clinical-decision-support

臨床意思決定支援文書

説明

製薬会社、臨床研究者、医療の意思決定者向けに、専門的な臨床意思決定支援（CDS）文書を作成します。このスキルは、治療戦略や医薬品開発に役立つ、分析的でエビデンスに基づく文書の作成を専門としています。

1. 患者コホート分析 - バイオマーカーで層別化したグループ分析と、統計的なアウトカム比較
2. 治療推奨レポート - GRADE 評価と意思決定アルゴリズムを用いた、エビデンスに基づく臨床ガイドライン

すべての文書は、製薬研究、規制当局への申請、臨床ガイドラインの策定に適した、出版可能な品質の LaTeX/PDF ファイルとして生成されます。

注： ベッドサイドで個々の患者の治療計画を作成する場合は、代わりに treatment-plans スキルを使用してください。このスキルは、製薬・研究の場面におけるグループレベルの分析とエビデンスの統合を対象としています。

文体： 医学誌向けの出版可能な文書を作成する場合は、構造化抄録、エビデンス表現、CONSORT/STROBE 準拠に関するガイダンスとして、venue-templates スキルの medical_journal_styles.md を参照してください。

機能

文書の種類

患者コホート分析

• バイオマーカーに基づく患者の層別化（分子サブタイプ、遺伝子発現、IHC）
• 分子サブタイプの分類（例：GBM の間葉系・免疫活性型と前神経型、乳がんのサブタイプ）
• 統計解析を伴うアウトカム指標（OS、PFS、ORR、DOR、DCR）
• サブグループ間の統計的比較（ハザード比、p 値、95% CI）
• Kaplan-Meier 曲線とログランク検定による生存解析
• 有効性表とウォーターフォールプロット
• 比較有効性分析
• 製薬分野のコホート報告（臨床試験のサブグループ、リアルワールドエビデンス）

治療推奨レポート

• 特定の疾患状態に対するエビデンスに基づく治療ガイドライン
• 推奨の強さの評価（GRADE システム：1A、1B、2A、2B、2C）
• エビデンスの質の評価（高、中、低、非常に低）
• TikZ 図を用いた治療アルゴリズムのフローチャート
• バイオマーカーに基づく治療ラインの選択順序
• 臨床基準と分子基準に基づく意思決定経路
• 製薬戦略文書
• 医学会向けの臨床ガイドライン策定

臨床面の機能

• バイオマーカーの統合：ゲノム異常（変異、CNV、融合）、遺伝子発現シグネチャー、IHC マーカー、PD-L1 スコアリング
• 統計解析：ハザード比、p 値、信頼区間、生存曲線、Cox 回帰、ログランク検定
• エビデンスの評価：GRADE システム（1A/1B/2A/2B/2C）、Oxford CEBM レベル、エビデンスの質の評価
• 臨床用語：SNOMED-CT、LOINC、適切な医学用語、臨床試験の命名法
• 規制要件への準拠：HIPAA に準拠した匿名化、機密保持ヘッダー、ICH-GCP との整合性
• 専門的な書式：0.5in のコンパクトな余白、推奨度の色分け、出版可能な品質、規制当局への申請に適した形式

医薬品および研究での利用例

このスキルは、医薬品および臨床研究のアプリケーション向けに特別に設計されています。

医薬品開発

• 第2/3相試験の解析: バイオマーカーで層別化した有効性および安全性の解析
• サブグループ解析: 患者のサブグループ間での治療効果を示すフォレストプロット
• コンパニオン診断の開発: バイオマーカーと薬剤反応性の関連付け
• 規制当局への申請: エビデンスの要約を含むIND/NDA関連文書

メディカルアフェアーズ

• KOL向け教育資料: オピニオンリーダー向けのエビデンスに基づく治療アルゴリズム
• 医療戦略文書: 競合環境およびポジショニング戦略
• アドバイザリーボード資料: コホート解析および治療推奨のフレームワーク
• 論文発表計画: 査読付き学術誌向けの原稿に対応可能な解析

