一、从治病到管风险

临床诊疗的输入是「症状 + 检查」，输出是「诊断 + 方案」。 健康管理的输入只有「风险评分」，输出是「干预强度」。 这个转变有两个后果。 ① 对象变成整个人群。 一个人没病，你也要给他一个判断： 「你未来十年发生心血管事件的概率是 12%」。 这个数不是诊断，是一个概率估计。 ② 决策变成「治不治」。 诊断错了可以复诊， 而「让一个健康人吃十年降压药」这个决定，错了的代价是长期的、隐性的、很难归因的。 所以健康管理的模型评价，不能只看 AUC。 要看的是「按这个模型分层之后，干预的收益和成本怎么变」。这就是 NNT 要解决的问题。

二、NNT：把概率翻译成人数

NNT（需治疗人数）＝ 1 ÷ 绝对风险降低。意思是「要治多少人，才能避免 1 起事件」。 它是把「相对风险降低 25%」这种抽象说法，翻译成「治 20 个人救 1 个」。 举个例子：某人的十年风险是 20%，干预能相对降低 25%， 绝对风险降低就是 5 个百分点，NNT = 1 ÷ 0.05 = 20。 同一个人如果风险只有 4%，绝对降低 1 个百分点，NNT = 100。 这就是 NNT 的核心性质：它只由绝对风险决定，所以高危人群的 NNT 天然更小。 「同一种药，给不同的人吃，划算程度差 5 倍」——这句话就是 NNT 说的。 Demo 造 20 万人，十年风险服从对数正态（中位 10%），干预相对降低 25%，扫五个干预阈值：

三、两个口径，两种决策

公共卫生决策通常不看 NNT，看最后一列「覆盖收益」。 预算固定时，真正重要的是「总共能救多少人」，不是「人均多划算」。 因为公卫的钱是「必须花完的预算」，不是「必须回本的投资」。所以它会把阈值压到 5%， 吃下 75.7% 的人群，换 95% 的收益。 医保谈判反过来，看 NNT。 因为要按人头付费，治一个不该治的人，是实打实的支出。 这时阈值会提到 20% 甚至 30%，宁可只覆盖 44% 的收益，也不为那 56% 付钱。 同一个模型，两套评价口径，服务两种决策。 这不是「谁对谁错」，是「谁承担成本」。 这一点在医疗 AI 商业化的讨论里经常被含糊掉——厂商喜欢报「覆盖率」，支付方喜欢看「NNT」。 双方拿同一个模型说两种话，谈不拢是必然的。 还有第三种口径：患者自己。 一个风险 6% 的人，被建议吃十年药，他的判断标准既不是覆盖率也不是 NNT， 是「我这十年会不会是那 6%」。 而这恰恰是「绝对风险」这个数字最不会表达的东西—— 6% 和 12% 在他看来可能一样抽象。所以临床上好的沟通方式往往是换一种说法： 「100 个像你这样的人，6 个会在十年内发病；吃药能减到 4.5 个。」 这句朴素的话，就是 NNT 的原始形态。

四、落地：一条曲线不能用在一个场景

① 风险模型输出必须带「这是几年风险」。十年风险和五年风险的数值完全不可比， 混着用会让 NNT 算错一倍以上。 ② 阈值不是模型参数，是业务参数。同一个模型，给体检中心用和给医保控费用， 阈值应该差一倍以上。 所以交付物不该是「一个模型 + 一个推荐阈值」，而是「一个模型 + 一条阈值-收益曲线」。 ③ 相对风险降低必须来自试验，不能来自假设。Demo 里的 25% 是我设的，真实数字来自临床试验。 而这个数一旦高估，NNT 就会成比例地低报——风险模型的错误会被干预效果的假设放大。 ④ 报收益的时候，同时报被干预人数。只说「避免 7589 起事件」听起来很好， 但它背后是 15 万人吃药。 换算成「每避免 1 起事件，有 19.9 个人吃了十年药」——这句话才完整。 最后一句：健康管理的核心矛盾不是「模型准不准」，是「干预谁」。 而「干预谁」这个问题，技术答不了，得由成本和伦理一起答。

五、动手 Demo：风险分层：阈值 5% 时 NNT 20，提到 20% 只剩 10

造 20 万人的十年风险，服从对数正态分布（中位 10%），截断到 0.1% 至 95%。 设干预能把相对风险降低 25%（这是个假设值）。 扫五个干预阈值，算被干预比例、避免的事件数、NNT，以及「这些收益占全部潜在收益的比例」。

r = np.exp(rg.normal(np.log(0.10), 1.0, n))    # 十年风险，中位 10%
r = np.clip(r, 0.001, 0.95)
rrr = 0.25                                     # 相对风险降低（设的）

treat = r > th
nt = int(treat.sum())
avoided = float((r[treat] * rrr).sum())        # 避免的事件数
nnt = nt / avoided                             # 需治疗人数
cover = 100.0 * avoided / float((r * rrr).sum())

