（原文發表於 2017/7/24）
從管理學教科書裡看到，經營管理者希望對事物有充份的了解之後，才能做出比較好的決策。
- 「知識或情報」 帶來 「確定性 (certainty)」
- 「缺乏知識或情報」 等於 「決策時有不確定性 (uncertainty)」
應用在臨床醫學上的時候，medical decision making 這學門告訴我們，面對一位病人，常常診斷和預後都不是馬上就明確、可以一清二楚的。所以引進了量化的指標來幫助我們了解它們，像是敏感度特異度；以指標來幫助我們選擇比較好的臨床處置，像是利用決策樹來計算某種治療方式的預期存活年數。
這些量化的指標，可以幫助我們掌握可能發生的結果，是很好的決策輔助工具。但是它不是算命，也不可能精確。因為，JFK 說過…
講到 decision analytic modeling 模型建構，教科書上告訴我們，模型建構有以下兩種來源的不確定性:
- 參數不確定性 (parameter uncertainty)
- 對於參數真正數值 (true numerical value) 的不確定；譬如說，到底這個疾病的發生率如何、多少人會願意就醫等。
- 模式不確定性 (model uncertainty)
- 所建構模式是否真正的反映問題體系的不確定性，亦即「模式架構不確定性 (model structure uncertainty)」。以我們的子宮頸癌模式為例，是用 LSIL – HSIL 來架構還是用 CIN 1 – CIN2/3 來架構好?
- 及分析者在模式分析、資料整理過程所造成的不確定性，「模式過程不確定性 (model process uncertainty)」。像是 modeler 不小心加錯了、函數放錯了等等。
或是，我們可以從分析的過程來想:
- 有些數值在進行成本效性分析時尚未或無法被觀察到，例如未來的疾病發生機率或醫藥價格膨脹的比例等等。
- 有些數值尚未得到共識，例如折現率的選擇。
- 某些參數的估計過程就是有一定的不確定性，譬如採用流行病學方法觀察疾病發生率等。
- 參數估計時雖未有偏差，但存在了選樣變異 (sampling variability)。
- 雖對某些族群有比較精確的參數估計值，但對另一些族群的資料就無法得到同樣精確的資料。
不過如果仔細再看，前述模型建構及估算，有些不確定性是可以減少的(像是建模者的失誤)，有些則是證據上先天的限制。學術上我們研究者可以經由一些方法的努力，來減少 uncertainty 或呈現這個「uncertainty」的大小 – 如用 reference case、敏感度分析、CEACs、另人檢查模型等等。這些努力，是讓決策者了解，我們對這件事的knowledge到哪裡，知道目前我們放進去估算的證據，是鐵證如山還是姑且算算。因為該做的決策就是要做，只是決策時知道自己當時能掌握的是多是少，這點有管理上的重要性。如果 uncertainty 高，就要準備各種方案處理可能有的「驚喜」。想辦法讓意外的事減到最低。或是考慮再等清楚一點，不過這時就要權衡等待的時間機會成本了。
如果在建模型時按照 good modeling practice 的建議，選擇有生物意義的模型架構、選擇最合適的參數值 (例如系統性文獻回顧加統合分析 SR/MA)、以大家公認合適的方法選擇機率性敏感度分析的參數值範圍，再加上合宜的 uncertainty 呈現 (例如CEACs)，有基本訓練的決策者應該可以就其結果大致抓到，這件新科技目前的成本效果是否有足夠把握 (certainty)，進而去做價值判斷，決定要不要給付或納入政策。(譬如可以這樣想: 某個新藥的 ICER 是 300,000NTD/QALY，而它的機率性敏感度分析結果，90% 以上的機率其 ICER 是在1,000,000 NTD/QALY 之下，那這個藥的成本效益可以算得上是過關了。也就是看的是點估計值多少，而這個點估計值本身的不確定性有多大。)
總之，做分析的人要做好科學的工作，讓決策者可以盡量掌握這件新科技在目前的科學或經濟價值，及其估算的不確定性。決策者則應該理解這些努力，是為其在當下做決策之時，對這項新科技的未來應用，有比較好的猜想與估算，以便做出較好的決策、甚或及時準備其他配套措施。
最後附帶一提，對 decision analytic modeling 學門來說，是先以 models 預測health outcomes、再發展成 cost-effectiveness 計算，最後順便應用到 budget impact analysis 的。所以BIA在模型建立與不確定性的闡釋上以上的說明也大致上可通。至於 BIA 的其他討論，以後再找機會跟大家碎碎念…