汗或呼吸困难，会改变心血管风险判断。发热、旅行史、免疫状态和接触史，会改变感染鉴别诊断。体格检查也不是仪式。它能发现休克、神经定位体征、腹膜刺激征、心脏杂音、皮疹和关节肿胀。

当然，病史和体检也有敏感性和特异性限制。某些经典体征并不如教材描述那样可靠。AHRQ 关于诊断概率的材料强调，临床发现也应被视为改变概率的证据，而不是绝对判断。这让临床推理更谦逊：经验重要，但经验需要被证据校准。

过度诊断：找到不等于帮助#

过度诊断（overdiagnosis）指发现了一个真实异常，但这个异常若不被发现也不会伤害患者。

它不是误诊。病灶可能真的存在。问题在于贴上诊断后，患者可能接受不必要的监测、活检、手术、放疗或长期焦虑。前列腺癌、甲状腺小结节、乳腺筛查和肺结节筛查中，都存在过度诊断讨论。筛查的难点在于人群层面。有些人因早发现而获益。有些人因发现无害异常而受害。个体层面很难判断某个被发现的病灶未来会不会造成问题。

所以筛查政策必须比较总体获益与总体伤害。这也是为什么筛查指南会限定年龄、风险人群和时间间隔。

诊断错误：系统问题不只是个人失误#

诊断错误可能来自认知偏差。锚定偏差让医生过早锁定第一个解释。可得性偏差让最近见过的病例影响判断。确认偏差让人只寻找支持原假设的证据。但把错误都归咎于医生“粗心”也不公平。系统因素同样关键：时间不足、信息碎片化、检查结果延迟、转诊沟通不畅、电子病历噪声、患者无法负担复查。

美国国家科学院报告 Improving Diagnosis in Health Care 强调，诊断是团队和系统过程。改进诊断需要反馈机制、患者参与、信息技术支持和安全文化。医生的大脑很重要。但大脑所在的系统同样重要。

AI 决策支持：帮忙更新概率，不该替代责任#

AI 临床决策支持正在快速发展。它可以从影像、病历和实验室数据中发现模式。它可以提醒罕见但危险的鉴别诊断。它可以帮助整理病历、计算风险评分、提示指南建议。但 AI 也有局限。训练数据可能偏倚。模型可能在新医院、新人群或新设备上性能下降。概率输出可能被医生过度信任。

解释性不足会让错误难以及时发现。AI 还可能放大既有医疗不平等。因此更稳妥的定位是：AI 是诊断团队中的概率工具，而不是最终裁判。它应帮助医生和患者做更清楚的决策，而不是让责任消失在算法里。

争议、限制与前沿#

第一，诊断阈值会随价值观变化。某些患者更愿意接受假阳性风险以避免漏诊。另一些患者更重视避免不必要治疗。第二，指南不能覆盖所有个体。多病共存、妊娠、老年衰弱和罕见病常超出临床试验典型人群。第三，筛查争议会持续存在。同一筛查项目在不同风险人群中获益-伤害比不同。

第四，概率沟通很难。“1% 风险”对不同人有不同心理重量。第五，诊断安全需要闭环。异常结果追踪、复诊提醒、患者可访问记录和跨科沟通，是减少漏诊的重要基础设施。临床诊断的未来，不是把医生变成计算器。而是让概率、证据、经验和患者价值更诚实地同桌讨论。

跨域连接#

• 筛查与早期发现：同一台机器换个人群，性能就会崩。敏感度与特异度是检验自身的属性，但阳性预测值随患病率走：在症状人群里可靠的检查，搬到无症状普查中会被假阳性淹没。推论是诊断学里最实用的一条——先估这个人的检测前概率，再决定要不要做这项检查。
• 贝叶斯定理：诊断的数学形式是"后验几率 = 先验几率 × 似然比"。用似然比而不是敏感度／特异度的好处在于它可以连乘，也可以跨人群搬运，而预测值不能。这给出一条可操作的判据：似然比接近 1 的检查无论多贵、报告多详细，都不改变结论，做它只是把不确定性外包给设备。
• 机器学习概览：辅助诊断模型输出的分数默认不是概率。AUC 高只说明排序好，校准差的模型会系统性高估或低估风险，而临床用的恰恰是那个数值。因此评估要看校准曲线与 Brier 分数，并在本地人群重新校准——同一模型换一家医院，患病率与影像设备一变，阈值就必须重设。
• 锚定效应：第一个被说出口的诊断会变成锚，后续结果被解释成支持它的证据，鉴别诊断提前关闭。这条偏差的麻烦在于它伪装成效率：经验越丰富，模式识别越快，早闭也越早。值得注意的是，单靠个体认知训练来纠正的试验效果参差，提示更有效的杠杆在系统层面——强制复核、结果闭环、交接时重述鉴别清单。
• 证伪：临床推理的主力是排除而非确证。"不能排除某病"不是一个诊断，而是检验尚未做到能证伪它的程度；真正有力的检查是那种阴性结果就能推翻假设的检查。这也给"完善检查"划了界：如果一项检查无论阴阳都不改变下一步行动，它在逻辑上就没有位置。

参考文献#

• National Academies of Sciences, Engineering, and Medicine. Improving Diagnosis in Health Care. National Academies Press, 2015. doi:10.17226/21794
• Agency for Healthcare Research and Quality. Probability and the Diagnostic Pathway. AHRQ Diagnostic Safety Issue Brief, accessed 2026.
• Sackett, D. L. et al. Evidence-Based Medicine: How to Practice and Teach EBM. 2nd ed. Churchill Livingstone, 2000.
• Grimes, D. A. & Schulz, K. F. Uses and abuses of screening tests. The Lancet 359, 2002. doi:10.1016/S0140-6736(02)08060-0
• Welch, H. G., Schwartz, L. M. & Woloshin, S. Overdiagnosed: Making People Sick in the Pursuit of Health. Beacon Press, 2011.
• Croskerry, P. The importance of cognitive errors in diagnosis and strategies to minimize them. Academic Medicine 78, 2003. doi:10.1097/00001888-200308000-00003

延伸阅读#

• Straus, S. E. et al. Evidence-Based Medicine: How to Practice and Teach EBM. 5th ed. Elsevier, 2018.
• JAMA. The Rational Clinical Examination series.
• Merck Manual Professional Edition. Clinical Decision-Making Strategies.