【克飞原创】 西医的指标疗法---蒙得了仪器，蒙不了人

克 飞

1. 中医的诊疗一定要西医来证实吗？

中医和西医分属二个不同的学科，应该有他们独立的评判体系，用西医上不可解释来批评中医是过分的。

举个例子。

对于我们所认识的物质，我们习惯上有二个方式去描述他们，一个是化学方式，一个是物理方式。

物理方式考虑一个物体通常是一个整体，去描述他们的运动方式，化学方式则是描绘他们的结构组成。有时我们用物理的方式，有明则用化学的方式。

这二门科学有他们各自的解释机制，但我们不能说虽对虽错。从数学的角度来说，物理是比较科学的，它的公理体系比较完备，化学则是比较散乱的。他的一些基本理论和一些化学性质则显得不那么容易理解，有很多归纳和观察的结论。

物体的物理现象通常不能用化学来解释，物体的化学现象也通常不能用物理来解释。如果他们能相互解释，这二门学科就合而为一了。中医和西医在解释人时的关系就象物理和化学在解释物质时的关系，二者的理论可以并存，不需要用另外一个学科来论证，只能以实践来检验其正确性。实际上，物理和化学源于不同的公理体系，从而产生不同的见解和不同的应用。如果他们能互相验证，这二门学科就可以合而为一了。

就是物理和化学，亦有他们的局限性。物理广泛用于工程，但当描述到天体物理或研究高速物理时，牛顿力学就产生了局限性，当研究到量子力学时，牛顿力学也不成为普遍规律。同样当研究到量力化学或大分子化学时，普通的化学又力不能力，往往依靠及它的解释甚至归纳的方法。

中医和西医的关系在我看来就是这种物理和化学的关系。当研究到人体的局部或外来的生物或细菌或检测仪器时，西医这种以实验为基础的优点就显现出来。反之，当把人体当成一个整体的系统工程时，由于影响他的因素太多，西医来解释时就会在数学上力所不及，往往会出现矛盾的答案，或放大了局部的影响，这时中医反而有他的优势。

如同医学，在经济管理上，我们亦不是绝对采用定量化的方法的。一个平衡系统即使用数学描述亦是个非线性问题。而非线性问题在几十年前就是个难道，在现在仍然是一个难题。定量化的方法常常会产生极为幼稚的错误，在经济决策中，正确的结论往往不是定量化的产物。当然，我们不能否认定量化的贡献。

2. 西药先进吗？

西医不能从纯理论上证明一种药物为什么有效，为什么无毒？如果是这样，Clinic

Trial的意义就不大了。西药是在摸着石子过河啊。而且是在用化学品摸着石子过河。

中医的理论虽然可能也有问题，但用阴阳学说，对这些个中草药的药性基本上是有认识的。在此基础上，针对不同的人配制不同的比例，我觉得很科学啊。

西药是采用统计的方法认证出的从一类化学衍生物中筛选的对大部分人短期有一定疗效且无明显剧毒副作用的药物，他采用对抗性的方法去对付对人体有害的异类微生物或直接改善人体的一些生理指标。中药是运用自然生物的药性并对不同的人进行个性化定量配制以调节人体平衡，增强防病抗病能力的一种药物。

西药形成过程，从过程来讲是很原始的。去除这些所谓科学的外衣，只不过是中国古代炼丹术一样的思路，只不过药效的判定方式用了定量化的统计更规范一些而已。而这种炼丹术在近千年已被证实弊大利少，在中医中除了部分之外，已经被淘汰。

西药的功效是从统计中得出的，并不能给出安全有效的合理解释。既然药物的药效和毒理的真正作用机理在西药中这么难以阐述，不得不退而求其次，用临床试验来验证的话，为什么西医就不能学一下中医。人是一个复杂的动物，他存在在这个世界与万物共处。大部分的中草药只要了解他们的药性，应该是比较安全的，为什么不去使用他们。