臨床ガイドライン

• ガイドライン策定: 専門学会向けのGRADE手法によるエビデンス統合
• コンセンサス推奨: 複数のステークホルダーによる治療アルゴリズムの策定
• 診療基準: バイオマーカーに基づく治療選択の基準
• 品質指標: エビデンスに基づくパフォーマンス指標

リアルワールドエビデンス

• RWEコホート研究: EMRデータに基づく患者コホートの後ろ向き解析
• 比較有効性研究: 実臨床環境における直接比較による治療比較
• アウトカム研究: 臨床現場における長期生存および安全性
• 医療経済学: バイオマーカーのサブグループ別の費用対効果解析

使用するタイミング

次のような場合にこのスキルを使用してください。

• バイオマーカー、分子サブタイプ、または臨床的特徴で層別化した患者コホートを解析する
• 臨床ガイドラインや医薬品戦略のために、エビデンスグレーディングを含む治療推奨レポートを作成する
• 統計解析（生存率、奏効率、ハザード比）を用いて患者サブグループ間のアウトカムを比較する
• 医薬品開発、臨床試験、または規制当局への申請のために医薬品研究文書を作成する
• GRADEによるエビデンスグレーディングと意思決定アルゴリズムを用いて臨床診療ガイドラインを策定する
• 集団レベル（個々の患者ではなく）でバイオマーカーに基づく治療選択を文書化する
• 複数の試験またはリアルワールドデータのソースからエビデンスを統合する
• 治療順序を示すフローチャート付きの臨床意思決定アルゴリズムを作成する

次の用途にはこのスキルを使用しないでください。

• 個々の患者の治療計画（treatment-plans スキルを使用してください）
• 病床での臨床ケアの記録（treatment-plans スキルを使用してください）
• 患者個別の単純な治療プロトコル（treatment-plans スキルを使用してください）

Scientific Schematics による視覚的強化

⚠️ 必須: すべての臨床意思決定支援ドキュメントには、scientific-schematics スキルを使用して生成した AI 図を少なくとも 1〜2 点含めなければなりません。

これは任意ではありません。臨床意思決定ドキュメントには、明確な視覚的アルゴリズムが不可欠です。ドキュメントを確定する前に、次を行ってください:

1. 少なくとも 1 点の概略図またはダイアグラム（例: 臨床意思決定アルゴリズム、治療経路、バイオマーカー層別化ツリー）を生成する
2. コホート分析の場合: 患者フロー図を含める
3. 治療推奨の場合: 意思決定フローチャートを含める

図の生成方法:

• scientific-schematics スキルを使用して、AI による出版品質のダイアグラムを生成します
• 必要なダイアグラムを自然言語で記述するだけです
• Nano Banana Pro が自動的に概略図を生成、レビュー、洗練します

概略図の生成方法:

python scripts/generate_schematic.py "your diagram description" -o figures/output.png

AI は自動的に次の処理を行います:

• 適切な書式を備えた出版品質の画像を作成する
• 複数の反復を通じてレビューと洗練を行う
• アクセシビリティを確保する（色覚多様性に配慮し、高コントラスト）
• 出力を figures/ ディレクトリに保存する

概略図を追加するタイミング:

• 臨床意思決定アルゴリズムのフローチャート
• 治療経路ダイアグラム
• バイオマーカー層別化ツリー
• 患者コホートフロー図（CONSORT 形式）
• 生存曲線の可視化
• 分子メカニズムのダイアグラム
• 視覚化が有用なあらゆる複雑な概念

概略図の作成に関する詳細なガイダンスについては、scientific-schematics スキルのドキュメントを参照してください。

---

ドキュメント構成

重要な要件: すべての臨床意思決定支援ドキュメントは、目次や詳細セクションより前に、1 ページ目の全体を占める完全なエグゼクティブサマリーで始めなければなりません。

1 ページ目のエグゼクティブサマリーの構成

CDS ドキュメントの 1 ページ目には、次の要素からなるエグゼクティブサマリーのみを含めるべきです:

