4.1 🎓 醫學生版

給醫學系 M3-M6：這章是內科最核心的「思考框架章」。所有疾病章節都建立在這個基礎上。配 Harrison 22E Ch 4 原文對照閱讀。

4.1.0.1 📌 一頁重點整理 (TL;DR)

Sir William Osler：「Medicine is a science of uncertainty and an art of probability」— 醫學決策的本質就是處理不確定性
三大支柱：(1) 臨床推理 (clinical reasoning)、(2) 診斷檢查解讀、(3) Evidence-Based Medicine (EBM)
雙系統思維 (Dual-Process Theory)：System 1 快直覺（pattern recognition、heuristics），System 2 慢分析（hypothetico-deductive）。專家用 1 為主、複雜時切 2
常見 heuristic 與陷阱：Representativeness、Availability、Anchoring、Occam’s razor — 都會讓你誤診
Bayes’ theorem：post-test probability = pre-test × likelihood ratio
Test characteristics：Sensitivity、Specificity、PPV、NPV、LR+、LR-；Sn-N-out、Sp-P-in
EBM 核心：問題 → 找證據 → 評估證據 → 應用 → 評估結果（4 步驟）
Diagnostic error 是系統議題，不只個人錯誤；需要 system-level intervention（checklist、reminder、CDS）

🎯 三件事必須記住 1. Bayes’ rule：post-test prob 受 pre-test prob 強烈影響 2. SnNout / SpPin 口訣：高 Sn 陰性可 rule out；高 Sp 陽性可 rule in 3. Premature closure 是診斷錯誤主因——下次門診一定要做 diagnostic verification

4.1.0.2 🎯 學習目標

解釋 dual-process theory 兩種思考模式的差異
列舉 4 種臨床 heuristic 並說明其潛在偏誤
計算 sensitivity / specificity / PPV / NPV 並解讀
應用 Bayes’ theorem 計算 post-test probability
說明 EBM 4 步驟並舉例

4.1.0.3 🌍 為什麼這章是內科核心

「Medical practice is making decisions under uncertainty」——醫師不是百科全書，是在不完整資訊下做最好決策的人。

22E 寫得直白： - 即使 100 年後，醫學仍是「craft」（技藝） - 沒有醫師在訓練後有客觀的能力 ranking 系統（不像棋手有 Elo） - 每天的臨床決策充滿不確定性

要做好醫師，思考框架比知識量重要。這章就是建立框架。

4.1.0.4 🧠 核心概念

4.1.0.4.1 Dual-Process Theory (雙系統思維)

System	速度	性質	例
System 1（直覺）	快、自動	Pattern recognition、heuristics、無 effort	「黑人女性 + hilar adenopathy → 肉樣瘤病 (sarcoid)」
System 2（分析）	慢、刻意	Hypothetico-deductive、需 effort	「列出 hilar adenopathy 鑑別清單，逐一比對」

專家 vs 新手差別： - 專家：System 1 為主（豐富 pattern library），複雜時切換 System 2 - 新手：必須以 System 2 為主（pattern 庫小）→ 慢但全面

重點：兩個系統都會犯錯 - System 1 → premature closure（過早下診斷） - System 2 → 資訊過載、決策癱瘓

4.1.0.4.2 4 個常見 Heuristics（捷徑）+ 陷阱

4.1.0.4.2.1 1. Representativeness Heuristic（代表性捷徑）

作法：「這個 case 像不像我學過的 X 病？」
陷阱：忽略 base rate（疾病 prevalence）
例：高血壓 + 頭痛 + 心悸 + 出汗 → pheochromocytoma 嗎？
- Pattern 像，但 pheo 太少見（< 0.2%），其他原因（焦慮、白袍）更常見
- 別只看 pattern，要看先驗機率

4.1.0.4.2.2 2. Availability Heuristic（可得性捷徑）

作法：「我最近想到的 case → 越可能」
陷阱：媒體渲染、近期 case、訴訟記憶會放大稀有疾病
例：剛開過 M&M 講老人 painless dyspnea 是 acute MI（不是 PE）→ 接下來幾個月都會 over-diagnose MI

4.1.0.4.2.3 3. Anchoring Heuristic（錨定捷徑）

作法：定下初診後，後續資訊調整不足
陷阱：即使檢查否定，仍堅持原診斷
例：認定病人 CAD，做完 stress test 陰性還是要 cath

4.1.0.4.2.4 4. Occam’s Razor / Simplicity Heuristic

作法：用最簡單的單一診斷解釋所有症狀
陷阱：老人常多重共病（Hickam’s dictum：「Patients can have as many diseases as they damn well please」）
例：80 歲老人有疲倦 + 體重減輕 + 貧血 + 食慾差 → 不一定一個診斷可解釋