但于不同的病人，中医能分析并制定出不同的中草药配方或其它治疗方案，这种新的方案不需要经过临床试验而基本上认为至少是相对安全的。但西医，使用赌博认证出药效的药效，冒着不可知的副作用的风险，千篇一律地对所有的病人采取同样的治疗方式，从方式上看，我看不出它有多先进的。（当然西医的某些药效是很好的）

我是学数学的，在南京医科大学合作研究亦全部是和西药，虽然不是搞医的，但对西医的接触也是很多的，为什么我还这么推崇中医呢？只不过是我在南京大学上学时的一个经验。在一次短跑中，我摔倒了，左手腕扭伤，大半年手都不能弯过来看手表，用了很多外傅药，有中医有西医，也进行过理疗，都没有。最后在南大诊所，一个医生给我实施针灸治疗，一共插了6根针，3分种后拨出，手就活动自如了。这应该就是中医的疗效，我不认为我有这个运气能在3分种内突然全部痊愈。既然有这么好的疗效，这种医效方法就是很好的，我不管他们是否有科学的解释。如果没有科学的解释，只能说现在的科学还不够发达。

我推崇中医，不是出于一种狭隘的民族主义思想，而是一种对一个尊重人类、尊重自然、尊重个体区别的科学的敬仰。我知道在科学界，中医话语权很小，但是作为一个严肃的科学家，我认为中医应该与他的疗效和思想相乘的学术地位。

3. 现代西医大部分成因分析都是错误的

随着信息技术和检测技术的发展，统计被越来越多应用到现代医学中。但统计的误用也越来越多，甚至大有盖过了正确的使用，并成为商业化技巧的工具的趋势。

由于使用了数学工具，很容易蒙骗很多人，从而让一个错误的似是而非的结论成为一个科学论断，成就一个新的发现而引发一起新的治疗方式或挣钱工具。

这实际上是一个在统计中很容易犯的一个错误，现在被无数的科学家在重复着犯。估计在美国有一半的科研经费都被用在错误证明这些不成立的结论上，但不可否认，建立在这些荒唐的结论上带来的商业利润是巨大的，但消费者却为之付出了代价。

这个命题就是在一个特定群体中，二个指标可能存在某种联系，但这种联系不一定是困果关系。这在中国的教科书中不太能看到，就是在西方的统计教材中也不容易看到，数学的悲哀啊。

指标之

间的关系可以对抽样调查进行统计分析得到，但因果关系却必须要有实验设计才能来证实。所以西方一个药物的有效性必须要在一个严格的GCP规则的指导下进行，就是因为只有这样才能证实只有这个药物才是生理指标改善的原因。药物生产中是规范了，其它呢？可以说是乱来。

什么叫联系呢？就是这类事物的二个侧面存在某种关联。比如说，头发长和乳腺癌之间存在着显著的相关性。利用这种相关性，我们可以进行诊断，比如说，你是头发长，你得乳腺癌的可能就比较大，这是正确的。

但因果关系就不一定，对因的改变可以改变结果的。如我们说，抽烟导致肺癌，我们就可以通过戒烟来减少肺癌的可能性。或者说，吃南瓜可以降低血糖，我们就可以多吃了南瓜来改善糖尿病，或者产剪发可以治疗乳腺癌。

因果关系包容了普通的关联，所以我可以说，如果吃南瓜可以改善糖尿病，那么你是吃南瓜的，那么我判断糖尿病的可能比较小。

普通的关联与因果关系的最大区别是，普通的关联只能用来诊断，但困果关系不仅能用来诊断，还能用来治疗。

上面我已经说了，从头发长可以推断出你得乳腺癌的可能大，所以头发的长度可以作为患乳腺癌的很好的诊断指标。头发长度能不能成为一个治疗指标呢？比如，把你头发剪短了，是不是能导致乳腺癌发病率的下降呢？答案是不。因为头发长和乳腺癌不存在因果关系，他只不过是事物的有关系的两个侧面而已，真正的原因是因为女人的头发大体较长，而女人患乳腺癌的可能性较大。

