drug

药

目录

这四个词，其实是现代医学“可信度的底线”。 它们不是为了“苛刻”，而是专门用来对抗人类的认知偏差。 我按每一条：要解决什么问题 → 不用会发生什么 → 直观例子来解释。

一、随机（Randomization） 要解决什么问题？

👉 “两组人本来就不一样”

如果不随机：

年轻的进了治疗组

病重的进了对照组

👉 哪怕药完全没用，也会“看起来有效”。

随机在干什么？

用随机数把人分组

保证：

年龄

病情

体质

并发症 在统计上平均

📌 不是“看起来公平”，而是数学意义上的公平。

不随机的典型后果

医生“下意识”把希望大的病人给新药

最后结论：

“新药效果显著”

👉 这是人为制造的假疗效

直观例子

把药分给掷硬币“正面”的人 不是凭感觉分

二、双盲（Double-blind） 要解决什么问题？

👉 “人会‘演好’和‘看偏’”

两种偏差：

安慰剂效应（患者）

观察者偏差（医生）

双盲在干什么？

患者不知道自己吃的是真药还是假药

医生也不知道

👉 没人能“配合结果”

如果不双盲会怎样？ 患者：

“我在吃新药”

主观感觉好转

医生：

“这是新药组”

不自觉地：

问得更仔细

解释得更乐观

评分更宽松

👉 哪怕数据是假的，结论也会是真的

直观例子

裁判不知道哪队是自己学校的 比赛才公平

三、对照（Control） 要解决什么问题？

👉 “病本来就会好”

很多疾病：

感冒

轻度炎症

疼痛

👉 不治也会缓解

对照在干什么？

给一组：

安慰剂

或标准治疗

另一组：

新药

👉 看的是：

“多出来的那一点改善”

没有对照会发生什么？

患者 7 天后好了

医生说：

“药见效了”

但其实：

时间见效了

直观例子

比较“吃药 vs 不吃药” 而不是“吃药前 vs 吃药后”

四、大样本（Large Sample Size） 要解决什么问题？

👉 “巧合”和“运气”

小样本的问题：

10 个人里：

8 个好转

2 个没好

看起来“有效率 80%”

但可能：

只是碰巧

大样本在干什么？

把偶然性压下去

让真实效果显现

📌 数学本质：

减少随机波动

不用大样本的典型后果

“神药”一再出现

扩大后马上失败

👉 这正是很多“祖传秘方”的命运

直观例子

抛 5 次硬币：可能全正 抛 5000 次：必然接近 50%

五、四条规则“各自防一种人性缺陷” 规则 防什么 随机 选择偏差 双盲 心理暗示 对照 自然恢复 大样本 偶然性

👉 少一条，结论就不可信