Dual processing model of medical decision-making

ここで、Cは意思決定の状況（「選択」）を表し、nは結果の数、p iは選択された選択のうちi番目の結果x iの確率を表します。 V I は、自律的、直感的、システム I に基づく意思決定の評価を表し、V II は、熟慮的、規則に基づく、システム II に基づく意思決定の評価を表しています。 システムIIは、一部で提唱されている2つのサブシステムに分割されておらず、現代の意思決定科学でも提唱されている期待効用理論（EUT）の合理性基準に準拠していると仮定されています。 γは、システムIの機能を決定するいくつかのプロセスに影響されると想定される。 Mukherjeeは、システムIの機能を決定する重要な要因として、個人の意思決定と思考の素質、結果の情動性（結果の情動性が高いほど、γは高くなる）、意思決定課題のフレーミングと解釈（自己のための意思決定は、γが高くなる可能性が高い。また、文脈に沿った意思決定問題、即時解決を必要とする意思決定問題、時間的プレッシャーの中で行われる意思決定問題など、最後の4つは医療の意思決定に特徴的な状況を表している）を強調した。 また、入手しやすい情報、過去の経験、情報の処理方法（逐語的に処理するか、要点を把握するか）、記憶の限界などもγに影響を与えると考えられる。したがって、確率や結果に関する情報が曖昧であったり、入手しにくかったりする場合や、非常に深刻な負の過去の結果が想起される場合には、γは高くなると考えられる。 一般的に、システムIのプロセスを規定する要因は、次の4つの主要なカテゴリーに分類することができます。a)感情、b)進化的なハードワイヤードプロセスで、潜在的な危険に対する自動反応を担っており、システムIは通常、偽陰性よりも偽陽性の可能性を重視します。c）システムIに追いやられたシステムIIの過剰学習プロセス（集中的な訓練の結果、努力を節約する認知戦略の一つとしてヒューリスティック、つまり「経験則」や練習ガイドラインを使用するようになるなど）。

Mukherjee の DSM モデルは、感情が豊かな状況では、意思決定者は一般的に刺激の有無のみに敏感であるのに対し、感情が乏しい状況では、刺激の大きさ (および確率) を評価するためにシステム II に依存することを示す経験的な証拠に基づいています。 したがって、このモデルの顕著な特徴は、システムIが結果を「可能」か「不可能」かだけで認識することです。

その結果、二重評価処理は、低刺激の大きさでは主観的な評価が大きく、高刺激の大きさでは合理的な計算が大きな価値を生むという事例をしばしば生み出します（シグナルが危険をもたらす可能性がある場合など、意思決定が感覚や進化的なハードワイヤードプロセスに依存する場合）。 DSMは、人間の意思決定を特徴づける多くの現象を説明することができます。例えば、a) 透明でない確率支配の違反、b) リスク態度の4つのパターン、c) 曖昧さ回避、d) 共通の結果効果、e) 共通の比率効果、f) 分離効果、g) および合体とイベント分割効果などです。 utility >0（特に医療現場に適用される）という現実的な仮定の下で、システムIとシステムIIそれぞれのパワーバリュー関数、V I x = x m I , V II x = xを用いて、DSMは次のように書き換えることができます。

ここで、0 < m I ≤ 1 x i m I は利得に対するリスク回避と損失に対するリスク追求を満たしており、システムIIのp i x i の項はリスク歪みのない線形であることに注意してください。

Mukherjeeによって指摘されたように、式2)のパラメータの推定は測定上の課題であり、今後の実証研究で評価される必要があります。 その結果、意思決定の設定や意思決定者の目標に応じて、関数V II (x)とV I (x)が変更される可能性があります。

Modification of DSM for medical decision-making

ここでは、確率pで存在する病気(D)に対して、医師が治療(Rx)と無治療(NoRx)を選択しなければならないという、臨床の意思決定における典型的な状況を考えます。 それぞれの意思決定は、一定の値xiを持つ結果をもたらします。 このモデルを図2に示します。 前述のように、システムIは、結果が可能である（または不可能である）ことのみを認識し、したがって、正確な確率には無頓着です。 したがって、2つの選択肢がある場合、システムIでは各確率は0.5になります。システムIIは、EUTに従って予想されるように、歪みのない確率を認識します。