大家肯定会说，这么一个显然的结果，还要你老来告诉我吗？下面的例子，就不那么显然了。

最近，科学家们发现在日本松山县的人得糖尿病的人很少。调查发现当然人普遍食用南瓜。于是科学家们得出结论，南瓜有助于改善糖尿病。这个困果结论是错误的，在这块地方糖尿病发病率少，可能不是因为吃南瓜的问题，而是因为水质或其它生活习惯问题，吃南瓜多只不过当地南瓜较多而已。

另外一个问题更有普遍性，好象一开始说抽烟导致肺癌就是这样来的。抽烟可能真的是肺癌的成因之一，但这样的论证方式从数学上来说是彻底错误的。这个结论好象还是这一个结论的最早的理论支持呢。

英国科学家对10万个人进行了抽样调查，调查了吸烟和肺癌之间的关系。结果发现吸烟的人得肺癌的可能性远远大于不吸烟的人。所以他们得出了一个结论，吸烟导致肺癌。

无论这个结论事实上是否正确，但数学上是错误的。这种关系只能用来诊断，比如一个医生，听到说你吸烟，于是认为你得肺癌的可能性比其实人大，这是正确的。

但如果说，吸烟导致了肺癌，这就不是用这样的调查能证明的了。就象前面我们所说的，头发长和乳腺癌之间没有困果关系一样，吸烟和肺癌也不能据此得出因果关系。也许吸烟和肺癌仅仅是一个原因的二种表象，所以存在关系。例如压力大的人喜欢吸烟，压力大的也易得肺癌。容易困惑的是，吸烟和肺癌之间有个时间顺序，但仍不构成因果关系。

因为吸烟是吸到肺部的，这个结论很容易很自然地就为大家接受。但是这种抽样调查是证明不了因果关系的，如果是这样那药物的临床试验就没存在的必要了。要得出这个结论，必须要进行实验设计，在一大批没吸过烟的人群中间，给出两组人，一组人吸真实的烟，一种人吸一种味道和烟的味道完全一样，但没有烟的毒理成分的东西（双盲试验中的一盲），然后跟踪调查几十年，观察其肺癌的不同得病率。但事实上没人做过这样的试验，所以吸烟导致肺癌从来没有在统计上得到过这种证实。

看看这个问题已经够迷惑人了吧，在医学指标上那就更加了。我们可以从实验中得出一个医学指标和一个疾病之间的关联，但永远无法证明这个指标是不是这个疾病的成因。

这个指标指证与这个疾病的关联，当然可以用来进行临床诊断。但不幸的是，这个指标和疾病的困果关系是无法证明的。如果不是原因，改善这个指标对疾病是毫无帮助的。正象剪断头发不能降低乳腺癌的发病率一样。

不能因为弄上了复杂的医学，一大堆的指标和术语，博学的教授，昂贵的医疗费用和精密的仪器就可以将这样的逻辑和以上二种情况区别对待，在数学和逻辑上，他们是完全一样的。

既然改善这个指标都对疾病不一定有帮助，建立在其上的改善指标的的药物不是从一开始就不是在治疗病人，而是在欺骗诊断仪器吗？这个举动和剪头发，从而让医生认为其患乳腺癌的可能性小又有多大的区别呢？

克 飞

4. 改善指标的医疗方法正确吧？

现代医学的治疗方法基本是这样，利用一个或一系列的生化指标来诊断病情，利用改善一些疾病的重要生理指标来治疗疾病。

先谈谈诊断，西医引进了一系列的生化指标方式来诊断病情，确实是一个飞跃，但其中还是有一些问题的。

1.  指标不正常是病吗？

首先是一个什么是疾病的问题。由于疾病的诊断都只由指标来完成，疾病的定义发生根本的性的改变。疾病应该是具体的能引起人类不适的一个东西，大都不应是指标那么简单。例如，糖尿病可以说一种，高血糖低血糖等只能称为指标不正常，不能把他说成病，他们可能是其它毛病的一个指标反应。同样，心脏病，动脉硬化可以说成是病，但高血压、高血脂只能算是医学指标。

一个病，可以有它最原始的判断，可能是人体的不适，可能在病理中找到佐证，其它指标要与之相比较，才能找到与之关联的程度。直接把指标不同于正常值当成病，便省却了病的定义，这种所谓的有关联便失去了意义。例如，高血压只能算是一种症，它可能和多种病有关，但不能算是一种病。

