clinical-decision-support

临床决策支持文档

描述

为制药公司、临床研究人员和医疗决策者生成专业的临床决策支持（CDS）文档。本技能专注于分析型、基于证据的文档，为治疗策略和药物研发提供参考：

1. 患者队列分析 - 按生物标志物分层的群体分析，并进行统计结局比较
2. 治疗建议报告 - 基于证据的临床指南，包含 GRADE 分级和决策算法

所有文档均以适用于制药研究、监管申报和临床指南制定的出版级 LaTeX/PDF 文件形式生成。

注意： 对于床旁个体患者治疗计划，请改用 treatment-plans 技能。本技能专注于制药/研究场景下的群体层面分析和证据综合。

写作风格： 如需撰写面向医学期刊的出版级文档，请参阅 venue-templates 技能中的 medical_journal_styles.md，了解结构式摘要、证据表述以及 CONSORT/STROBE 合规性指南。

功能

文档类型

患者队列分析

• 基于生物标志物的患者分层（分子亚型、基因表达、IHC）
• 分子亚型分类（例如，GBM 间充质-免疫活跃型与前神经型、乳腺癌亚型）
• 结局指标及统计分析（OS、PFS、ORR、DOR、DCR）
• 亚组间统计比较（风险比、p 值、95% CI）
• 使用 Kaplan-Meier 曲线和 log-rank 检验进行生存分析
• 疗效表格和瀑布图
• 比较疗效分析
• 制药领域的队列报告（试验亚组、真实世界证据）

治疗建议报告

• 针对特定疾病状态的循证治疗指南
• 建议强度分级（GRADE 系统：1A、1B、2A、2B、2C）
• 证据质量评估（高、中、低、极低）
• 使用 TikZ 图表绘制治疗算法流程图
• 基于生物标志物的治疗线次排序
• 基于临床和分子标准的决策路径
• 制药策略文档
• 面向医学会的临床指南制定

临床特性

• 生物标志物整合：基因组变异（突变、CNV、融合）、基因表达特征、IHC 标志物、PD-L1 评分
• 统计分析：风险比、p 值、置信区间、生存曲线、Cox 回归、log-rank 检验
• 证据分级：GRADE 系统（1A/1B/2A/2B/2C）、Oxford CEBM 等级、证据质量评估
• 临床术语：SNOMED-CT、LOINC、规范的医学命名法、试验命名法
• 法规合规：HIPAA 去标识化、保密标头、符合 ICH-GCP
• 专业排版：紧凑的 0.5in 页边距、建议颜色编码、出版级质量，适用于监管申报

制药与研究用例

本技能专为制药和临床研究应用而设计：

药物开发

• 2/3 期试验分析：按生物标志物分层的疗效和安全性分析
• 亚组分析：展示患者亚组治疗效应的森林图
• 伴随诊断开发：将生物标志物与药物反应相关联
• 监管申报：包含证据摘要的 IND/NDA 文档

医学事务

• KOL 教育材料：面向意见领袖的循证治疗算法
• 医学策略文档：竞争格局与定位策略
• 顾问委员会材料：队列分析和治疗推荐框架
• 发表规划：面向同行评审期刊的稿件级分析

临床指南

• 指南制定：面向专业学会的 GRADE 方法学证据综合
• 共识建议：多方利益相关者参与的治疗算法制定
• 实践标准：基于生物标志物的治疗选择标准
• 质量指标：循证绩效指标

真实世界证据

• RWE 队列研究：基于 EMR 数据的患者队列回顾性分析
• 比较效果：真实世界环境中的头对头治疗比较
• 结局研究：临床实践中的长期生存和安全性
• 卫生经济学：按生物标志物亚组进行的成本效果分析