实跑输出：

--------------------------------------------------------------------
风险分层：阈值 5% 时 NNT 20，提到 20% 只剩 10
--------------------------------------------------------------------
  人群                     200000 人，10 年风险中位 10%
  干预效果                 相对风险降低 25%（设的）
  NNT                      需治疗人数 = 1 ÷ 绝对风险降低

  干预阈值   被干预比例   避免事件数    NNT   覆盖收益
  ---------------------------------------------------
        5%        75.7%         7589   19.9        95%
       10%        50.2%         6656   15.1        84%
       15%        34.4%         5683   12.1        71%
       20%        24.4%         4824   10.1        61%
       30%        13.6%         3509    7.8        44%

  先看 NNT 这一列：**19.9 → 15.1 → 12.1 → 10.1 → 7.8。**
  **阈值越高，NNT 越小——因为干预的都是高危的人，同样治一批人，避免的事件更多。**
  但「避免事件数」那一列是反的：**7589 → 3509。**
  **阈值从 5% 提到 30%，被干预比例从 75.7% 降到 13.6%，避免的事件从 7589 例降到 3509 例。**
  **这就是「效率」和「总量」的冲突。**
  **NNT 小说明每一份投入更划算，避免事件少说明总收益更小。**
  公共卫生决策通常**不看 NNT，看最后一列「覆盖收益」**。
  **预算固定时，真正重要的是「总共能救多少人」，不是「人均多划算」。**
  反过来，**医保谈判看 NNT**——因为要按人头付费，**治一个不该治的人，是实打实的浪费。**
  **同一个模型，两套评价口径，服务两种决策。**
  再看阈值 5% 那一行：**NNT 19.9，覆盖 95% 的收益。**
  **NNT 19.9 意味着「治 19.9 个人才避免 1 起事件」——听着很差，但它换来的是几乎全部的收益。**
  **所以「NNT 太大就不值得做」这个判断，只在预算受限时成立；预算够的时候，它会让最该救的人漏掉。**
  要说明：风险分布、相对风险降低 25% 都是我**设的**。
  **真实的相对风险降低来自临床试验，不是假设。**
  **而 NNT 的定义、算法和这里的取舍逻辑是真的。**

NNT 19.9 这个数换算成人话是「治 19.9 个人，避免 1 起事件」。 而它对应的是 75.7% 的被干预比例——15 万人。 15 万人吃十年药，避免 7589 起事件。这两个数必须一起看。 阈值提到 30%，NNT 掉到 7.8，效率翻了一倍半。 但避免的事件从 7589 掉到 3509——总收益少了一半多。 这就是那个取舍：同样的预算，你可以「救得划算」或者「救得多」。 「覆盖收益」这一列是最容易被忽略、但最适合跟决策者沟通的指标。 它直接说「你这么做，能抓到全部收益里的百分之多少」。 5% 阈值抓 95%，30% 阈值只抓 44%——差距一眼就看出来了。 注意这个 Demo 里有个反直觉的细节：阈值从 20% 到 30%，NNT 只从 10.1 掉到 7.8， 但覆盖收益从 61% 掉到 44%。 效率只改善 23%，收益却少了 17 个百分点。 过了某个点之后，再收紧阈值就非常不划算了。 而那个点在哪，取决于风险分布的尾巴有多厚。 要说明：风险分布、相对风险降低 25% 都是我设的。真实的相对风险降低来自临床试验，不是假设； 而 NNT 的定义、算法和这里的取舍逻辑是真的。 换个真实人群，曲线的具体位置会变，但形状不会变。

30 秒实验

1. 把相对风险降低从 25% 改成 40%（药更有效），重跑。 所有 NNT 会成比例下降，但覆盖收益那一列不变——它和药效无关。
2. 把风险分布的中位从 10% 抬到 20%，重跑。 同样阈值下 NNT 会降，被干预比例会升——人群整体变危险，干预更划算。
3. 把干预阈值加到 40%，看会发生什么。 NNT 继续降，但覆盖收益可能掉到 20% 以下——这就是「过度收紧」。

常见误区

1. 「NNT 越小越好」。NNT 从 19.9 降到 7.8 的代价，是覆盖收益从 95% 掉到 44%。
2. 「拦截率越高越好」。那是公卫口径。医保按人头付费时，看的是 NNT，不是覆盖率。
3. 「十年风险和五年风险可以混着算 NNT」。 时间窗不同，绝对风险不可比，算出来的 NNT 会错一倍以上。

诊疗和健康管理都是「对病人」的决策。 医院里还有另一类决策，对象不是病人，是资源。这类问题的答案，藏在「平均」这个词的陷阱里。

• ☐ （本节完，下一节 11.2.3 医院管理优化）

相关笔记

• 临床诊疗升级
• 医院管理优化
• 智能交通管理
• 🧠 AI训练师手册2 · 索引