必須要素（すべて 1 ページ目に配置）:

1. ドキュメントのタイトルと種類

   • メインタイトル（例: 「バイオマーカー層別コホート分析」や「エビデンスに基づく治療推奨」）
   • 疾患状態と焦点を示すサブタイトル

2. レポート情報ボックス（色付き tcolorbox を使用）

   • ドキュメントの種類と目的
   • 分析/レポートの日付
   • 疾患状態と患者集団
   • 著者/所属機関（該当する場合）
   • 分析の枠組みまたは方法論

3. 主要な所見のボックス（tcolorbox を使用した 3〜5 個の色付きボックス）

   • 主な結果（青のボックス）: 主要な有効性/アウトカムの所見
   • バイオマーカーの知見（緑のボックス）: 主要な分子サブタイプの所見
   • 臨床的示唆（黄/オレンジのボックス）: 実行可能な治療上の示唆
   • 統計の要約（灰色のボックス）: ハザード比、p 値、主要な統計量
   • 安全性のハイライト（赤のボックス、該当する場合）: 重大な有害事象や警告

視覚的要件:

• \thispagestyle{empty} を使用して 1 ページ目からページ番号を削除する
• すべてのコンテンツは 1 ページ目に収める（\newpage の前）
• 視覚的な階層を作るため、異なる色の tcolorbox 環境を使用する
• ボックスは一覧しやすく、最も重要な情報を強調すること
• 叙述的な段落ではなく、箇条書きを使用する
• 目次や詳細セクションの前に、1 ページ目の最後を \newpage で終える

1 ページ目の LaTeX 構成例:

\maketitle
\thispagestyle{empty}

% Report Information Box
\begin{tcolorbox}[colback=blue!5!white, colframe=blue!75!black, title=Report Information]
\textbf{Document Type:} Patient Cohort Analysis\\
\textbf{Disease State:} HER2-Positive Metastatic Breast Cancer\\
\textbf{Analysis Date:} \today\\
\textbf{Population:} 60 patients, biomarker-stratified by HR status
\end{tcolorbox}

\vspace{0.3cm}

% Key Finding #1: Primary Results
\begin{tcolorbox}[colback=blue!5!white, colframe=blue!75!black, title=Primary Efficacy Results]
\begin{itemize}
    \item Overall ORR: 72\% (95\% CI: 59-83\%)
    \item Median PFS: 18.5 months (95\% CI: 14.2-22.8)
    \item Median OS: 35.2 months (95\% CI: 28.1-NR)
\end{itemize}
\end{tcolorbox}

\vspace{0.3cm}

% Key Finding #2: Biomarker Insights
\begin{tcolorbox}[colback=green!5!white, colframe=green!75!black, title=Biomarker Stratification Findings]
\begin{itemize}
    \item HR+/HER2+: ORR 68\%, median PFS 16.2 months
    \item HR-/HER2+: ORR 78\%, median PFS 22.1 months
    \item HR status significantly associated with outcomes (p=0.041)
\end{itemize}
\end{tcolorbox}

\vspace{0.3cm}

% Key Finding #3: Clinical Implications
\begin{tcolorbox}[colback=orange!5!white, colframe=orange!75!black, title=Clinical Recommendations]
\begin{itemize}
    \item Strong efficacy observed regardless of HR status (Grade 1A)
    \item HR-/HER2+ patients showed numerically superior outcomes
    \item Treatment recommended for all HER2+ MBC patients
\end{itemize}
\end{tcolorbox}

\newpage
\tableofcontents  % TOC on page 2
\newpage  % Detailed content starts page 3