意思決定の二重処理モデルを、病気(D+)の患者を治療(Rx)するかしないかの臨床的ジレンマに適用します。 患者は病気を持っているかもしれないし、持っていないかもしれない（確率p）。 後悔はシステムIのレベルでのみ作用すると仮定する。 後悔はシステムIのレベルでのみ作用すると仮定する（競合する治療法の選択肢にはRxまたはNoRxが含まれることに注意）。 Rg-後悔

システムIの処理で結果の評価に影響を与える感情の中で、後悔が重要な役割を果たしていると仮定しています。

つまり、後悔とは、システムIのレベルでのみ作用する、行動した結果の効用と行動すべきだった結果の効用の差（損失）であると定義することができます（図2参照）。

したがって、次のような価値関数があります（詳細な導出についてはAdditional file 1: Appendixを参照）：

治療するかどうかの決定（Rx）の全体的な評価は次のようになります。

And

病気の患者を治療した場合としなかった場合の結果の差は、治療の正味の利益(B)に等しい。 疾患のある患者を治療した場合としなかった場合の結果の差を正味の有害性(H)と定義しています。 利益と害は様々な単位（生存率、死亡率、罹患率、コストなど）で表すことができ、効用と不効用の両方で表現できることに注意してください。 以上のように、我々はさらに、システムIによる純便益と純害の評価がシステムIIとは異なると仮定している。 したがって、システム II では、純便益と純害を EUT の定義に置き換えて考える。 B II = x 1 – x 3、正味の損害 H II = x 4 – x 2 である。 システム I の下では、B I = x 1 m I – x 3 m I 、H I = x 4 m I – x 2 m I と定義する。 p（RxとNoRxの間で無関心になる病気の確率）を解くと、次のようになります。 (式3)

これは、発病確率がp t以上であれば、意思決定者は治療を優先し、そうでなければ、競合する管理代替案（「治療なし」など）が最適な治療戦略を表すことを意味します。 なお、ここではkを1としていますが、一般的にはkは1であると考えられます。 また、式の最初の部分は、EUTフレームワークで説明されている閾値式と同等であり、2番目の式は、利益が害よりも高く経験された場合、閾値確率が常にEUT閾値よりも低くなるように、システムIIのEUTベースの意思決定プロセスを修正することに注意してください。 しかし、意思決定者が H I >B I を経験した場合、閾値確率は常に EUT 閾値よりも高くなる（医療の例での議論は後述）。 なお、γと比H I H IIは、二重の閾値が古典的なEUTの閾値を上回るか下回るかの大きさにしか寄与しません。 つまり、γと比率H I H IIは、デュアル閾値とEUT閾値の関係の質を変えない。デュアル閾値がEUT閾値を上回るか下回るかは、B I H Iの比率にのみ依存する。 後悔はすべての認知プロセスに影響を与える強力な感情（いわゆる「認知的感情」）であるため、システムIとシステムIIの両方のレベルで機能する可能性があると主張することができるが、ほとんどの著者は後悔の影響値を認識している。 そこで、後悔はシステムIのレベルで機能すると仮定した。

式3）は正確な計算を意味しますが、人間の意思決定を正確に数学的に説明するものと理解すべきではありません。 むしろ、医師の意思決定の方法を半定量的または定性的に記述したものと考えるべきでしょう。 第一に、システムIは正確な計算を行わず、より定性的な方法でベネフィットとハームの評価を行う「要点」に依存しているからである。 このメカニズムは、記憶や経験だけでなく、連想や感情（いわゆる「感情としてのリスク」の推定）に依存しています。 この意味で、システムIに依存している式3）の後半部分は、システムIの有益性と有害性の推定値に応じて、式の前半部分（システムIIの有益性と有害性の証拠の正確な使用に依存している）を増減させる質的修飾因子（「重み」）と理解することができます。 第二に、閾値確率自体を「行動の閾値」と考えるべきです。ある時点で、医師は治療を行うかどうかを決定します。 通常、医師は推定された疾患の確率を閾値と対比して行動します。疾患の確率が「行動閾値」を超えていれば、医師は治療を行い、下回っていれば治療を行わないことを決定します。 つまり、式3）を解釈する一つの方法は、医師の行動閾値の「要点」の推定を考えることです。医師の推定では、治療の全体的な利益が害を上回り、病気の確率が閾値の確率を上回る「可能性が高い」と考えれば、医師は行動して治療を行います。