既然指标都不能直接定义为病，改善指标只是为改善而改善，而没有去防病治病。

2. 改善指标能治病吗？

指标通常只是一个与病有关联的表症，不一定是引起病的因素。改善指标是缓解了症状，不一定是治疗了病。也许只能让你用这些指标来检测时，你发现不了病了。但病依然存在，只不过以前的检测手段失效。尤其是当这些个指标的改善并不能改善病情或只是稍微有用时，这样治疗就显得南辕北辙了。比如说，有的感冒药只是让你不流鼻涕，不能算是治疗的。

3. 为什么调理指标要长欺依赖药物

人体，尤其是内分泌，是一个平衡系统。如果用微分方程来表示的话，就是最后是有极限环的。什么意思呢？就是不管你将这些个指标拉得多远，最终还是会返回到一个正常的循环上的。比如说，你跑步了，心跳快了，血压上了，最终还是会回到正常的位置的。再比如说，你喝果汁了，吃饭了，血糖上升了，过几个小时还是能回到正常的范围的。

如此，则人体的最终平衡点才可能算是一个可靠的指标。其实对正常人来说其平衡点是个正常值，对不正常的人来说其平衡点是个不正常的值。

所以对于正常的人来说，即使初始值是不正常的，但过了一会儿，就会回到正常的值。

对于不正常的人来说，即使初始值是正常的，但过了一会儿，就会回到不正常的值。而为什么会回到这个不正常的值，和初始值无关，和其它构成这不正常的因素有关。所以治疗这个毛病应从其它更本源的地方入手。这就中医头痛医脚，西医头痛医头的不同。

而西医则去直接用药改善这个指标，可惜的是，对慢性病这常常是失效，因为病不在此，初始值的改变并不能改变稳定值。当停药时，该指标又回到原来的不正常上去，甚至身体因为熟悉了这些的供给，停药后反而到一个更不正常的人走一，是谓反跳。

反跳可以用一个弹簧模型来看，你用力拉一个弹簧并不改变这个弹簧的平衡点，相反你一旦松手，弹力反而将它往反方向推得更远。

西医对慢性病的治疗上，常常会出现这样的怪圈，不得不重视。

5. 现代西医是在制造疾病，而不是治疗疾病

西医其实是在制造疾病，制造指标，制造检测仪器，制造病因，制造药，从而乱中取胜，制造利润。人都怕死，从健康中赚钱，这是最容易不过的了。

第一步，制造疾病，西医已经把疾病定义到细得不能再细的地步了，每一种病只要病状稍有区别，都有自己的病名，而且好多还是深奥的拉丁字母。光癌症与肿瘤，就有无数名称，不过还算好记，中文基本好记，大多以部位命名，只不过有时是癌，有时是瘤。苦了医学院的学生，背了一大堆不相关的疾病名词，最后根本没时间去思考。所以我给医学院的学生上课，一年级学生很聪明的，因为他们的考分很高，到了四五年级，大部分只剩下个背功了，和他们讲道理是听不懂的。

第二步，制造指标，既然病被定义了，就会有搞科研的，从实验室去提取一些血液啊、切片啊，当然还有CT等高科技的玩意儿。然后是论文，什么假阳性、假阴性喽，这样诊断的指标被搞出来了。有时我们可以用老的指标，有时可以用新的测量指标，这时候第三就出来了，要发了。

第三步，制造检测仪器并卖仪器，这是利润的一个重头戏。现在的大医院的检测设备可是成本很高的喽。检测设备不全的，只能算是小医院。

第四步，缺失。这些指标不仅和该病有关系，而且这个疾病是由于这个指标的不正常所导致的，所以可以通过改善这个指标来达到疾病治疗的目的。这个结论在统计上无法进行实验设计来认证，只能由一系列的假说来猜测，这就是西医的假设很多的原因，通常这些个假说搞得很悬。但当一个假设他们远离常识时，多半是不正确的。这方面，我敢说，中医的假说更可信。