患者コホート分析（詳細セクション - 3ページ以降）

• コホートの特徴: 人口統計学的情報、ベースラインの特徴、患者選択基準
• バイオマーカー層別化: 分子サブタイプ、ゲノム異常、IHC プロファイル
• 治療曝露: 投与された治療、用量、サブグループ別の治療期間
• アウトカム分析: 奏効率（ORR、DCR）、生存データ（OS、PFS）、DOR
• 統計手法: Kaplan-Meier 生存曲線、ハザード比、log-rank 検定、Cox 回帰
• サブグループ比較: バイオマーカー別の有効性、フォレストプロット、統計的有意性
• 安全性プロファイル: サブグループ別の有害事象、用量調整、投与中止
• 臨床推奨事項: バイオマーカープロファイルに基づく治療上の示唆
• 図: ウォーターフォールプロット、スイマープロット、生存曲線、フォレストプロット
• 表: 人口統計表、バイオマーカー頻度、サブグループ別アウトカム

治療推奨レポート（詳細セクション - 3ページ以降）

治療推奨の1ページ目エグゼクティブサマリーに含めるべき内容:

1. レポート情報ボックス: 疾患状態、ガイドラインのバージョン／日付、対象集団
2. 主要推奨ボックス（緑）: 治療ライン別の GRADE 評価付き推奨を上位3～5件
3. バイオマーカー判断基準ボックス（青）: 治療選択に影響する主要な分子マーカー
4. エビデンスサマリーボックス（灰色）: 推奨を裏付ける主要試験（例: KEYNOTE-189、FLAURA）
5. 重要モニタリングボックス（オレンジ／赤）: 必須の安全性モニタリング要件

詳細セクション（3ページ以降）:

• 臨床的背景: 疾患状態、疫学、現在の治療の状況
• 対象集団: 患者特性、バイオマーカー基準、病期分類
• エビデンスレビュー: 体系的な文献統合、ガイドラインの要約、試験データ
• 治療選択肢: 作用機序を含む利用可能な治療法
• エビデンスグレーディング: 各推奨に対する GRADE 評価（1A、1B、2A、2B、2C）
• ライン別の推奨: 一次治療、二次治療、それ以降の治療
• バイオマーカーに基づく選択: 分子プロファイルに基づく判断基準
• 治療アルゴリズム: 意思決定の経路を示す TikZ フローチャート
• モニタリングプロトコル: 安全性評価、有効性モニタリング、用量調整
• 特別な集団: 高齢者、腎機能・肝機能障害、併存疾患
• 参考文献: 試験名と引用を含む完全な文献目録

出力形式

必須の1ページ目の要件:

• 1ページ目: 3～5個のカラーの tcolorbox 要素を含む、ページ全体を使ったエグゼクティブサマリー
• 2ページ目: 目次（任意）
• 3ページ目以降: 方法、結果、図、表を含む詳細セクション

文書仕様:

• 主な形式: コンパクトでデータ密度の高い提示のため、余白0.5インチの LaTeX/PDF
• 分量: 通常5～15ページ（1ページのエグゼクティブサマリー + 4～14ページの詳細内容）
• スタイル: 出版品質、医薬品グレード、規制当局への提出に適したもの
• 1ページ目: 必ず1ページ全体にわたる完全なエグゼクティブサマリー（文書構成のセクションを参照）

視覚要素:

• 色:
  • 1ページ目のボックス: 青=データ・情報、緑=バイオマーカー・推奨、黄色/オレンジ=臨床的示唆、赤=警告
  • 推奨ボックス（緑=強い推奨、黄色=条件付き、青=追加研究が必要）
  • バイオマーカー層別化（色分けされた分子サブタイプ）
  • 統計的有意性（色分けされた p 値、ハザード比）
• 表:
  • ベースライン特性を含む人口統計
  • サブグループ別のバイオマーカー頻度
  • アウトカム表（分子サブタイプ別の ORR、PFS、OS、DOR）
  • コホート別の有害事象
  • GRADE 評価を含むエビデンスサマリー表
• 図:
  • ログランク p 値とリスク集団数の表を伴う Kaplan-Meier 生存曲線
  • 患者ごとの最良効果を示すウォーターフォールプロット
  • 信頼区間を伴うサブグループ解析のフォレストプロット
  • TikZ による意思決定アルゴリズムのフローチャート
  • 個々の患者の経過を示すスイマープロット
• 統計: 95% CI を伴うハザード比、p 値、中央生存期間、ランドマーク生存率
• コンプライアンス: HIPAA Safe Harbor に基づく非識別化、専有データに対する機密性の注記

