临床流行病学
Clinical Epidemiology（临床流行病学）是一门将现代流行病学和生物统计学的原理与方法应用于临床医学的交叉学科。它被誉为“循证医学的基础科学”。与传统流行病学关注社区人群的疾病分布不同，临床流行病学聚焦于“患病个体”，旨在通过科学的设计、测量和评价，量化临床诊疗中的不确定性。它为医生回答核心临床问题（诊断是否准确？治疗是否有效？预后如何？）提供了严谨的数学逻辑，也是现代医疗 AI 构建概率推理模型（Probabilistic Reasoning）的理论源头。
核心哲学：不确定性的科学
临床流行病学认为，临床医学在本质上是一门概率科学（Probabilistic Science），而非确定性科学。
三大任务：
1. 诊断 (Diagnosis)： 通过贝叶斯推理，将先验概率（患病率）转化为后验概率（确诊率）。
2. 治疗 (Therapy)： 通过RCT（随机对照试验），在群体层面证明“A药比B药好”，并计算 NNT（需治数）。
3. 预后 (Prognosis)： 通过生存分析（Kaplan-Meier），预测患者“还能活多久”或“复发概率”。
横向测评：它与传统流行病学的区别
虽然都叫“流行病学”，但服务对象完全不同。
| 维度 | 传统流行病学 (Public Health) | 临床流行病学 (Clinical Medicine) |
|---|---|---|
| 研究对象 | 社区中的健康人或亚健康人群。 | 医院里的患者 (Patients)。 |
| 核心目标 | 控制疾病传播，寻找危险因素 (Etiology)。 | 改善临床结局 (Outcomes)，优化诊疗决策。 |
| 干预手段 | 疫苗接种、生活方式干预、环境治理。 | 药物、手术、康复治疗。 |
| 对AI的启示 | 流行病预测模型 (如 SIR 模型)。 | CDSS 的底层逻辑；AI 诊断模型的评价指标 (AUC, ROC)。 |
核心概念：DME (Design, Measurement, Evaluation)
Diagnostic Tests (诊断试验评价)
这是 AI 医生最需要掌握的模块。临床流行病学定义了如何评价一个诊断工具（如 AI 阅片模型）：
• 敏感度 (Sensitivity)： 漏诊率的反面。
• 特异度 (Specificity)： 误诊率的反面。
• 似然比 (Likelihood Ratio)： AI 模型判定阳性时，患者真正患病的概率提升了多少倍。这是比准确率（Accuracy）更重要的临床指标。
The 5 Ds (临床结局)
临床流行病学强调，评价治疗是否有效，不应只看“化验单”（中间指标），而要看患者的“5D”结局：
• Death (死亡)
• Disease (疾病复发/恶化)
• Disability (致残/生活能力)
• Discomfort (疼痛/不适)
• Dissatisfaction (不满/生活质量)
关键参考文献
[1] Sackett DL, et al. (1991). Clinical Epidemiology: A Basic Science for Clinical Medicine. Book.
[圣经]：这本书被誉为该领域的奠基之作，David Sackett 首次系统阐述了如何用流行病学方法解决临床问题。
[2] Feinstein AR. (1985). Clinical Epidemiology: The Architecture of Clinical Research. Book.
[方法论]：Alvan Feinstein 构建了临床研究的数学架构，强调了临床数据的分类和统计逻辑。