Triage Score: A Counterfactual Risk Assessment Instrument
本文提出了“分诊评分”（triage scores），这是一类基于加性反事实效用（additive counterfactual utilities）的新型风险评估工具，通过纳入干预下的潜在结果，克服了传统风险评分的局限性，从而实现更具伦理和实践意义的决策制定。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下你是一名医生，正在决定是否要将一名患者送入重症监护室（ICU）。
旧方法：“风险评分”
目前，许多医院使用一种“风险评分”。这就像是一个天气预报，但它只预测“如果你没带伞，是否会下雨”。
- 它观察一名患者并说：“如果我们什么都不做，这个人病情恶化的概率是 80%。”
- 因为评分很高，医生决定将他们送入 ICU。
问题所在：
风险评分有一个盲点。它告诉你如果不进行干预会发生什么，但它没告诉你如果进行干预会发生什么。
- 或许即使进了 ICU，患者最终还是会病重。
- 也许患者其实并无大碍，而仅仅是进入 ICU 的行为就造成了他们的压力和感染（即“反噬效应”）。
- 风险评分将所有高分患者视为同类，却忽略了有些人根本不需要 ICU，而另一些人则会因 ICU 而获救。
新方法：“分诊评分”
本文作者提出了一种名为“分诊评分”（Triage Score）的新工具。不要把它看作天气预报，而要把它看作一个模拟器，它为每一位患者同时运行两部电影：
- 电影 A： 如果我们不管他们，会发生什么？
- 电影 B： 如果我们将他们送入 ICU，会发生什么？
分诊评分通过对比这两部电影来计算一个考虑了**“遗憾值”**的评分。
- “安全型”患者： 如果电影 A（不进 ICU）显示他们保持健康，且电影 B（进 ICU）也显示他们保持健康，分诊评分会说：“不要把他们送进 ICU。这是在浪费资源，甚至可能伤害他们。”
- “可预防型”患者： 如果电影 A 显示他们会病重，但电影 B 显示他们能保持健康，分诊评分会说：“把他们送进 ICU！这是救命的唯一方法。”
- “无望型”患者： 如果电影 A 显示他们会病重，且电影 B 也显示他们会病重（也许病情已经太严重了），分诊评分会说：“ICU 对他们没用。我们应该专注于舒缓护理。”
现实世界的测试：保释制度
作者利用犹他州一项涉及法官和保释决策的真实实验测试了这一理念。
- 设定： 法官被随机分配到两组：一组可以看到标准的“公共安全评估”（PSA）风险评分，另一组则看不到。PSA 告诉法官，被告在被释放后再次犯罪的可能性有多大。
- 旧系统的缺陷： PSA 只关注了被告被释放后重新犯罪的风险。它没有询问：“如果我们把他们关进监狱，他们会停止犯罪吗？还是说，一旦被关进去，他们反而会变得更愤怒，并在出狱后犯下更多罪行？”
- 分诊法路径： 作者使用他们的新数学模型来观察这些“假设”场景。他们问道：
- 谁无论如何都会重新犯罪？（无望型）
- 谁只有在被监禁时才会停止犯罪，但如果被释放就会重新犯罪？（可预防型）
- 谁只有在被监禁时才会重新犯罪，但如果被释放则会保持守法？（反噬型）
重大发现
当作者将分诊评分逻辑应用于数据时，他们发现“最佳”决策会根据你所关注的目标不同而改变。
- 如果你只关心预防犯罪（旧的风险评分方式），你可能会监禁很多人。
- 但如果你使用分诊评分，并认为“我真的很遗憾把一个本来不会犯罪的人关进监狱”，那么最优策略就会发生变化。你可能会释放更多的人，因为你意识到监禁他们并不能真正阻止犯罪——它只会浪费金钱并造成伤害。
核心启示
本文认为，我们不能再基于单一的预测（即“如果我们什么都不做会发生什么”）来做决策。相反，我们需要一个分诊评分，它能够权衡“采取行动”与“不做处理”之间的差异。它能让决策者更聪明地判断：谁真正需要帮助，谁可能会因帮助而受损，以及谁根本不需要任何帮助，从而最终为所有人带来更好的结果。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。