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。此技能专注于分析性、基于证据的文档，为治疗策略和药物开发提供依据：

1. 患者队列分析 - 按生物标志物分层的组间分析，带统计结果比较
2. 治疗推荐报告 - 基于证据的临床指南，带 GRADE 分级和决策算法

所有文档均生成为可发表的 LaTeX/PDF 文件，针对制药研究、监管申报和临床指南制定进行了优化。

注意： 对于床旁个体患者治疗计划，请改用 treatment-plans 技能。此技能专注于制药/研究环境下的组水平分析和证据综合。

能力

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 vs 前神经型、乳腺癌亚型）
• 带统计分析的结局指标（OS、PFS、ORR、DOR、DCR）
• 亚组之间的统计比较（风险比、p 值、95% CI）
• 带 Kaplan-Meier 曲线和对数秩检验的生存分析
• 疗效表格和瀑布图
• 比较效果分析
• 制药队列报告（试验亚组、真实世界证据）

治疗推荐报告

• 针对特定疾病状态的基于证据的治疗指南
• 推荐强度分级（GRADE 系统：1A、1B、2A、2B、2C）
• 证据质量评估（高、中、低、极低）
• 带 TikZ 图的治疗算法流程图
• 基于生物标志物的治疗线序贯
• 带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：基因组改变（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、对数秩检验
• 证据分级：GRADE 系统（1A/1B/2A/2B/2C）、Oxford CEBM 级别、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
• 监管合规：HIPAA 去标识化、机密性标题、ICH-GCP 对齐
• 专业排版：紧凑的 0.5in 页边距、颜色编码的推荐、可发表、适合监管申报

制药与研究用例

此技能专为制药和临床研究应用而设计：

药物开发

• II/III 期试验分析：按生物标志物分层的疗效与安全性分析
• 亚组分析：通过森林图展示不同患者亚组的治疗效果
• 伴随诊断开发：关联生物标志物与药物反应
• 监管申报：附带证据摘要的 IND/NDA 文档

医学事务

• KOL 教育材料：为意见领袖准备基于证据的治疗算法
• 医学策略文档：竞争格局与定位策略
• 顾问委员会材料：队列分析与治疗建议框架
• 发表规划：适用于同行评审期刊的、可用于稿件的分析

临床指南

• 指南制定：采用 GRADE 方法为专科协会综合证据
• 共识建议：多方利益相关者共同制定治疗算法
• 实践标准：基于生物标志物的治疗选择标准
• 质量指标：基于证据的绩效指标

真实世界证据

• RWE 队列研究：基于电子病历数据对患者队列进行回顾性分析
• 比较疗效：在真实世界环境中进行直接治疗比较
• 结局研究：临床实践中的长期生存与安全性
• 卫生经济学：按生物标志物亚组开展成本效益分析

适用场景

在需要执行以下操作时使用此技能：

• 分析患者队列，按生物标志物、分子亚型或临床特征分层
• 生成治疗建议报告，为临床指南或制药策略提供证据评级
• 比较结局，通过统计分析比较不同患者亚组（生存、响应率、风险比）
• 编制制药研究文档，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 证据评级和决策算法
• 记录生物标志物指导的疗法选择，适用于群体层面（而非个体患者）
• 综合多项试验或真实世界数据来源的证据
• 创建临床决策算法，通过流程图展示治疗顺序

请勿将此技能用于：

• 个体患者治疗计划（使用 treatment-plans 技能）
• 床旁临床护理文档（使用 treatment-plans 技能）
• 简单的患者专属治疗方案（使用 treatment-plans 技能）

文档结构

关键要求：所有临床决策支持文档必须从第 1 页开始提供完整的执行摘要，并且执行摘要应占据整页，之后才能出现目录或详细章节。

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，并包含以下要素：

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”）
   • 副标题，注明疾病状态和重点

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
   • 生物标志物见解（绿色框）：关键分子亚型发现
   • 临床意义（黄色/橙色框）：可执行的治疗建议
   • 统计摘要（灰色框）：风险比、p 值、关键统计数据
   • 安全性要点（红色框，如适用）：重要不良事件或警告

视觉要求：

• 使用 \thispagestyle{empty} 移除第 1 页的页码
• 所有内容都必须放在第 1 页（位于 \newpage 之前）
• 使用不同颜色的 tcolorbox 环境建立视觉层次
• 框内内容应便于快速浏览，并突出最重要的信息
• 使用项目符号，不要使用叙述性段落
• 在目录或详细章节之前，以 \newpage 结束第 1 页

