风险沟通：问道于盲

人们常说，人类非常不善于理解风险。当涉及到比值和比率（数据的抽象形式）时，可能确实如此。但是我们所有人都是通过移动、行走或驾驶来探索世界，在此期间我们不断地比较与物体之间的距离、障碍物的大小和碰撞的可能性，反复并最终准确地估计碰撞的风险。实际上我们是超常的风险计算器，我们都可以毫不费力地用启发式算法估计风险，而且大部分时间都正确无误。我们凭借了这项技能而得以生存。

但提到医疗卫生保健，我们却没有那么自信。什么时候开始用药？什么时候需要做手术或做检测？我们可利用的经验更少，数据更少，而且通常没有数据。

甚至医生也缺乏高质量的数据。为了理解和解释风险，我们需要一些少量的基础数据进行描述，因此便出现了一些相关术语，例如参照组 (reference class)、基线风险、相对风险和图标风险制图 (icon arrays)。

首先，最好要明确参照组，明确我们的研究对象是谁，需要做什么。是女性还是男性，多大年龄？有明确诊断的人群还是普通人群等。

然后就是理解基线风险的概念：在人群水平一个事件发生的频率或某种诊断的发生频率。也许很难找到这些数据，但应该永远是我们的基准。除非我们知道起始水平，否则比较没有任何意义。有些人把这种风险称为绝对风险。

在比较两个风险时，会出现一些混淆，这时也可能会发生人为操控数据。这被称为相对风险。假设一种疾病发生于50多岁的男性（参照组），其发生率为2/10,000（基线发生率）。与未治疗相比，一种新的治疗方式对1/10,000的人有效。因此，新治疗方法的疗效是未接受治疗的两倍，比没有治疗要好100%（相对获益）。100%这个数据听起来疗效非常好，但我们要考虑绝对获益，即该治疗仅适用于1/10,000的人。这个数字对获益计算有非常不同的影响。大多数营销数据使用的是相对风险，却从来未清晰地展示绝对获益。甚至不会提及有害性方面的数据。

图1：图标数组 (www.iconarray.com)

当涉及到风险沟通时，图片虽然不是最好的呈现方式，但其可以帮助说明群体水平的情况。 图标风险制图icon array（参见图1）很好地结合了参考组（100例50-60岁之间的男性）。这些人群均患有某种疾病，并要求他们考虑A治疗（蓝色图标）或B治疗（绿色图标）的获益情况。根据相对风险，A治疗的疗效是B治疗的两倍，但绝对获益是更少的数字，即在一百个人中获益人数增加了5例（10减5）。但要注意的是，即使这样仍然有85个人没有任何获益。还需指出，使用人形图案（男性/女性人形符号）似乎比笑脸或椭圆形符号更好。应使用这种图形来指导针对医疗卫生保健决策的沟通。在不了解将来会发生什么情况时，至少我们可以部分地了解到一些情况。

作者：Glyn Elwyn

Glyn Elwyn 是偏好实验室 (preference laboratory) 一个研究小组的负责人 ，他带领该小组开发了一系列共同决策的工具，研发了以用户为中心设计理念的患者支持工具并将此工具整合到创新医疗实施系统中。他目前的研究重点主要为用于临床的Option Grid ™ 决策辅助工具。