何时使用

当你需要执行以下操作时，请使用本技能：

• 分析患者队列，按生物标志物、分子亚型或临床特征分层
• 生成治疗推荐报告，附带面向临床指南或制药策略的证据分级
• 比较结局，在患者亚组之间进行统计分析（生存期、缓解率、风险比）
• 生成制药研究文档，用于药物开发、临床试验或监管申报
• 制定临床实践指南，包含 GRADE 证据分级和决策算法
• 记录生物标志物指导的治疗选择，在群体层面（而非个体患者）
• 综合证据，来自多项试验或真实世界数据源
• 创建临床决策算法，包含治疗排序流程图

请勿将本技能用于：

• 个体患者治疗方案（使用 treatment-plans 技能）
• 床旁临床诊疗文档（使用 treatment-plans 技能）
• 简单的患者专属治疗方案（使用 treatment-plans 技能）

使用科学示意图进行视觉增强

⚠️ 强制要求：每份临床决策支持文档都必须包含至少 1-2 张使用 scientific-schematics 技能生成的 AI 图。

这不是可选项。临床决策文档需要清晰的视觉算法。在最终确定任何文档之前：

1. 至少生成一个示意图或图表（例如，临床决策算法、治疗路径或生物标志物分层树）
2. 对于队列分析：包含患者流程图
3. 对于治疗建议：包含决策流程图

如何生成图：

• 使用 scientific-schematics 技能生成 AI 驱动的出版级质量图表
• 只需用自然语言描述你想要的图表
• Nano Banana Pro 将自动生成、审查并优化示意图

如何生成示意图：

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

AI 将自动：

• 创建格式规范的出版级质量图像
• 通过多次迭代进行审查和优化
• 确保可访问性（色盲友好、高对比度）
• 将输出保存在 figures/ 目录中

何时添加示意图：

• 临床决策算法流程图
• 治疗路径图
• 生物标志物分层树
• 患者队列流程图（CONSORT 风格）
• 生存曲线可视化
• 分子机制图
• 任何受益于可视化的复杂概念

有关创建示意图的详细指导，请参阅 scientific-schematics 技能文档。

---

文档结构

关键要求：所有临床决策支持文档都必须在第 1 页以完整的执行摘要开头，并在任何目录或详细章节之前占满整个第一页。

第 1 页执行摘要结构

每份 CDS 文档的第一页应仅包含执行摘要，并包含以下组成部分：

必需元素（全部位于第 1 页）：

1. 文档标题和类型

   • 主标题（例如，“生物标志物分层队列分析”或“循证治疗建议”）
   • 包含疾病状态和重点的副标题

2. 报告信息框（使用彩色 tcolorbox）

   • 文档类型和目的
   • 分析/报告日期
   • 疾病状态和患者人群
   • 作者/机构（如适用）
   • 分析框架或方法

3. 关键发现框（使用 tcolorbox 的 3-5 个彩色框）

   • 主要结果（蓝色框）：主要疗效/结局发现
   • 生物标志物洞察（绿色框）：关键分子亚型发现
   • 临床意义（黄色/橙色框）：可操作的治疗意义
   • 统计摘要（灰色框）：风险比、p 值、关键统计数据
   • 安全性亮点（红色框，如适用）：关键不良事件或警告

视觉要求：

• 使用 \thispagestyle{empty} 移除第 1 页的页码
• 所有内容必须适应第 1 页（在 \newpage 之前）
• 使用具有不同颜色的彩色 tcolorbox 环境来体现视觉层级
• 框应便于快速浏览，并突出最关键的信息
• 使用项目符号，而不是叙述性段落
• 在目录或详细章节之前，以 \newpage 结束第 1 页