統合

このスキルは以下と統合されます:

• scientific-writing: 引用管理、統計報告、エビデンス統合
• clinical-reports: 医療用語、HIPAA コンプライアンス、規制関連文書
• scientific-schematics: 意思決定アルゴリズムと治療経路のための TikZ フローチャート
• treatment-plans: コホートから得られた知見の個々の患者への応用（双方向）

Treatment-Plans スキルとの主な違い

臨床意思決定支援（本スキル）:

• 対象読者: 製薬企業、臨床研究者、ガイドライン委員会、メディカルアフェアーズ
• 範囲: 集団レベルの解析、エビデンス統合、ガイドライン策定
• 焦点: バイオマーカー層別化、統計的比較、エビデンスの格付け
• 出力: 多数の図表を含む複数ページの分析文書（通常5～15ページ）
• 用途: 医薬品開発、規制当局への提出、臨床診療ガイドライン、医療戦略
• 例: 「ホルモン受容体の状態別に、生存アウトカムを伴う HER2 陽性乳がん患者60例を解析する」

Treatment-Plans スキル:

• 対象読者: 臨床医、患者、ケアチーム
• 範囲: 個々の患者のケア計画
• 焦点: SMART 目標、患者固有の介入、モニタリング計画
• 出力: 簡潔な1～4ページの実行可能なケアプラン
• 用途: 病床での臨床ケア、EMR への記録、患者中心の計画
• 例: 「新たに2型糖尿病と診断された55歳の患者の治療計画を作成する」

使い分け:

• clinical-decision-support は次の場合に使用: コホート解析、バイオマーカー層別化研究、治療ガイドライン策定、製薬戦略文書
• treatment-plans は次の場合に使用: 個々の患者のケアプラン、特定の患者向けの治療プロトコル、病床での臨床記録

使用例

患者コホート解析

例1: NSCLC バイオマーカー層別化

> Analyze a cohort of 45 NSCLC patients stratified by PD-L1 expression (<1%, 1-49%, ≥50%) 
> receiving pembrolizumab. Include outcomes: ORR, median PFS, median OS with hazard ratios 
> comparing PD-L1 ≥50% vs <50%. Generate Kaplan-Meier curves and waterfall plot.

例2: GBM 分子サブタイプ解析

> Generate cohort analysis for 30 GBM patients classified into Cluster 1 (Mesenchymal-Immune-Active) 
> and Cluster 2 (Proneural) molecular subtypes. Compare outcomes including median OS, 6-month PFS rate, 
> and response to TMZ+bevacizumab. Include biomarker profile table and statistical comparison.

例3: 乳がん HER2 コホート

> Analyze 60 HER2-positive metastatic breast cancer patients treated with trastuzumab-deruxtecan, 
> stratified by prior trastuzumab exposure (yes/no). Include ORR, DOR, median PFS with forest plot 
> showing subgroup analyses by hormone receptor status, brain metastases, and number of prior lines.

治療推奨レポート

例 1: HER2 陽性転移性乳がんのガイドライン

> Create evidence-based treatment recommendations for HER2-positive metastatic breast cancer including 
> biomarker-guided therapy selection. Use GRADE system to grade recommendations for first-line 
> (trastuzumab+pertuzumab+taxane), second-line (trastuzumab-deruxtecan), and third-line options. 
> Include decision algorithm flowchart based on brain metastases, hormone receptor status, and prior therapies.

例 2: 進行非小細胞肺がん（NSCLC）の治療アルゴリズム

> Generate treatment recommendation report for advanced NSCLC based on PD-L1 expression, EGFR mutation, 
> ALK rearrangement, and performance status. Include GRADE-graded recommendations for each molecular subtype, 
> TikZ flowchart for biomarker-directed therapy selection, and evidence tables from KEYNOTE-189, FLAURA, 
> and CheckMate-227 trials.

