Hippocratic Utility

该论文指出，尽管“希波克拉底效用”函数（即优先珍视因不施加有害治疗而获救的生命，而非因治疗而获救的生命）具有伦理动机，但其适用范围可能因实际案例而受限。

要点

这篇文章探讨了一个在医疗决策中非常深刻且有趣的问题：当我们面对两种新药时，应该如何做决定？是选择“不伤害”（保守），还是选择“可能救更多人”（激进）？

作者托马什·斯特扎莱茨基（Tomasz Strzalecki）用一种叫做“希波克拉底效用”（Hippocratic Utility）的理论作为切入点，指出了这种看似道德高尚的决策逻辑在实际应用中存在的一个大漏洞。

为了让你更容易理解，我们可以把这篇文章拆解成几个生动的故事和比喻：

1. 核心场景：老药 vs. 新药

想象一下，你是一位医生，面前有两个选择：

• 老药（1926 年发明）： 能救活 10% 的病人。
• 新药（2026 年发明）： 能救活 20% 的病人。

从数据上看，新药显然更好，因为它能多救 10% 的人。但是，有一种被称为“希波克拉底效用”的决策原则（源自希波克拉底誓言“首先，不可伤害”）可能会让你拒绝新药。

为什么？
这种原则认为：“因为我的治疗导致病人死亡”比“因为我不治疗导致病人死亡”要糟糕得多。

• 如果你用新药，病人死了，你会觉得：“是我害死了他，这是我的错！”（这种负罪感很重，权重设为 $\lambda$）。
• 如果你用老药（或者不用药），病人死了，你会觉得：“这是病太重了，或者命运如此。”（这种负罪感较轻）。

如果这种“负罪感”的权重 $\lambda$ 足够大，哪怕新药能救更多人，医生也会因为害怕“主动害死人”而选择老药。

2. 作者的三个“吐槽”（核心论点）

作者并不反对“不想伤害病人”的初衷，但他通过三个生动的比喻，指出了这种逻辑的荒谬之处：

第一点：为了“不犯错”而放弃“更好的结果”

比喻：为了不开错路，宁愿停在原地
想象你在开车去目的地。

• 路线 A（老药）： 10% 的人能到达终点。
• 路线 B（新药）： 20% 的人能到达终点。

按照“希波克拉底效用”，如果你选了路线 B，结果有个人没到终点，你会觉得“是我选错了路害了他”。但如果你选路线 A，没到终点的人，你会觉得“是路本身的问题”。
作者指出，如果这种恐惧感太强，医生就会明明知道新药能救更多人，却故意选老药。这就好比为了“不犯错”，宁愿放弃更好的机会，导致更多人死在路边。这在逻辑上是很奇怪的。

第二点：决策变成了“猜谜游戏”

比喻：看天气决定穿什么，但天气预报只有一半
在这个模型中，医生只知道老药和新药各自的“平均成功率”（比如 10% 和 20%），但不知道具体哪个人吃了药会活，哪个人会死。
作者指出，这种决策方法就像是在玩一个没有标准答案的猜谜游戏。

• 如果你猜病人属于“吃了新药能活，吃老药会死”的那类人，你就该选新药。
• 如果你猜病人属于“吃了新药会死，吃老药能活”的那类人，你就该选老药。

因为医生不知道具体属于哪类，所以这个决策标准完全取决于你“猜”的概率分布。这意味着，同样的数据，不同的医生可能会做出完全相反的决定。这让决策变得非常随意，缺乏科学依据。

第三点（最重要）：被“历史偶然性”绑架（现状偏见）

比喻：谁先出生谁就是老大？
这是作者最精彩的反驳。他设计了一个思想实验：

• 场景 A： 老药是 1926 年的，新药是 2026 年的。医生因为怕“伤害”，选了老药。
• 场景 B： 假设时间倒流，新药其实是 1926 年发明的（成了“老药”），而老药是 2026 年刚发明的（成了“新药”）。

按照“希波克拉底效用”的逻辑，医生现在会选新药（也就是原来的老药），因为现在的“默认选项”变了。

作者的结论是：
这就太荒谬了！一个药物的好坏（能救多少人），不应该取决于它是谁先发明的，或者谁先被叫作“默认选项”。
这就好比说：“因为苹果比梨先被发现，所以苹果就是更好的水果，哪怕梨其实更甜。”
这种决策逻辑被历史的偶然性（谁先出现）给绑架了，而不是基于药物本身的疗效。

3. 现实中的“法律”vs. “道德”

