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a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。