例 3: 多発性骨髄腫の治療ライン順序の決定

> Create treatment algorithm for newly diagnosed multiple myeloma through relapsed/refractory setting. 
> Include GRADE recommendations for transplant-eligible vs ineligible, high-risk cytogenetics considerations, 
> and sequencing of daratumumab, carfilzomib, and CAR-T therapy. Provide flowchart showing decision points 
> at each line of therapy.

主な機能

バイオマーカー分類

• ゲノム: 変異、CNV、遺伝子融合
• 発現: RNA-seq、IHC スコア
• 分子サブタイプ: 疾患固有の分類
• 臨床的アクショナビリティ: 治療選択のガイダンス

アウトカム指標

• 生存: OS（全生存期間）、PFS（無増悪生存期間）
• 奏効: ORR（客観的奏効率）、DOR（奏効期間）、DCR（病勢コントロール率）
• QOL: ECOG パフォーマンスステータス、症状負担
• 安全性: 有害事象、用量調整

統計手法

• 生存解析: カプラン・マイヤー曲線、ログランク検定
• 群間比較: t 検定、カイ二乗検定、Fisher の正確確率検定
• 効果量: ハザード比、95% CI 付きオッズ比
• 有意性: p 値、多重検定の補正

エビデンスグレーディング

GRADE システム

• 1A: 強い推奨、高品質のエビデンス
• 1B: 強い推奨、中等度の品質のエビデンス
• 2A: 弱い推奨、高品質のエビデンス
• 2B: 弱い推奨、中等度の品質のエビデンス
• 2C: 弱い推奨、低品質のエビデンス

推奨の強さ

• 強い: 利益がリスクを明確に上回る
• 条件付き: トレードオフが存在し、患者の価値観が重要
• 研究段階: エビデンスが不十分であり、臨床試験が必要

ベストプラクティス

コホート解析について

1. 患者選択の透明性: 組み入れ・除外基準、患者の流れ、除外理由を明確に記載する
2. バイオマーカーの明確化: アッセイ方法、プラットフォーム（例: FoundationOne、Caris）、カットオフ値、検証状況を明記する
3. 統計的厳密性:
   • p 値だけでなく、ハザード比と 95% 信頼区間を報告する
   • 生存解析には中央値の追跡期間を含める
   • 使用した統計検定（ログランク、Cox 回帰、Fisher の正確確率検定）を明記する
   • 必要に応じて多重比較を考慮する
4. アウトカムの定義: 標準的な基準を使用する:
   • 奏効: RECIST 1.1、免疫療法にはiRECIST
   • 有害事象: CTCAE version 5.0
   • パフォーマンスステータス: ECOG または Karnofsky
5. 生存データの提示:
   • 95% CI 付きの OS/PFS 中央値
   • 目標時点の生存率（6 か月、12 か月、24 か月）
   • カプラン・マイヤー曲線の下に リスク集団数（Number at risk）の表を示す
   • 打ち切りを明確に示す
6. サブグループ解析: サブグループを事前に規定し、探索的解析と事前計画された解析を明確に区別する
7. データの完全性: 欠測データとその取り扱い方法を報告する

治療推奨レポートについて

1. エビデンスグレーディングの透明性:
   • GRADE システムを一貫して使用する（1A、1B、2A、2B、2C）
   • 各グレードの根拠を記載する
   • エビデンスの質（高、中等度、低、非常に低）を明確に示す
2. 包括的なエビデンスレビュー:
   • 第 3 相ランダム化比較試験を主要なエビデンスとして含める
   • 新規治療には第 2 相のデータで補足する
   • リアルワールドエビデンスとメタ解析に言及する
   • 試験名を引用する（例: KEYNOTE-189、CheckMate-227）
3. バイオマーカーに基づく推奨:
   • 特定のバイオマーカーを治療推奨に結び付ける
   • 検査方法と検証済みアッセイを明記する
   • コンパニオン診断薬について FDA/EMA の承認状況を含める
4. 臨床的アクショナビリティ: すべての推奨には、明確な実施ガイダンスが必要である
5. 意思決定アルゴリズムの明確さ: TikZ フローチャートは、明確な「はい／いいえ」の判断ポイントを持ち、曖昧さがないようにする
6. 特別な集団: 高齢者、腎機能・肝機能障害、妊娠、薬物相互作用について取り上げる
7. モニタリングのガイダンス: 安全性検査、画像検査、およびその頻度を明記する
8. 更新頻度: 推奨の日付を記載し、定期的な更新計画を立てる