文章最后还提到了一个很现实的原因：为什么医生喜欢用这种“保守”逻辑？

• 道德上： 我们想“不伤害”。
• 法律上： 如果医生主动给病人吃药，病人死了，家属很容易告医生（“是你害死的！”）。如果医生没给药，病人死了，家属很难告医生（“是病太重了”）。

所以，这种“希波克拉底效用”在现实中，往往变成了为了躲避官司，而不是为了真正救更多人。

总结

这篇文章用简单的逻辑告诉我们：
虽然“不伤害”是医生的天职，但如果把这种原则极端化，变成一种**“只要是我主动做的，哪怕能救更多人，我也怕担责”**的决策规则，就会带来两个大问题：

1. 浪费生命： 为了怕担责，放弃了能救更多人的好方案。
2. 逻辑混乱： 决定用哪个药，竟然取决于“哪个药先发明”这种随机历史事实，而不是药本身好不好。

一句话总结：
做医疗决策时，我们要看的是“哪个药能救更多人”，而不是看“哪个药让我背锅的风险更小”或者“哪个药先出生”。

技术摘要

论文技术总结：Hippocratic Utility

1. 研究背景与问题 (Problem)

在医疗决策中，为了遵循希波克拉底誓言（“首先，不伤害”），近期文献（如 Ben-Michael, Imai, and Jiang, 2024; Christy and Kowalski, 2024）提出了一种特殊的希波克拉底效用函数（Hippocratic Utility Function）。

• 核心思想：该效用函数对“因治疗导致死亡”的惩罚权重大于“因不治疗导致死亡”的惩罚权重。即，如果新药导致原本能存活的人死亡，其造成的效用损失（$\lambda$）要远大于旧药（或不治疗）导致原本会死亡的人死亡。
• 研究问题：作者并不否认这种不对称性的伦理动机，但旨在探讨这种决策准则的适用范围是否受限。论文通过反例证明，这种效用函数在特定情境下会导致非理性的决策结果，如违反随机占优（Stochastic Dominance）和产生状态偏差（Status Quo Bias）。

2. 方法论与模型设定 (Methodology)

作者利用潜在结果模型（Potential Outcomes Model）（Neyman, 1923; Rubin, 1974）构建了一个形式化的决策框架。

• 场景设定：
  • 存在一种疾病，有两种治疗方案：旧药（$d=0$）和新药（$d=1$）。
  • 基于随机对照试验（RCT），已知边际概率：旧药存活率 $P(y_0=1)=10\%$，新药存活率 $P(y_1=1)=20\%$。
  • 不确定性：决策者只知道边际分布，不知道联合分布 $P$（即不知道患者属于哪一类潜在反应类型）。
• 患者分类（Principal Strata）：
  将患者分为四类，基于其对两种药物的确定性反应 $(y_0, y_1)$：
  1. $P_{00}$: 无论哪种药都死亡。
  2. $P_{01}$: 旧药死，新药活（受益者）。
  3. $P_{10}$: 旧药活，新药死（受害者）。
  4. $P_{11}$: 无论哪种药都存活。
• 效用函数定义：
  决策者最大化期望效用 $E_P u(d, y_0, y_1)$。希波克拉底效用函数的差异定义为：
  $$u(1) - u(0) = \begin{cases} 0 & \text{if } y_0 = y_1 \\ 1 & \text{if } y_0 < y_1 \quad (\text{新药救活}) \\ -\lambda & \text{if } y_0 > y_1 \quad (\text{新药致死}) \end{cases}$$
  其中 $\lambda > 1$ 表示对“因治疗致死”的厌恶程度（类似于前景理论中的损失厌恶，但此处为规范性的）。

3. 关键发现与结果 (Key Results)

作者分析了该效用函数的三个关键性质，其中第三点是论文的核心贡献：

2.1 违反随机占优 (Choosing the Dominated Option)

• 现象：即使新药在统计上显著优于旧药（20% vs 10% 存活率），如果 $\lambda$ 足够大，决策者仍会选择旧药（$d=0$）。
• 推导：期望效用差为 $P_{01} - \lambda P_{10}$。已知 $P_{01} + P_{11} = 0.2$，$P_{10} + P_{11} = 0.1$。
  效用差可重写为 $0.1 + (1-\lambda)P_{10}$。
  只要 $P_{10} > 0$（即存在因新药而死亡的患者），且 $\lambda$ 足够大，期望效用差就会变为负数，导致选择次优的旧药。
• 结论：这种效用函数会导致违反随机占优原则，即放弃一个在边际上明显更好的选项。