第一页 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：人口统计信息、基线特征、患者筛选标准
• 生物标志物分层：分子亚型、基因组变异、IHC 特征
• 治疗暴露：接受的治疗、剂量、各亚组的治疗时长
• 结局分析：应答率（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：按生物标志物分层的疗效、森林图、统计显著性
• 安全性特征：各亚组的不良事件、剂量调整、停药情况
• 临床建议：基于生物标志物特征的治疗建议
• 图表：瀑布图、泳道图、生存曲线、森林图
• 表格：人口统计信息表、生物标志物频率、各亚组结局

治疗建议报告（详细章节——第 3 页起）

治疗建议报告的第 1 页执行摘要应包括：

1. 报告信息框：疾病状态、指南版本/日期、目标人群
2. 关键建议框（绿色）：按治疗线次列出的 3–5 条最高优先级 GRADE 分级建议
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）：支持建议的主要试验（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
• 证据审查：系统性文献综述、指南摘要、试验数据
• 治疗方案：可用疗法及其作用机制
• 证据分级：对每条建议进行 GRADE 评估（1A、1B、2A、2B、2C）
• 按治疗线次给出的建议：一线、二线及后续治疗
• 生物标志物指导的治疗选择：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/肝功能损害患者、合并症患者
• 参考文献：包含试验名称和引文的完整参考文献目录

输出格式

强制性首页要求：

• 第 1 页：完整的单页执行摘要，包含 3-5 个彩色 tcolorbox 元素
• 第 2 页：目录（可选）
• 第 3 页及之后：包含方法、结果、图表和表格的详细章节

文档规范：

• 首选格式：LaTeX/PDF，页边距为 0.5in，以实现紧凑、高信息密度的呈现
• 篇幅：通常为 5-15 页（1 页执行摘要 + 4-14 页详细内容）
• 风格：达到出版标准、符合制药行业要求，适用于监管申报
• 首页：第 1 页始终为完整的执行摘要，覆盖整页（参见“文档结构”章节）

视觉元素：

• 颜色：
  • 首页信息框：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
  • 建议框（绿色=强烈建议，黄色=有条件建议，蓝色=需要进一步研究）
  • 生物标志物分层（按分子亚型进行颜色编码）
  • 统计显著性（对 p 值、风险比进行颜色编码）
• 表格：
  • 人口统计学特征及基线特征
  • 各亚组的生物标志物频率
  • 结局表（按分子亚型列出 ORR、PFS、OS、DOR）
  • 按队列列出的不良事件
  • 含 GRADE 评级的证据摘要表
• 图表：
  • Kaplan-Meier 生存曲线，标注 log-rank p 值和风险人数表
  • 瀑布图，显示每位患者的最佳疗效
  • 亚组分析森林图，含置信区间
  • 用 TikZ 绘制的决策算法流程图
  • 显示个体患者时间线的游泳图
• 统计数据：风险比及 95% CI、p 值、中位生存时间、里程碑生存率
• 合规要求：依据 HIPAA Safe Harbor 进行去标识化；为专有数据添加保密声明

集成

此技能与以下内容集成：

• 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：将队列分析所得见解应用于个体患者（双向集成）

与 Treatment-Plans 技能的主要区别

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、医学事务部门
• 范围：人群层面分析、证据综合、指南制定
• 重点：生物标志物分层、统计比较、证据评级
• 输出：包含大量图表和表格的多页分析文档（通常为 5-15 页）
• 用途：药物开发、监管申报、临床实践指南、医学策略
• 示例：“按激素受体状态分析 60 名 HER2+ 乳腺癌患者的生存结局”

Treatment-Plans 技能：

• 受众：临床医生、患者、护理团队
• 范围：个体患者护理计划
• 重点：SMART 目标、患者特定干预措施、监测计划
• 输出：简明的 1-4 页可执行护理计划
• 用途：床旁临床护理、EMR 文档、以患者为中心的计划制定
• 示例：“为一名新确诊 2 型糖尿病的 55 岁患者制定治疗计划”

何时使用：

• 以下情况使用 clinical-decision-support：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
• 以下情况使用 treatment-plans：个体患者护理计划、针对特定患者的治疗方案、床旁临床文档

使用示例

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排序

> 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
• 有条件：存在权衡，患者价值观很重要
• 研究：证据不足，需要开展临床试验