DSM-Mモデルの動作

デュアルシステムプロセスを支える正確な認知メカニズムは完全には解明されていません。 この論文で述べられているように、多くの要因がデュアルプロセスに影響を与えているため、これらのプロセスは一般的なメカニズムに従ってグループ化されるべきであると示唆されています。 これらのプロセスのそれぞれに焦点を当てることで、具体的な理論的提案ができるかもしれません。 この論文の目的は、既存の理論的概念の大部分の一般的な特徴を包含する包括的な認知アーキテクチャを提供することであり、同時に医療上の意思決定の具体的な内容に焦点を当てることでもある。 一般に、二重処理理論は、並列競争理論と既定介入理論の2つに大別される。 パラレルコンペティティブ理論では、システムIとIIのプロセスが並行して進行し、それぞれが反応の制御をめぐって競合すると仮定しています。 競合が発生した場合、どちらのメカニズムで解決されるかは不明である。 一方、デフォルト・インターベンション理論では、システムIが迅速で直感的なデフォルト・レスポンスを生成し、それに続いてシステムIIのゆっくりとした熟考のプロセスが介入するかどうかが決まると仮定している。

1. 1) 前述のMukherjeeの加算モデル。 これは、システムIとIIのプロセスが並行して進行すると仮定しているため、並列-競争理論の変種に分類されますが、システムIの活性化を大きくまたは小さくするきっかけとなるパラメータγを含んでいます。 しかし、Mukherjee氏のモデルは、二重処理モデルの基本的な特徴であるカテゴリー別の決定(すなわち、与えられた仮説を受け入れるか受け入れないか)という観点から選択を明示的にモデル化していません。 最終的な意思決定は、システムIとIIの両方の活性化に依存しています。 意思決定の約40〜50％は習慣（システムI）によって決定されると言われています。
2. 3)。

   最終的な決定は、システムIが最初に答えを提案し、システムIIがそれを支持するというように、システムIとシステムIIの両方に依存しているように見えます。 そうすることで、システムIIはシステムIを完全に制御することも（EUTモデリングに依存する場合など）、システムIの機能を完全に監視できないことも（無知や怠惰のためなど）あります。 したがって、このモデルによれば、意思決定はシステムI（デフォルト）かシステムII（介入してもしなくてもよい）のいずれかによって行われる。

3. 4)

   モデル#3のバリエーションとして、いわゆる「トグルモデル」があります。これは、意思決定者が常に2つのシステムの間で揺れ動く認知プロセスを使用することを提案するものです（トグル）。

なお、我々のモデルではγは連続的ですが、「トグル」理論が正しいと考えられる場合には、γをカテゴリー的にすることができます。 この場合、決定木の中に論理的なスイッチを導入して、2 つのシステムを切り替えられるようにします。 最も重要なことは、Mukherjeeの加法モデルと閾値モデルを結びつけることで、並列競争理論とデフォルト・インターベンショナル理論を調和させるためのアーキテクチャを提供することである。 これは、ある程度の認知的努力（γでモデル化）のパラメータで、意思決定が（閾値を介して）カテゴリー化されることを明示することで実現しています。 つまり、重要な問題は、どのようなプロセスで特定の（診断）仮説の受容または拒絶が決定されるかということです。 我々のモデルでは、Mukherjeeの加法モデルの並列競合アーキテクチャを維持しつつ、（閾値で）与えられた仮説を受け入れるか拒否するか、イエスかノーかのスイッチを仮定すれば、このようなことが起こり得ることを示している。 意思決定と推論のプロセスの最終的な出力として機能するのは、閾値に関する（診断）イベントの評価です。 私たちのモデルが示すように、これは、システムIとシステムIIの両方が並行して動作しているという仮定と、デフォルト・介入主義者の仮説に従って一方のシステムの制御が他方のシステムに切り替わるという仮定に依存します。 γパラメータの活性化と、利益（利得）と損害（損失）の評価に応じて、制御はどちらのシステムでも行うことができることに注意してください。あるときは、直観的なシステムが制御を行い、私たちの行動は「正しさの感覚」という形をとるでしょうし、あるときは、システムIIが優勢となり、私たちの決断を後押しするでしょう。