4.1.0.4.3 Hypothetico-Deductive Reasoning（System 2 主流程）

Patient presents
   ↓
Hypothesis Generation（基於主訴 → 生成 DDx 清單）
   ↓
History 持續補充 → Hypothesis Refinement（修正、增刪）
   ↓
Focused Physical Exam（針對假設選查）
   ↓
Diagnostic Verification
   ├─ Adequacy: 假設能解釋所有症狀嗎？
   └─ Coherency: 與 pathophysiology 一致嗎？
   ↓
若 OK → 治療
若不 OK → 重新假設

Diagnostic verification 是專家 vs 新手關鍵：專家會主動問「這個診斷能解釋所有 finding 嗎？」

4.1.0.4.4 Diagnostic Imperatives（診斷必行）

某些「罕見但致命」診斷即使機率低也要排除： - 急性嚴重胸痛 → routinely 考慮 aortic dissection（即使大多是 ACS） - 詢問 dissection 症狀 + 雙手 BP + pulse deficit - CXR widened mediastinum → CT angio / TEE

→ 不是 base rate 至上，high-stakes diagnosis 要主動排除

4.1.0.5 📊 診斷檢查特性（必懂！）

4.1.0.5.1 2x2 Table（用 gold standard 對照）

檢查結果	有病	沒病
陽性	True Positive (TP)	False Positive (FP)
陰性	False Negative (FN)	True Negative (TN)

4.1.0.5.2 4 個必背公式

概念	公式	意義
Sensitivity (Sn)	TP / (TP+FN)	真陽性率：有病的人有多少被測到
Specificity (Sp)	TN / (TN+FP)	真陰性率：沒病的人有多少被排除
PPV	TP / (TP+FP)	陽性預測值：陽性的人真有病的比例
NPV	TN / (TN+FN)	陰性預測值：陰性的人真沒病的比例
LR+	Sn / (1-Sp)	陽性 likelihood ratio
LR-	(1-Sn) / Sp	陰性 likelihood ratio

4.1.0.5.3 🔑 SnNout / SpPin 口訣

Snensitivity 高 + Negative → rule out（高 Sn 陰性可排除）
Specificity 高 + Positive → rule in（高 Sp 陽性可確診）

例： - HIV ELISA: Sn 99%（高 Sn）→ 篩檢用，陰性可排除 - HIV Western blot: Sp 99.9%（高 Sp）→ 確診用，陽性才打報告

4.1.0.5.4 PPV 與 NPV 受 prevalence 影響（重要！）

即使 Sn 99% Sp 99% 的完美檢查，在 prevalence = 0.01% 的族群（如 HIV 篩檢無風險族群）： - 100,000 人裡 10 個有病 - 9.9 個被檢出（TP） - 但 1,000 個沒病也被誤判（FP，因為 1% 假陽性） - → PPV = 10/(10+1000) ≈ 1%！陽性絕大多數是假的

→ 這就是為什麼 USPSTF 對低風險族群篩檢謹慎

4.1.0.5.5 ROC Curve 概念

把 sensitivity（y 軸）對 1-specificity（x 軸）畫
不同 cut-off → 不同點
AUC 越大 → 檢查越好
AUC = 0.5 → 等於擲銅板
AUC = 1.0 → 完美

4.1.0.5.6 Cut-off 的選擇

依「漏診 vs 誤診的成本權衡」： - 漏診成本高（如新生兒 PKU）→ 高 Sn cut-off - 誤診成本高（如癌症化療）→ 高 Sp cut-off

4.1.0.6 🧮 Bayes’ Theorem 實戰

4.1.0.6.1 公式

post-test probability = pre-test odds × likelihood ratio / (1 + pre-test odds × LR)

4.1.0.6.2 簡化操作（用 nomogram）

估 pre-test probability（依 prevalence + 病人特徵）
算檢查的 LR+ 或 LR-
用 nomogram 直線連接 → 讀 post-test probability

4.1.0.6.3 Worked Example：CAD 診斷

Test 1：Exercise treadmill（Sn 60%, Sp 75% → LR+ 2.4）

41 歲男性 atypical chest pain：pre-test prob 10%
- Treadmill positive → post-test ~30%
60 歲男性 typical angina + multiple risks：pre-test 80%
- Treadmill positive → post-test ~95%

Test 2：Exercise SPECT（Sn 90%, Sp 90% → LR+ 9）

同 41 歲男性：positive → post-test ~50%（仍未到 rule-in）
同 60 歲男性：positive → post-test ~97%（vs treadmill 95%，差不多）

結論：檢查在「中度不確定」(pre-test 30-70%) 最有用 - Pre-test 太低 + 任何 positive → 仍 likely false positive - Pre-test 太高 + 任何 negative → 仍 likely false negative - 檢查不會改變管理 → 別開

4.1.0.6.4 LR 的解讀

LR+ > 10 → 強強確診（高 Sp）
LR+ 5-10 → 中等
LR+ 2-5 → 弱
LR+ ≈ 1 → 沒用
LR- < 0.1 → 強強排除（高 Sn）
LR- 0.1-0.5 → 中等
LR- 0.5-1 → 弱

