6.19基于证据的循证医学是宏观层次的序列运算，是小概率的特殊组合的序列，即我们需要对序列的匹配即信息寻找投以更大的关注。因为本质上医疗手段就是寻求不同层次的序列的匹配使得整体的分数最高即疗效最好，经验是我们进行贝叶斯公式计算的基础，但经验可能是错误的，这就需要更多规模的实验来验证。当然这是对大规模的层次进行验证，我们针对独特的个体的选择性表达可能是独特的路径，即个体化治疗。在这个过程中，我们需要各种指标/不动点来确定特定的通路的进行。
我们需要精确靶向特定类型的人群，甚至可以细化到个体层次，这就是一种对序列的运算。一般的大型临床实验是对宏观层次的少数序列/作用量的运算，而我们希望能够通过对一定指标的测量来确定个体的独特类型，从而对序列有更加准确的把握，从而制定出的计划可以最大程度避免各种副作用。因为本质上，对照试验是对序列的匹配运算，而一般的实验的颗粒度都太大了，我们需要很好的运气才能使得其匹配运算是比较确定的不动点。当然，事实上我们的机体就有很多这样的靶定式的特殊序列，可以视为特殊模式。而大规模随机双盲对照实验可以得出的结论是相对最可靠的，当然，也是效率最低的。
Meta分析，对多个实验结果选定一定指标进行调节分析，能够提取一定的模式，能够得出一定的序列之间的相关性。
抽样法，是对大数定律的自信。
相关性需要对更底层的序列进行处理，不然就会出现淹死的人数与冰激凌销售量的上升成正相关关系，我们需要挖掘底层的关系。
预防医学发现的宏观层次的关系是具体的临床观测的隐马尔科夫序列，即是相对高维的变化，因为疾病本质上是人与环境交互的结果，宏观层次的疾病发生率体现于微观的个体的疾病发生，后者又对前者的统计做出贡献，这是耦合的关系。这体现了不同层次的相似性，人群的规律与机体内部的规律是相似的。
序列之间的关系可以以回归方程来表示，特定的序列形成的模式之间可以形成一定的相关关系，如同公理化的系统知识，即不同层次的耦合形成的特定模式的序列总能够与特定的其他模式形成比较确定的相关关系，如公式。现在的医学就是通过统计来逼近这种公理体系。由于具体的运算对象的不同可能变量多，可以以序列的形式来表示，因此我们只能通过统计来发现特定序列之间的不动点关系，具体的实验就是对特定的序列进行处理，通过一定的指标来发现其可能的效应。
队列研究是针对序列的单个变量研究的方法，其只能得出小范围的序列之间的相互作用。处理（不）-表达（不）这是所有的可能性，于是我们可以得出一定的关系（p值等等）。而临床实验是对这种序列的低层次变量扩大到机体的网络层次，因此要取得比较好的关系，需要选择比较宏观的指标和关系才能在统计层次发现比较确定的线性关系。各种条件，实验因素就是序列的一部分，其中其表达的水平会对整体序列的表达产生影响，这我们可以以矩阵的形式来量化其具体影响，可以通过正交实验来分析不同变量之间的拮抗或者协同关系。序列的关系只能以概率的形式表示。然后以此为基础可以衍生新的序列的关系来指导新的药物治疗。
序列内部的耦合和序列之间的耦合，这是具体的序列运算能够与宏观的疾病发生相关联。而具体的病因是不动点式的对概率提高到阈值。序列的运算是具体的疾病发展的抽象。
本质上来说，疾病是关系的表达，因此有一定的概率能够自愈。而可能能够通过各种药物的处理使得机体内部的序列发生如同表观遗传的甲基化处理，使得其表达的概率变化，或许能够对疾病的治愈有所帮助。就如同输入能量使得机体处于高活跃度的无序组合状态（如原子），最后能够退火形成比较有序的结果。
7.30.2016
循证医学是我们理想的通过多层次的证据即信息来不断遍历使得能够寻找出特定的能够在宏观的机体健康层次产生影响的疗法，是连接基础研究和临床治疗的桥梁。我们能够应用这种思想从中心法则发现的关系（低维）遍历到机体的各种处理即治疗（高维），这个过程可以表示为宏观的贝叶斯概率计算，是大规模的计算所能够发现一定的模式（不动点）。其理论体系的建立是一种宏观的分类机制，通过群体层次的比较（大规模随机双盲实验）整理出一定的序列，然后通过模式识别算法来整理出可能的模式，然后通过实验来验证其正确性，这好像可以使用神经网络来不断优化。我们认为医生的诊治思维也是类似的思路，首先是各种信息的收集，然后匹配经验做出一定的判断（以序列匹配来表示），这个过程中关键的是找到不动点式的特征性变化，从而能够以比较高的概率做出准确判断。然后就可以采取恰当的方法来治疗，这种治疗其实也是一种序列的运算。
于是我们需要将这个网络层次坍缩为一定的路径，即选择具体的问题来做具体的探究，即肿瘤、糖尿病等等。然后根据各种证据起到的疗效来做一定的评价，然后考虑一定的疗法的组合，做到具体的实践。我们现在就是试图把临床的循证实践放大到分子层次的影响，从而综合各种操作，对临床实践进行一定的指导。
要做到这一步，就需要系统性地进行综合评价，即基于大规模的信息的运算，然后在特定的路径即序列参数比较明显的联系，如A对B的影响会对更宏观的C产生概率性的影响，如心肌梗死后服用抗心律失常药物对病死率的影响（Furberg1983）。
多变量的影响的方向，合并效应量方法，通过各种统计意义的量度进行的处理是一种高维的运算，如Fisher的合并P值。最终达到降低偏倚的效果（如同波的干涉），这是一种序列这种数据结构的计算。我们打算使用meta分析，应用于各种分子层次的机制对机体健康的影响，即定量合成这种影响。我们需要对多种指标进行测量。最终的效果合成不仅仅可以视为一种贝叶斯运算，而且可以视为网络的路径坍缩，如同鸡尾酒疗法。
序列的运算：研究对象、干预措施、对照和结局都是序列，其耦合就是一种匹配运算，然后就可以对序列状态进行改变（马尔科夫序列的表达概率），如同图灵机。
范围应该处于一定的区段才能有比较明显的概率联系，序列的相关区段越短，相关性越大。这就对应于各种效应量，如比例、方差。可以通过快速傅里叶变换来进行不断的分类，最终细化为一定的基本对象的1/0序列。然后如同微积分一样通过遍历形成高维结构。因此序列需要的比较可以通过一定的指标的测量来得出其关系。
而精确的问题其实是一种网络的路径坍缩，其是高概率成立的。如通过一定的对照措施对特定类型的疾病的影响，表现为其结果的不同分布。我们能够通过多机制的耦合，使得这种基于证据的循证医学如同数学一样基于之前研究不断扩大人类认知边界。
以多变量形成的序列为新的变量来运算，这需要我们统合之前变量的各种效应，这就需要我们采取一定的观察指标。然后就是对其的假设检验。