Predikant en wiskundige Thomas Bayes (1702-1761) hield zich bezig met de vraag hoeveel bewijs er nodig is om te geloven in een wonder. De moderne diagnosticus die worstelt met zeldzame stoornissen kan hiervan leren.
© RomanWhale studio/Stock.adobe.com
In de diagnostiek probeert de diagnosticus de klachten van de cliënt te doorgronden, maar in de praktijk laten we ons nogal eens meeslepen door saillante details, opvallende testresultaten of stereotypes.1 Een Bayesiaanse denkwijze is bij uitstek geschikt om te compenseren voor deze klinische denkfouten. Belangrijk hierbij is updating, het bijstellen van onze overtuiging met nieuwe informatie. De essentie van Bayesiaans redeneren kan dan ook als volgt worden weergegeven: voorkennis + nieuwe informatie = geupdate kennis. Met kansberekening wordt bepaald hoe zwaar nieuwe informatie mag wegen. Hierdoor kunnen we toevalsbevindingen op waarde schatten, stereotypes vertalen naar het individu, en inzichtelijk maken hoe zeker we kunnen zijn van onze conclusie.
Van groep naar individu
Laten het bovenstaande illustreren met een praktijkvoorbeeld. Stel, iemand die voldoet aan de volgende beschrijving: ‘David is iemand die moeite heeft zijn emoties te herkennen en verwoorden. Hij denkt graag in concrete termen en bekijkt zaken het liefst rationeel. Hij heeft dan ook een beperkte fantasie en weinig inlevingsvermogen.’
Wat is de kans dat David autisme heeft? Kans kan begrepen worden als een kwantificatie van de kracht van onze overtuiging. De vraag is dus hoe sterk we ervan overtuigd zijn dat er sprake is van autisme. Laten we eerst bepalen of de gegeven