第 1 页 LaTeX 结构示例：

\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

患者队列分析（详细章节 - 第 3 页起）

• 队列特征：人口统计学、基线特征、患者选择标准
• 生物标志物分层：分子亚型、基因组改变、IHC 特征
• 治疗暴露：按亚组划分的接受治疗、给药方案、治疗持续时间
• 结局分析：缓解率（ORR、DCR）、生存数据（OS、PFS）、DOR
• 统计方法：Kaplan-Meier 生存曲线、风险比、log-rank 检验、Cox 回归
• 亚组比较：生物标志物分层的疗效、森林图、统计学显著性
• 安全性特征：按亚组划分的不良事件、剂量调整、停药
• 临床建议：基于生物标志物特征的治疗启示
• 图表：瀑布图、泳道图、生存曲线、森林图
• 表格：人口统计学表、生物标志物频率、按亚组划分的结局

治疗推荐报告（详细章节 - 第 3 页起）

治疗推荐的第 1 页执行摘要应包含：

1. 报告信息框：疾病状态、指南版本/日期、目标人群
2. 关键推荐框（绿色）：按治疗线数排列的前 3-5 条 GRADE 分级推荐
3. 生物标志物决策标准框（蓝色）：影响治疗选择的关键分子标志物
4. 证据摘要框（灰色）：支持推荐的主要试验（例如 KEYNOTE-189、FLAURA）
5. 关键监测框（橙色/红色）：必要的安全性监测要求

详细章节（第 3 页起）：

• 临床背景：疾病状态、流行病学、当前治疗格局
• 目标人群：患者特征、生物标志物标准、分期
• 证据回顾：系统性文献综合、指南摘要、试验数据
• 治疗选择：可用的疗法及其作用机制
• 证据分级：每条推荐的 GRADE 评估（1A、1B、2A、2B、2C）
• 按线数划分的推荐：一线、二线、后续治疗
• 生物标志物指导的选择：基于分子特征的决策标准
• 治疗算法：展示决策路径的 TikZ 流程图
• 监测方案：安全性评估、疗效监测、剂量调整
• 特殊人群：老年人、肾功能/肝功能损害、合并症
• 参考文献：包含试验名称和引用的完整文献目录

输出格式

强制首页要求：

• 第 1 页：整页执行摘要，包含 3-5 个彩色 tcolorbox 元素
• 第 2 页：目录（可选）
• 第 3 页起：详细章节，包含方法、结果、图和表

文档规范：

• 主要格式：LaTeX/PDF，页边距 0.5in，以实现紧凑、数据密集的呈现
• 长度：通常为 5-15 页（1 页执行摘要 + 4-14 页详细内容）
• 风格：达到出版就绪、制药级标准，适合监管提交
• 首页：始终为完整的执行摘要，占据整个第 1 页（参见文档结构章节）

视觉元素：

• 颜色：
  • 第 1 页方框：蓝色=数据/信息，绿色=生物标志物/建议，黄色/橙色=临床意义，红色=警告
  • 建议方框（绿色=强推荐，黄色=有条件推荐，蓝色=需要研究）
  • 生物标志物分层（按颜色编码的分子亚型）
  • 统计学显著性（按颜色编码的 p 值、风险比）
• 表格：
  • 含基线特征的人口统计学
  • 按亚组划分的生物标志物频率
  • 结局表（按分子亚型划分的 ORR、PFS、OS、DOR）
  • 按队列划分的不良事件
  • 含 GRADE 评级的证据总结表
• 图：
  • 带 log-rank p 值和风险人数表的 Kaplan-Meier 生存曲线
  • 显示每例患者最佳缓解的瀑布图
  • 带置信区间的亚组分析森林图
  • 用于决策算法的 TikZ 流程图
  • 用于个体患者时间线的泳者图
• 统计：带 95% CI 的风险比、p 值、中位生存时间、界标生存率
• 合规：依据 HIPAA Safe Harbor 进行去标识化，对专有数据提供保密声明

集成

本技能可与以下项集成：

• scientific-writing：引文管理、统计报告、证据综合
• clinical-reports：医学术语、HIPAA 合规、监管文档
• scientific-schematics：用于决策算法和治疗路径的 TikZ 流程图
• treatment-plans：队列衍生洞见的个体患者应用（双向）