最佳实践

队列分析

1. 患者选择透明度：清楚记录纳入/排除标准、患者流程及排除原因
2. 生物标志物说明：注明检测方法、平台（例如 FoundationOne、Caris）、截断值及验证状态
3. 统计严谨性：
   • 报告风险比及 95% 置信区间，而不仅是 p 值
   • 在生存分析中注明中位随访时间
   • 注明所用统计检验（log-rank、Cox 回归、Fisher 精确检验）
   • 适当处理多重比较
4. 结局定义：采用标准判定标准：
   • 缓解：RECIST 1.1；免疫治疗采用 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
   • 特定时间点的生存率（6 个月、12 个月、24 个月）
   • 在 Kaplan-Meier 曲线下方列出风险人数表
   • 清楚标示删失数据
6. 亚组分析：预先指定亚组；清楚标明探索性分析与预先计划的分析
7. 数据完整性：报告缺失数据及其处理方式

治疗推荐报告

1. 证据分级透明度：
   • 一致采用 GRADE 系统（1A、1B、2A、2B、2C）
   • 记录各等级的判定理由
   • 清楚说明证据质量（高、中等、低、极低）
2. 全面的证据审查：
   • 将 3 期随机试验作为主要证据
   • 使用 2 期数据补充新兴疗法的证据
   • 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起来
   • 注明检测方法和经过验证的检测方法
   • 注明伴随诊断的 FDA/EMA 批准状态
4. 临床可操作性：每项推荐都应提供清晰的实施指导
5. 决策算法清晰度：TikZ 流程图应明确无歧义，并清楚标示是/否决策节点
6. 特殊人群：涵盖老年人、肾/肝功能损害者、孕妇及药物相互作用
7. 监测指导：注明安全性实验室检查、影像检查及检查频率
8. 更新频率：注明推荐日期并制定定期更新计划

通用最佳实践

1. 第一页执行摘要（强制要求）：
   • 务必在第 1 页创建完整的执行摘要，并占满整个第一页
   • 使用 3-5 个彩色 tcolorbox 元素突出关键发现
   • 第 1 页不要放置目录或详细章节
   • 使用 \thispagestyle{empty}，并以 \newpage 结束
   • 这是最重要的一页 - 应当能在 60 秒内快速浏览
2. 去标识化：在生成文档前移除所有 18 类 HIPAA 标识符（安全港方法）
3. 法规合规：为专有制药数据加入保密声明
4. 可直接发表的排版：使用 0.5in 页边距、专业字体、按颜色区分的章节
5. 可复现性：记录所有统计方法，以便复现
6. 利益冲突：在适用时披露制药资助或关系
7. 视觉层级：一致地使用彩色框（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

有关以下内容的详细指导，请参见 references/ 目录：

• 患者队列分析与分层方法
• 治疗建议制定
• 临床决策算法
• 生物标志物分类与解读
• 结局分析与统计方法
• 证据综合与分级系统

模板

有关 LaTeX 模板，请参见 assets/ 目录：

• cohort_analysis_template.tex - 带统计比较的生物标志物分层患者队列分析
• treatment_recommendation_template.tex - 采用 GRADE 分级的循证临床实践指南
• clinical_pathway_template.tex - 用于治疗排序的 TikZ 决策算法流程图
• biomarker_report_template.tex - 分子亚型分类与基因组图谱报告
• evidence_synthesis_template.tex - 系统性证据综述与荟萃分析摘要

模板特性：

• 0.5in 页边距，呈现更紧凑
• 按颜色区分的建议框
• 用于人口统计学、生物标志物、结局的专业表格
• 内置对 Kaplan-Meier 曲线、瀑布图、森林图的支持
• GRADE 证据分级表
• 制药文档的保密页眉

脚本

有关分析和可视化工具，请参见 scripts/ 目录：

• generate_survival_analysis.py - 生成带 log-rank 检验、风险比、95% CI 的 Kaplan-Meier 曲线
• create_waterfall_plot.py - 用于队列分析的最佳缓解可视化
• create_forest_plot.py - 带置信区间的亚组分析可视化
• create_cohort_tables.py - 人口统计学、生物标志物频率和结局表
• build_decision_tree.py - 用于治疗算法的 TikZ 流程图生成
• biomarker_classifier.py - 按分子亚型进行患者分层的算法
• calculate_statistics.py - 风险比、Cox 回归、log-rank 检验、Fisher 精确检验
• validate_cds_document.py - 质量与合规检查（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