第五步，既然可以用这个指标来评估病情，所以生产出药物来改善它。大部分的药物有效性分析是以这些个指标的改善来衡量的。当然对这个病的有效性是基于第四步的，即这个指标的改善将改善病情。

但这个第四步的缺失是致命的，缺少了这个第四步，就能生产这样一种药，这种药只能改善流鼻涕的症状，却因为武断地假设了流鼻涕是感冒的成因，认为这是个治感冒的良药。

西医的第四步的缺失注定了西医从理论上是治标不治本的，是欺骗诊断仪器而不是治病的。所以对于一些表症，西医还能有一些功效，但对于大部分慢性病，由于没有针对病因，所以从理念上就是错误的。用西医来治疗慢性病，大多只是对诊断仪器的一种欺骗，病还是这样，只不过测不出而已。综合考虑副作用的影响，弊大于利，失大于得。

第四步的缺失是因为定量分析工具不足以对比类因果关系给出论证。药与指标之间的因果关系可以通过临床试验的严格的实验设计获得。但指标与病之间只能能过抽样分析来证明其联系，不能通过实验设计来证实其因果。

这就是西医科学的最致命的缺陷，一种盲目的无依据的治疗，用的还是猛药。

由于中医的辩证施治有自已的系统，自己的因果推断方法，虽然没有定量化，看著好象不科学，但对于慢性病，从科学性上说是更严谨的。

克 飞

本文2年前曾发表于【四月青年】

孙参001

这属于学术级别的论文。赞一个。

克 飞

这属于学术级别的论文。赞一个。
参靠言论 发表于 2013-4-9 19:37 http://bbs.51.ca/images/common/back.gif

谢谢！其实指标治疗还有二个问题。
1. 一个群体中统计不正常的是否对某个个体反而正常的。。。这个是一个对子的问题，例如身高与体重。超过180磅的人不一定不正常。如果个子高的话。
2. 一个符合群体正常的指标是否对某个个体反而不正常。。。也是一个对子的问题。例如身高1米9，体重140

这个就是，很多的指标，单独的标准是没有的，协调才是最好的。很多指标我们不知道指标间的协同，只单独来看。其实很多指标间存在指线关系甚至是非线性关系的协同的（例如内分泌），只不过搞医的人多数不懂而已，这种模型化的数学已经超过了他们的能力。
所以调整指标对某些人是有害无利的。没时间细说，以后讨论。

克 飞

西医对指标的调整性做法，其实都是表面文章给测量仪器看的。。。测量仪器看不出了，于是高呼万岁！可是病一点都没好，相反这些“治疗”将本来基本平衡的人体制造了新的不平衡，于是在“医学科学”的关照下，病人身体日渐虚弱。。。大家可以看看身边的事。

治疗前只不过被告知有一个指标不正常，身体感觉好好的。。。可是“治疗”过以后，身体每况愈下。。。很多人都以为可能是原来的病太重了。。。不是的，是“治疗”的硬伤破坏了你内在的协调。。。你成为了一个真正的病人。

克 飞

西医的疗法，名为症状，实质是表现是人在自愈中的一个正常反应。西药是在消灭或反抗这个自愈过程。。。表现上看来一些指标和症状不能被仪器测出了，实际上自愈变慢甚至中断，最后导致慢性病。。。。

这也是西方社会的慢性病越来越多的原因，原来是这个“健康”系统自身的问题！

10 past 6

懒得谈谁更有效了，加拿大有自己的标准。就好像你在Z国可以随地大小便,但是我们加拿大人就是看不上。想在加拿大拉屎撒尿?可以。请进洗手间。

- 此帖来自无忧论坛手机版

克 飞

懒得谈谁更有效了，加拿大有自己的标准。就好像你在Z国可以随地大小便,但是我们加拿大人就是看不上。想在加拿大拉屎撒尿?可以。请进洗手间。

- 此帖来自无忧论坛手机版
10 past 6 发表于 2013-4-12 23:25 http://bbs.51.ca/images/common/back.gif

你在中国随地大小便？上海？广州？南京？北京？。。。你还真行！。。少有！

克 飞

看到一个支撑：

As an intern, I see it many times: Doctors do lots of research but don't have a clue when it comes to statistics — and in the social science area, it's even worse. From the article: 'Even when performed correctly, statistical tests are widely misunderstood and frequently misinterpreted. As a result, countless conclusions in the scientific literature are erroneous, and tests of medical dangers or treatments are often contradictory and confusing.'"