与 Treatment-Plans 技能的关键区别

临床决策支持（本技能）：

• 受众：制药公司、临床研究人员、指南委员会、医学事务
• 范围：人群水平分析、证据综合、指南制定
• 重点：生物标志物分层、统计学比较、证据分级
• 输出：多页分析文档（通常 5-15 页），包含大量图和表
• 用例：药物开发、监管提交、临床实践指南、医学策略
• 示例：“分析 60 例 HER2+ 乳腺癌患者按激素受体状态划分的生存结局”

Treatment-Plans 技能：

• 受众：临床医生、患者、照护团队
• 范围：个体患者照护规划
• 重点：SMART 目标、患者特异性干预、监测计划
• 输出：简洁的 1-4 页可执行照护计划
• 用例：床旁临床照护、EMR 文档记录、以患者为中心的规划
• 示例：“为新诊断 2 型糖尿病的 55 岁患者制定治疗计划”

何时使用各技能：

• 使用 clinical-decision-support 于：队列分析、生物标志物分层研究、治疗指南制定、制药策略文档
• 使用 treatment-plans 于：个体患者照护计划、特定患者的治疗方案、床旁临床文档记录

示例用法

患者队列分析

示例 1：NSCLC 生物标志物分层

> 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.

示例 2：GBM 分子亚型分析

> 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.

示例 3：乳腺癌 HER2 队列

> 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.

治疗推荐报告

示例 1：HER2+ 转移性乳腺癌指南

> 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.

示例 2：晚期 NSCLC 治疗算法

> 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.

示例 3：多发性骨髓瘤治疗线序贯

> 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.

主要功能

生物标志物分类

• 基因组：突变、CNV、基因融合
• 表达：RNA-seq、IHC 评分
• 分子亚型：疾病特异性分类
• 临床可操作性：治疗选择指导

结局指标

• 生存：OS（总生存期）、PFS（无进展生存期）
• 缓解：ORR（客观缓解率）、DOR（缓解持续时间）、DCR（疾病控制率）
• 质量：ECOG 体能状态、症状负担
• 安全性：不良事件、剂量调整

统计方法

• 生存分析：Kaplan-Meier 曲线、log-rank 检验
• 组间比较：t 检验、卡方检验、Fisher 精确检验
• 效应量：风险比、比值比及 95% CI
• 显著性：p 值、多重检验校正

证据分级

GRADE 系统

• 1A：强推荐，高质量证据
• 1B：强推荐，中等质量证据
• 2A：弱推荐，高质量证据
• 2B：弱推荐，中等质量证据
• 2C：弱推荐，低质量证据

推荐强度

• 强：获益明显大于风险
• 条件性：存在权衡取舍，患者价值观很重要
• 研究性：证据不足，需要临床试验

最佳实践

针对队列分析

1. 患者选择透明度：清楚记录纳入/排除标准、患者流程以及排除原因
2. 生物标志物清晰性：说明检测方法、平台（例如 FoundationOne、Caris）、cut-off 值和验证状态
3. 统计严谨性：
   • 报告风险比及 95% 置信区间，而不仅仅是 p 值
   • 在生存分析中纳入中位随访时间
   • 说明所使用的统计检验（log-rank、Cox 回归、Fisher 精确检验）
   • 在适当情况下考虑多重比较
4. 结局定义：使用标准标准：
   • 缓解：RECIST 1.1、免疫治疗使用 iRECIST
   • 不良事件：CTCAE 5.0 版
   • 体能状态：ECOG 或 Karnofsky
5. 生存数据呈现：
   • 中位 OS/PFS 及 95% CI
   • 界标生存率（6 个月、12 个月、24 个月）
   • Kaplan-Meier 曲线下方的风险人数表
   • 清楚标示删失
6. 亚组分析：预先指定亚组；清楚标注探索性分析与预先计划分析
7. 数据完整性：报告缺失数据及其处理方式