上述したように、経験的な定量データの有無、意思決定の文脈(例：貧乏か金持ちか)、意思決定者の専門知識や経験など、多くの要因がスイッチを作動させます。 また、心理学的な研究によると、人はしばしば10の累乗で表される数字に基づいた単純なヒューリスティックな考え方を用いることがわかっています（例：1,2,5,10,20,50,100,200など）。 つまり、システムIは、正確な計算は行わないものの、相対的な有益性と有害性の「要点」を評価し、有益性/有害性の比率の推定値が1,2,5,10などの桁で変化するような「1/10の願望レベル」（最も近い数字に丸められたもの）に応じて評価している可能性が高いのです。 そこで本項では、いくつかの典型的な状況を考える。 1) γ = 0, 0.5, または1の場合, 2) BII>> HII, BII = HII, BII << HIIの場合; および3）不作為の後悔（BI）<<作為の後悔（HI）の場合、BI=HI。 or BI>> HI

まず、式6の左の分数の分子が0のとき、γ=0であることに注意してください( Additional file 1: Appendix)の左の分数の分子が0のとき、すなわちe., p B II – 1 – p H II = 0 のとき、つまりpを解くと、p = 1 1 + B II H II となり、これはまさに、2つの選択肢の期待効用が同じになる確率のEUT閾値の値となります。 これは、システムIIが意思決定を完全にコントロールする上記のモデル#3に対応します。 したがって、γ=0の場合は、古典的なEUTと治療的閾値のモデルとなります。 この場合、後悔はEUTの利益と害に影響せず、p t = H II H II + B II = 1 1 + B II H II となる。 BII>> HIIの場合、ptはゼロに近づき、意思決定者はほぼ全員に治療を勧めることになる。 一方、BII = HIIの場合、ptは0.5に等しく、彼女は病気の可能性がないのと同じくらいであれば治療を勧めるかもしれません。 最後に、BII << HIIの場合、ptは1.0に近づき、意思決定者は診断に絶対的な確信がある場合にのみ治療を勧めると予想されます。

もう一方の極端な例として、γ=1の場合、純粋なシステムIモデル（システムIプロセスのみに依存する上記のモデル#3に対応）があります。 ここで、γ=1という値は、式6（Additional file 1: Appendix）の第2分数の分母が1になるとき、すなわち、H I – B I = 0、すなわち、B I = H I のときであることに注意してください。 このような条件の下では、治療による知覚された正味の利益と知覚された正味の害が等しい場合、システムIの評価は無意味になることは明らかである。 γ=1の場合、後悔の回避が重要な動機となり、被測定機の利益や害ではない。 システムIでは、評価（式1）の観点から、pはγと関係しないことに注意する。 このような状況下では、システムIの意思決定のみが機能し、システムIIの分析プロセスは抑制される（式1）。例えば、直感にのみ従う傾向がある意思決定者や、現場の新しい事実を考慮せずに過去の経験に極端に影響される意思決定者に見られるように。

最後に、γ=0.5の場合、意思決定者はEUTと後悔回避が動機となります（前述のモデル2）。 この場合、利益(BII)、害(HII)、不作為の後悔(BI)、作為の後悔(HI)のすべてが能動的なプレーヤーとなります。 これらの3つのケースを表1（Additional file 2参照）に示します。この表には、γ=0.5の場合の閾値確率と、高い便益/害悪比（B II / H II = 10）を示す客観的データが示されています。 また、閾値確率が個人のリスク認知にどのように依存するかを示しています。 HI>> HIの場合、BI/HIの効果が大きくなります（式3参照）。 その結果、そのような人が常に治療を受け入れるか（pt<0として）、治療を拒否するか（pt>1として）のどちらかになる可能性が高まるという意味で、極端な行動をとることになります。 HI<<HIIの場合、システムIのベネフィットとハームの処理方法への影響はそれほど顕著ではなく、EUTの閾値への影響ははるかに小さいものとなります。