Khi tiếp cận một bệnh nhân trên lâm sàng, người thầy thuốc sẽ thiết lập một danh sách chẩn đoán phân biệt (phổ chẩn đoán) gồm các giả thuyết từ \(H_1, H_2, \dots, H_n\). Tổng xác suất của tất cả các giả thuyết trong phổ chẩn đoán này luôn bằng 100% (tương đương bằng 1):
\[\sum_{i=1}^{n} P(H_i) = 100\% = 1\]
- Sự khác biệt trong tư duy lâm sàng giữa sinh viên và chuyên gia:
- Sinh viên y khoa: Khi đối mặt với một danh sách gồm 10 chẩn đoán phân biệt, do thiếu kinh nghiệm về xác suất tiền nghiệm (prior probability), sinh viên thường có xu hướng chia đều cơ hội cho mỗi giả thuyết bệnh: \[P(H_i) = \frac{1}{10} = 10\% \quad \forall i \in [1, 10]\] Đây là hiện tượng phân phối phẳng (flat distribution) hay phân phối đều, dễ dẫn đến việc mất phương hướng lâm sàng và lạm dụng các chỉ định cận lâm sàng không trọng tâm.
- Chuyên gia lâm sàng: Dựa trên các yếu tố dịch tễ học, đặc điểm nhân khẩu học (như tuổi tác), bệnh sử và các triệu chứng chỉ điểm (key symptoms), chuyên gia sẽ lập tức phân bổ các trọng số xác suất khác nhau một cách hợp lý. Ví dụ: \(P(H_{\text{viêm phổi}}) = 80\%\), trong khi các giả thuyết còn lại chỉ chiếm dưới 5%.
- Định lý Bayes trong việc điều chỉnh xác suất khi có thêm thông tin lâm sàng (Bằng chứng E):
\[P(H|E) = \frac{P(E|H) \cdot P(H)}{P(E)}\]
Trong đó:
- \(P(H|E)\) là Xác suất hậu nghiệm (post-test probability): Xác suất người bệnh thực sự mắc bệnh \(H\) sau khi ghi nhận thêm thông tin hoặc triệu chứng \(E\).
- \(P(E|H)\) là Độ khả dĩ (Likelihood): Xác suất xuất hiện triệu chứng hoặc dấu hiệu lâm sàng \(E\) ở một bệnh nhân đã xác định mắc bệnh \(H\).
- Mỗi thông tin lâm sàng hoặc cận lâm sàng mới thu thập được sẽ đóng vai trò như một toán tử toán học, liên tục cập nhật (tăng hoặc giảm) xác suất của từng giả thuyết trong phổ chẩn đoán, từ đó giúp định hướng chẩn đoán xác định một cách chính xác.