4.1.0.7 📚 Evidence-Based Medicine (EBM) — 4 步驟

EBM 不是「只看 RCT」，是整合臨床問題、最佳證據、病人偏好的決策框架。

4.1.0.7.1 4 步驟

Ask：把臨床問題轉成可搜尋的格式（PICO：Population、Intervention、Comparator、Outcome）
Acquire：找最佳證據（從 systematic review > RCT > cohort > case series）
Appraise：評估證據質量、適用性
Apply：套用到病人，整合 clinical judgment + patient preferences

4.1.0.7.2 Evidence Hierarchy（從高到低）

Systematic review of RCTs
Single RCT
Cohort study
Case-control
Case series
Expert opinion
Anecdotal experience

4.1.0.7.3 EBM 限制

只有少部分臨床決策有 RCT
RCT 結果可能不適用於 individual patient
Practice guidelines 是 framework，不是 mandate

4.1.0.8 🤖 AI in Decision Support

22E 提到三類 AI： 1. Neural networks（傳統） 2. Machine learning（含 deep learning）：應用在 imaging interpretation、skin lesion、x-ray 3. Generative AI（含 LLM 如 GPT-4）：協助 clinical notes、early-stage decision support

22E 立場明確： - AI 是工具 - 「Not abdicate decision-making entirely to a computer algorithm」 - 早期證據：clinicians 會 over-trust AI 即使資訊明顯錯誤 → 危險

4.1.0.9 🩺 系統層面降低診斷錯誤

「Diagnostic errors are mostly system of care deficiencies」（不是個人錯誤）

System-level 解法： - EHR 整合 Decision Support System - Reminder system：藥物劑量、guideline adherence - Checklists（OR、ICU 證實有效） - Risk prediction models（CHA₂DS₂-VASc、Wells、ASCVD）

22E 強調：模型必須在獨立族群驗證才可靠。Wells PE 評分（表 4-2）是少數驗證充分的模型。

4.1.0.10 🔑 Mnemonic

4.1.0.10.1 「SnNout / SpPin」（必背！）

Sn+N=out：高 Sn 陰性 rule out
Sp+P=in：高 Sp 陽性 rule in

4.1.0.10.2 「EBM 4A」步驟

Ask → Acquire → Appraise → Apply

4.1.0.10.3 Heuristics 4 個錯誤類型

Representativeness：忽略 prevalence
Availability：受最近 case 影響
Anchoring：堅持初診
Occam’s razor over-use：忽略多重共病

4.1.0.10.4 「Hickam vs Occam」

Occam’s Razor：「one disease explains all」
Hickam’s Dictum：「many diseases coexist」
→ 多重共病老人選 Hickam

4.1.0.11 💡 Case 討論

4.1.0.11.1 Case 1: Bayes 在 CAD

45 歲男性 atypical chest pain，無 cardiac risk factor Pre-test prob CAD ~ 5%

醫師選擇做 exercise treadmill stress test（LR+ 2.4），結果 positive。

思考過程： - Pre-test odds = 0.05 / 0.95 = 0.053 - Post-test odds = 0.053 × 2.4 = 0.127 - Post-test prob = 0.127 / 1.127 ≈ 11%

→ post-test 仍很低，這個 positive 結果沒有臨床意義（多半 false positive）

結論：低 pre-test prob 病人，篩檢結果 positive 不能算數。應該不要做這個檢查。

4.1.0.11.2 Case 2: Premature Closure 害死病人

45 歲男性 3 週 URI 症狀 + dyspnea + 咳嗽 → ER

醫師用「URI 評估表」做 standardized assessment： - 沒發燒 - 肺部聽診清 - 給止咳藥回家

→ 當晚病人 dyspnea 加劇 → 噁心嘔吐 → 失意識 → ER cardiac arrest → 死亡 → 解剖：posterior wall MI + acute thrombosis 右冠

錯在哪？ - ER 醫師看病人不像「sick」→ 用 URI form → 跳過完整 dyspnea history - 沒問：dyspnea 是 exertional 嗎？有 chest discomfort 嗎？休息會好嗎？ - → Premature closure — pattern 還沒確認就跳到診斷

教訓： 1. 沒做完完整 history 不要 commit diagnosis 2. 標準化表格不能取代醫師判斷 3. 任何 dyspnea ± chest discomfort → 都要排除心因

4.1.0.12 📚 想深入請看

國考重點 → Ch 4 board-prep.md
內專考前版 → Ch 4 specialist.md
行醫之道 → Ch 1
Precision Medicine → Ch 5
Diagnosis: Errors → Ch 10
Harrison 22E 原文 → Ch 4

⚠️ AI 草稿（claude-opus-4-7, 2026-05-07），未經盧醫師驗證。