GRADE系统
GRADE（Grading of Recommendations Assessment, Development and Evaluation，推荐分级的评估、制定与评价）是目前全球公认的证据质量评级和推荐强度分级的国际标准。自 2000 年代初由 Gordon Guyatt 等人提出以来，它彻底取代了过去混乱的证据分级体系（如牛津分级）。GRADE 的革命性贡献在于它将“证据质量”（Quality of Evidence）与“推荐强度”（Strength of Recommendation）进行了逻辑分离。这意味着：高质量的证据（如 RCT）并不一定产生强推荐（如果药太贵或副作用太大）；反之亦然。这一逻辑框架是构建现代医疗 AI 推理引擎的核心规则。
核心逻辑一：证据质量 (Quality of Evidence)
GRADE 将我们对“疗效估计值”的信心分为四级。最独特的算法在于“升降级机制”：
• 起点： 随机对照试验 (RCT) 预设为“高”，观察性研究预设为“低”。
• 5个降级因素 (Downgrade)： 即使是 RCT，如果存在以下问题也会被降级：
1. 局限性 (Risk of Bias)： 如未盲法、分配隐藏不够。
2. 不一致性 (Inconsistency)： 不同研究的结果互相矛盾。
3. 间接性 (Indirectness)： 证据来自“兔子”而不是“人”，或者人群不匹配。
4. 不精确性 (Imprecision)： 置信区间太宽。
5. 发表偏倚 (Publication Bias)： 只有阳性结果发表了。
• 3个升级因素 (Upgrade)： 观察性研究如果显示出“巨大的效应量”（RR > 2）或“剂量-反应关系”，可以升级。
核心逻辑二：推荐强度 (Strength of Recommendation)
这是 AI 决策系统的输出层。GRADE 不仅仅看证据，还引入了“证据到决策” (EtD) 框架。
| 推荐等级 | 表述方式 (指南用语) | 临床含义 (对医生) | 对 AI 的指令 |
|---|---|---|---|
| 强推荐 (Strong) | "We recommend..." (我们推荐) | 绝大多数患者都应接受该干预。利远大于弊，且具有成本效益。 | Default Action. 除非有禁忌症，否则默认列入治疗方案。 |
| 弱推荐 (Weak / Conditional) | "We suggest..." (我们建议) | 利弊相当，或取决于患者价值观。需要与患者进行共同决策 (SDM)。 | Option. 列为可选项，提示医生需询问患者偏好或考虑经济状况。 |
GRADE 与 AI 知识图谱
Structured Reasoning (结构化推理)
在构建“智慧医生”的知识图谱时，GRADE 是连接“文献节点”与“决策节点”的边的权重。
• 三元组示例： (阿司匹林) --[预防]--> (心血管事件)
• GRADE 属性： { Quality: High, Strength: Weak (in elderly), Downgrade_Factor: Bleeding_Risk }
这种结构化数据能防止 AI 在回答时表现出过度的自信（Overconfidence），即在证据不足时使用“可能”而非“必须”。
关键参考文献
[1] Guyatt GH, et al. (2008). GRADE: an emerging consensus on rating quality of evidence and strength of recommendations. BMJ.
[奠基之作]：这篇论文正式宣告了 GRADE 系统的诞生，结束了医学界数十种分级标准混战的局面。
[2] Alonso-Coello P, et al. (2016). GRADE Evidence to Decision (EtD) frameworks... BMJ.
[决策框架]：详细描述了如何从“证据”跨越到“决策”，引入了资源利用、公平性、可接受性等维度，是卫生政策制定的基础。