Science and the Shortcomings of Statistics
http://science.slashdot.org/story/10/03/17/2239252/science-and-the-shortcomings-of-statistics

克 飞

找到了一个普通关系不代表因果关系的英文文章，解释得很清楚。很多的统计教科书上也很难发现的。。。医学界人士用错统计而得出因果结论的比例可不是一般的低，我估计90%以上都是错的。

http://www.stats.org/faq_vs.htm


Causation vs. Correlation



One of the most common errors we find in the press is the confusion between correlation and causation in scientific and health-related studies. In theory, these are easy to distinguish — an action or occurrence can cause another (such as smoking causes lung cancer), or it can correlate with another (such as smoking is correlated with alcoholism). If one action causes another, then they are most certainly correlated. But just because two things occur together does not mean that one caused the other, even if it seems to make sense.
Unfortunately, our intuition can lead us astray when it comes to distinguishing between causality and correlation. For example, eating breakfast has long been correlated with success in school for elementary school children. It would be easy to conclude that eating breakfast causes students to be better learners. It turns out, however, that those who don’t eat breakfast are also more likely to be absent or tardy — and it is absenteeism that is playing a significant role in their poor performance. When researchers retested the breakfast theory, they found that, independent of other factors, breakfast only helps undernourished children perform better.
Many many studies are actually designed to test a correlation, but are suggestive of “reasons” for the correlation. People learn of a study showing that “girls who watch soap operas are more likely to have eating disorders” — a correlation between soap opera watching and eating disorders — but then they incorrectly conclude that watching soap operas gives girls eating disorders.
In general, it is extremely difficult to establish causality between two correlated events or observances. In contrast, there are many statistical tools to establish a statistically significant correlation.
There are several reasons why common sense conclusions about cause and effect might be wrong. Correlated occurrences may be due to a common cause. For example, the fact that red hair is correlated with blue eyes stems from a common genetic specification which codes for both. A correlation may also be observed when there is causality behind it — for example, it is well-established that cigarette smoking not only correlates with lung cancer, but actually causes it. But in order to establish cause, we would have to rule out the possibility that smokers are more likely to live in urban areas, where there is more pollution — or any other possible explanation for the observed correlation.
In many cases, it seems obvious that one action causes another. However, there are also many cases when it is not so clear (except perhaps to the already-convinced observer). In the case of soap-opera watching anorexics, we can neither exclude nor embrace the hypothesis that the television is a cause of the problem — additional research would be needed to make a convincing argument for causality. Another hypothesis is that girls inclined to suffer poor body image are drawn to soap operas on television because it satisfies some need related to their poor body image. Yet another hypothesis is that neither causes the other, but rather there is a common trait — say, an overemphasis on appearance by the girls’ parents — that causes both an interest in soap operas and an inclination to develop eating disorders. None of these hypotheses are tested in a study that simply asks who is watching soaps and who is developing eating disorders, and finding a correlation between the two.
How, then, does one ever establish causality? This is one of the most daunting challenges of public health professionals and pharmaceutical companies. The most effective way of doing this is through a controlled study. In a controlled study, two groups of people who are comparable in almost every way are given two different sets of experiences (such one group watching soap operas and the other game shows), and the outcome is compared. If the two groups have substantially different outcomes, then the different experiences may have caused the different outcome.
There are obvious ethical limits of controlled studies – it would be problematic to take two comparable groups and make one smoke while denying cigarettes to the other in order to see if cigarette smoking really causes lung cancer. This is why epidemiological (or observational) studies are so important. These are studies in which large groups of people are followed over time, and their behavior and outcome is also observed. In these studies, it is extremely difficult (though sometimes still possible) to tease out cause and effect, versus a mere correlation.
Typically, one can only establish correlation unless the effects are extremely notable and there is no reasonable explanation that challenges causality. This is the case with cigarette smoking, for example. At the time that scientists, industry trade groups, activists and individuals were debating whether the observed correlation between heavy cigarette smoking and lung cancer was causal or not, many other hypotheses were considered (such as sleep deprivation or excessive drinking) and each one dismissed as insufficiently describing the data. It is now a widespread belief among scientists and health professionals that smoking does indeed cause lung cancer.
When the stakes are high, people are much more likely to jump to causal conclusions. This seems to be doubly true when it comes to public suspicion about chemicals and environmental pollution. There has been a lot of publicity over the purported relationship between autism and vaccinations, for example. As vaccination rates went up across the United States, so did autism. However, this correlation (which has led many to conclude that vaccination causes autism) has been widely dismissed by public health experts. The rise in autism rates is likely to do with increased awareness and diagnosis, or one of many other possible factors that have changed over the past 50 years.
In general, we should all be wary of our own bias; we like explanations. The media often concludes a causal relationship among correlated observances when causality was not even considered by the study itself. Without clear reasons to accept causality, we should only accept correlation. Two events occurring in close proximity does not imply that one caused the other, even if it seems to makes perfect sense.