针对治疗推荐报告

1. 证据分级透明度：
   • 一致使用 GRADE 系统（1A、1B、2A、2B、2C）
   • 记录每个分级的理由
   • 清楚说明证据质量（高、中等、低、极低）
2. 全面证据回顾：
   • 纳入 3 期随机试验作为主要证据
   • 用 2 期数据补充新兴疗法
   • 注明真实世界证据和荟萃分析
   • 引用试验名称（例如 KEYNOTE-189、CheckMate-227）
3. 生物标志物指导的推荐：
   • 将特定生物标志物与治疗推荐关联
   • 说明检测方法和已验证的检测
   • 纳入伴随诊断的 FDA/EMA 批准状态
4. 临床可操作性：每条推荐都应有明确的实施指导
5. 决策算法清晰性：TikZ 流程图应无歧义，并具有明确的 yes/no 决策点
6. 特殊人群：处理老年人、肾功能/肝功能损害、妊娠、药物相互作用
7. 监测指导：说明安全性实验室检查、影像学检查和频率
8. 更新频率：为推荐标注日期，并计划定期更新

通用最佳实践

1. 首页执行摘要（必须）：
   • 始终在第 1 页编写完整的执行摘要，并使其占满整页
   • 使用 3–5 个彩色 tcolorbox 元素突出关键发现
   • 第 1 页不得包含目录或详细章节
   • 使用 \thispagestyle{empty}，并以 \newpage 结束
   • 这是最重要的一页，应能在 60 秒内快速浏览完毕
2. 去标识化：生成文档前移除全部 18 项 HIPAA 标识符（安全港方法）
3. 法规合规：为专有药品数据添加保密声明
4. 适于发表的格式：使用 0.5in 页边距、专业字体和颜色编码的章节
5. 可复现性：记录所有统计方法，以便复现
6. 利益冲突：适用时披露药品资助或相关关系
7. 视觉层级：一致使用彩色文本框（蓝色＝数据，绿色＝生物标志物，黄色／橙色＝建议，红色＝警告）

参考资料

详细指南请参见 references/ 目录，内容包括：

• 患者队列分析和分层方法
• 治疗建议的制定
• 临床决策算法
• 生物标志物分类与解读
• 结局分析和统计方法
• 证据综合与分级体系

模板

LaTeX 模板请参见 assets/ 目录：

• cohort_analysis_template.tex - 按生物标志物分层的患者队列分析及统计比较
• treatment_recommendation_template.tex - 基于证据的临床实践指南及 GRADE 分级
• clinical_pathway_template.tex - 用于治疗顺序安排的 TikZ 决策算法流程图
• biomarker_report_template.tex - 分子亚型分类和基因组特征报告

模板功能：

• 0.5in 页边距，版面紧凑
• 颜色编码的建议文本框
• 用于人口统计学、生物标志物和结局的专业表格
• 内置支持 Kaplan-Meier 曲线、瀑布图和森林图
• GRADE 证据分级表
• 药品文档的保密页眉

脚本

分析和可视化工具请参见 scripts/ 目录：

• generate_survival_analysis.py - 生成 Kaplan-Meier 曲线，包含 log-rank 检验、风险比和 95% CI
• create_waterfall_plot.py - 可视化队列分析中的最佳疗效
• create_forest_plot.py - 可视化亚组分析及置信区间
• create_cohort_tables.py - 生成人口统计学、生物标志物频率和结局表
• build_decision_tree.py - 为治疗算法生成 TikZ 流程图
• biomarker_classifier.py - 按分子亚型对患者进行分层的算法
• calculate_statistics.py - 计算风险比、Cox 回归、log-rank 检验和 Fisher 精确检验
• validate_cds_document.py - 质量与合规性检查（HIPAA、统计报告标准）
• grade_evidence.py - 用于治疗建议的自动化 GRADE 评估辅助工具