一般的なベストプラクティス

1. 1ページ目のエグゼクティブサマリー（必須）：
   • 1ページ目全体にわたる、完全なエグゼクティブサマリーを必ず作成してください
   • 重要な調査結果を強調するため、色付きのtcolorbox要素を3～5個使用してください
   • 1ページ目には目次や詳細なセクションを含めないでください
   • \thispagestyle{empty}を使用し、\newpageで終えてください
   • これが最も重要なページです。60秒で内容を把握できるようにしてください
2. 匿名化：文書の作成前に、HIPAAで定められた18種類の識別子をすべて削除してください（セーフハーバー方式）
3. 規制遵守：独自の製薬データには、機密保持に関する注意書きを含めてください
4. 出版可能な書式設定：0.5inの余白、プロフェッショナルなフォント、セクションごとの色分けを使用してください
5. 再現性：再現を可能にするため、すべての統計手法を記録してください
6. 利益相反：該当する場合は、製薬企業からの資金提供や関係性を開示してください
7. 視覚的階層：色付きボックスを一貫して使用してください（青＝データ、緑＝バイオマーカー、黄／オレンジ＝推奨、赤＝警告）

参考資料

詳細なガイダンスについては、references/ディレクトリを参照してください。

• 患者コホートの分析および層別化手法
• 治療推奨の策定
• 臨床意思決定アルゴリズム
• バイオマーカーの分類と解釈
• アウトカム分析および統計手法
• エビデンスの統合および評価システム

テンプレート

LaTeXテンプレートについては、assets/ディレクトリを参照してください。

• cohort_analysis_template.tex - 統計的比較を含む、バイオマーカーで層別化した患者コホート分析
• treatment_recommendation_template.tex - GRADE評価による、エビデンスに基づいた臨床実践ガイドライン
• clinical_pathway_template.tex - 治療の順序付けに関する、TikZによる意思決定アルゴリズムのフローチャート
• biomarker_report_template.tex - 分子サブタイプの分類およびゲノムプロファイルのレポート

テンプレートの機能：

• コンパクトなレイアウトを実現する0.5inの余白
• 推奨事項を色分けしたボックス
• 人口統計、バイオマーカー、アウトカム用のプロフェッショナルな表
• Kaplan-Meier曲線、ウォーターフォールプロット、フォレストプロットの組み込みサポート
• GRADEエビデンス評価表
• 製薬関連文書向けの機密保持ヘッダー

スクリプト

分析および可視化ツールについては、scripts/ディレクトリを参照してください。

• generate_survival_analysis.py - ログランク検定、ハザード比、95% CIを含むKaplan-Meier曲線の生成
• create_waterfall_plot.py - コホート分析用の最良効果の可視化
• create_forest_plot.py - 信頼区間を含むサブグループ分析の可視化
• create_cohort_tables.py - 人口統計、バイオマーカー頻度、アウトカムの表
• build_decision_tree.py - 治療アルゴリズム用のTikZフローチャート生成
• biomarker_classifier.py - 分子サブタイプ別の患者層別化アルゴリズム
• calculate_statistics.py - ハザード比、Cox回帰、ログランク検定、Fisherの正確確率検定
• validate_cds_document.py - 品質およびコンプライアンスのチェック（HIPAA、統計報告基準）
• grade_evidence.py - 治療推奨向けの自動GRADE評価支援ツール