2.2 决策的不确定性 (Choice Indeterminacy)

• 现象：仅凭边际数据（RCT 结果）无法确定唯一的最优决策。
• 原因：期望效用依赖于未知的联合分布 $P$（即 $P_{10}$ 和 $P_{01}$ 的具体值，而不仅仅是边际和）。
• 后果：不同的假设（如最小化遗憾、最大最小准则、假设独立性等）会导致完全不同的决策规则。这意味着决策结果取决于“自由参数”的选择，而非数据本身。

2.3 现状偏差 (Status Quo Bias) —— 核心贡献

• 思想实验：作者构造了不同的决策情境（见表 1）：
  • 情境 1：在化合物 A（1926 年发现）和化合物 B（2026 年发现）之间选择。
  • 情境 3：在化合物 B（1926 年发现）和化合物 A（2026 年发现）之间选择。
• 逻辑矛盾：
  • 在情境 1 中，若将 A 视为默认（$d=0$），高 $\lambda$ 会导致选择 A（即使 B 更好）。
  • 在情境 3 中，若将 B 视为默认（$d=0$），高 $\lambda$ 会导致选择 B。
• 结论：希波克拉底效用函数导致决策依赖于随机历史事实（哪种药先被发现/被定义为默认选项），而非药物本身的化学性质或疗效。这构成了严重的现状偏差（Status Quo Bias）。
• 反驳：即使试图通过直接定义在化合物上的效用函数来消除现状偏差，只要保留不对称的损失权重（$\lambda > 1$），依然会违反随机占优，导致为了“不伤害”而牺牲更多生命，且这种牺牲的理由仅仅是因为化学公式不同，这在伦理上难以辩护。

2.4 法律动机与伦理动机的混淆

• 论文指出，支持希波克拉底效用的另一个动机是法律风险（医生因主动治疗致死的诉讼风险远高于未治疗致死的诉讼风险）。
• 作者指出，这种法律动机（$\lambda$ 与诉讼概率成正比）与伦理动机不同。在法律动机下，决策者在“不治疗”和“患者自行服药”的情境下都会选择“不治疗”，但这与纯粹的伦理考量（如情境 4 中患者可能自行服药的情况）相冲突。

4. 主要贡献 (Key Contributions)

1. 揭示适用范围的限制：证明了希波克拉底效用函数仅在“不干预”（No Intervention）作为明确的现状（Status Quo）时才具有伦理合理性。一旦现状是“某种特定药物”（无论其发现时间），该准则就会失效。
2. 形式化现状偏差：通过对比情境 1 和情境 3，严格证明了该效用函数会导致决策结果依赖于任意的历史排序，而非客观的医疗效益。
3. 区分伦理与法律动机：澄清了支持该效用函数的两种不同理由（伦理上的“不伤害”与法律上的“规避诉讼”），并指出它们在逻辑上可能导致不同的决策行为，特别是在涉及患者自行用药（Self-medication）的复杂情境中。
4. 对现有文献的批判：指出了 Ben-Michael 等人（2024）和 Koch 与 Imai（2025）提出的相关模型在依赖联合分布未知时的局限性，以及它们如何导致违反随机占优。

5. 意义与启示 (Significance)

• 理论意义：该论文挑战了医疗决策中日益流行的“不对称损失”范式。它表明，虽然“不伤害”是崇高的伦理目标，但将其形式化为数学上的效用函数（特别是当 $\lambda > 1$ 时）可能会产生反直觉甚至有害的决策后果（如放弃更有效的疗法）。
• 实践意义：
  • 医疗政策制定者和医生在使用此类决策辅助工具时，必须明确界定“现状”是什么。如果现状是动态的或人为定义的，希波克拉底效用可能导致非最优的资源分配。
  • 在缺乏联合分布数据（即不知道谁会被新药害死）的情况下，过度依赖这种不对称效用可能导致决策瘫痪或受随机因素主导。
• 伦理反思：论文促使学界重新思考：为了规避“主动伤害”的风险，是否值得牺牲“被动伤害”（即因不治疗而导致的可预防死亡）？作者暗示，这种权衡不应基于药物发现的时间顺序，而应基于更稳健的决策准则。

---

总结：Tomasz Strzalecki 的这篇论文通过严谨的因果推断模型，论证了基于“不伤害原则”的不对称效用函数在医疗决策中存在严重的逻辑缺陷，特别是会导致违反随机占优和现状偏差。作者主张，除非能明确界定“不干预”为唯一的现状，否则不应盲目应用此类效用函数，以免因过度规避风险而牺牲患者的整体生存率。