http://www.stats.org/faq_vs.htm

克 飞

西医产业用这样的方法整出了一个巨大的产业，现在加拿大一家三口的话，一年政府给他们在医疗上消耗的平均总费用是15000元（不包括公众支付部分）。对大部分的中国人来说，是一年伙食费用的10倍。

克 飞

西医疗效的评估方式有误，FDA的药物标准有误，尤其对慢性病的西药采用指标改善是一种错误，因为
1. 指标改善不代表改善病情。（不一定是因果关系）
2. 指标改善不一定是好事。。。（指标的偏离常常是人体系统正常功能实施的一种主动调节）
3. 指标改不了，会长期依赖。。（指标的平衡点是具有顽固性，任何药药物性的改变只是暂时改变了一下指标，但最后的稳定值并不随之改变）

西药对短期的指标改善是优于中医，但大部分情况与病的改善无关，只是短时间骗骗一下诊断仪器的魔术师的把戏。而西药的评估是看改变指标的。。。也许短期改变是真的有效。。。但是如上所述与治病关系其实不大。。。这也就是万千上万的药出来，几乎找不到一种真正能治慢性病的药。

对于一个病的疗效，看五年死亡率，三年无病不服药率等指标更公正，也更接近常识。。中西医想要真正比较，要在这层面进行。。。我相信，用这些人人都能认同和认识的硬指标，不搞这些花里胡哨的西医指标，中医并不亚于中医。比较应该在两种疗法中进行，而不是单纯的二种药之间比较。。。因为西医的同一个病，在中医里形成方式完全不同，采用的治疗方式也完全不同。

克 飞

一个医生或研究人员，理解了“3. 现代西医大部分成因分析都是错误的”，就理解了统计，就能理解为什么西医的新旧研究会有这么多的谬误的了。

但是不幸的是，他以后也很难出文章了。。。因为大部分的医学成果都是谬误。。。你不把普通关系谬误成因果关系，人家觉得你的文章一点也不重要。


西医就是这样的，不断地创新谬误，以新的谬误去代替卓旧的谬误。。。。
这就是现代医学的发家史。

吃南瓜与糖尿病改善存在某种关联，与吃南瓜能改善糖尿病有着本质的区别。
前者只不过是一种普通的判别方法，后者就变成一种食疗模式。完全不同的份量。

加国日日新

...

吃南瓜与糖尿病改善存在某种关联，与吃南瓜能改善改善糖尿病有着本质的区别。
前者只不过是一种普通的判别方法，后者就变成一种食疗模式。完全不同的份量。
克 飞 发表于 2013-8-10 20:23

吃南瓜与糖尿病的关系讲的挺好，也挺明白的。同样问一下你是怎么从王林事件推导出卫生部要保护葛兰素史克？ 他们之间有什么困果关系？是不是涉及的自己的利益的时候智商就下降了。