find-cohort-gap

查找队列研究空白技能

输出目录：由用户指定（默认：当前工作目录）。

阶段 0：队列信息收集

队列不必是此技能听说过的队列。根据用户实际拥有的资料进行处理。

用户拥有……	操作
有名称的公开队列（NHIS、UK Biobank、KNHANES，等等）	根据已发布的文档填写队列档案。为每个字段注明来源。
自有注册库或 EMR 提取数据的代码本／数据字典／CSV 导出文件	运行下方的输入适配器。这是常见情况——机构注册库或单中心导出数据通常没有公开文档说明。
定义临床领域的综述、指南或预印本	将其作为领域背景（--context）附加，可以是文件或 URL。

输入适配器（本地代码本／文档）

python3 "${CLAUDE_SKILL_DIR}/scripts/build_cohort_profile.py" \
  --codebook data_dictionary.csv \
  --context narrative_review.pdf --context https://example.org/guideline \
  --cohort-name "Institutional CT registry" --out-dir .

格式：.csv / .tsv / .json / .md / .txt（标准库支持），.xlsx（需要 openpyxl），.pdf（需要 pdftotext）。.csv 会自动识别为代码本（行是变量）或数据导出文件（表头行是变量列表）。生成 cohort_profile.md + cohort_profile.json（以及 context_extract.md）。

不要自行阅读代码本并对其进行总结。 改写、合并或虚构变量会污染所有下游结论——交集矩阵、可行性门槛，最终还会影响论文的 Methods。适配器会逐字列出变量并注明来源（file:row）。请阅读 cohort_profile.md；不要自行重新推导。

适配器会推断并展示其依据，包括变量聚类图、序列／重复测量组（支持 P1 纵向优势的证据），以及候选终点（支持 P2 终点升级的证据）。不匹配任何聚类关键词的变量会标记为 unclassified——请检查这些变量，因为词汇表并不全面。

适配器无法得知的信息——询问，绝不猜测

代码本不会说明以下信息；每项都会标记为 [UNKNOWN - ask the user]：

1. 样本量（基线 N、具有随访数据的 N）
2. 时间跨度（入组时间段、随访时长、测量间隔）
3. 已知局限（健康志愿者偏倚、脱落、缺失数据模式）
4. 该队列的既有出版物（以避免重复发表）
5. IRB 状态和数据访问途径

进入阶段 2 前，请向用户收集这些信息，因为猜测的 N 会影响阶段 5 的可行性门槛，导致判断通过或不通过的原因与队列本身无关。同时确认研究场景（机构类型、国家、人口类型），以及变量名称无法揭示的任何特殊优势——注册库关联、生物样本库可用性、具有代表性的独特人群。

门槛： 展示队列档案摘要，包括 [UNKNOWN] 列表和未分类变量。确认后再继续。

阶段 1：PI／CA 画像分析

分析目标 PI 或通讯作者的资料，找出其主题专长的契合度。如果未指定 PI，则跳过此阶段，并在阶段 2 中仅使用变量聚类。

1. 使用 /search-lit 的 E-utilities 脚本，在 PubMed 中搜索 PI 近 5 年的出版物： bash "${CLAUDE_SKILL_DIR}/../search-lit/references/pubmed_eutils.sh" search "AuthorLastName AuthorFirstInitial[Author]" 30 从标题和摘要中提取高频关键词聚类。
2. 识别专业领域信号：学术协会职务（会长、理事、编辑）、亚专科重点方向、偏好的期刊层级。
3. 构建 PI 关键词图谱：按出版物频次排序的 5-10 个关键词聚类。

输出： PI 画像卡片（姓名、隶属机构、主要关键词、学术协会职务、偏好期刊）。

阶段 2：交集矩阵

将队列变量聚类与 PI 专长交叉分析，生成候选主题。

方法

创建一个矩阵：行 = DB 变量簇，列 = PI 关键词簇。 对每个单元格评分，范围为 0-3：

• 3：PI 曾在这一精确交叉领域发表过论文（直接匹配）
• 2：PI 的亚专科涵盖这一领域（高度相关）
• 1：存在间接联系（有可能，但需要明确论述角度）
• 0：没有关联

候选主题生成

1. 提取所有评分为 2-3 的单元格，作为主要候选项。
2. 对评分为 1 的单元格，进行 A-B 替代测试：“是否有人在类似队列中发表过[这项分析]，但使用[不同的暴露因素/结局]？”如果有，将 PI 的专科变量替换进去后，即可形成可行的候选主题。
3. 以 PICO 格式生成 20-40 条候选主题陈述——P 为队列中的人群，E 为暴露因素/预测变量，C 为比较组，O 为结局（最好是硬终点）。

学科匹配筛选

在进行饱和度扫描前，确定预期第一作者的科室/专科。主要暴露变量必须属于该学科（例如，放射科第一作者 → 以影像变量作为主要暴露因素）。淘汰主要暴露因素不属于第一作者学科的候选项——仅与 PI 高度匹配还不够，第一作者必须能够对核心变量拥有主导权。

**关卡：**呈现交叉矩阵和排名前 20 的候选项（经学科筛选后）。用户选择 8-12 个候选项进行饱和度扫描。

第 3 阶段：文献饱和度扫描

对每个选定的候选项，判断相关文献的饱和程度。

搜索策略

对每个候选项：

1. 构建 PubMed 查询：(exposure terms) AND (outcome terms) AND (cohort OR longitudinal OR prospective)
2. 通过 /search-lit E-utilities 执行搜索。
3. 统计结果总数，然后提出关键筛选问题——“是否有人发表过包含连续/重复测量的相关研究？”——并检查是否存在荟萃分析。 评级：

论文数	纵向研究论文数	是否存在荟萃分析？	评级	说明
0-2	0	否	蓝海	可能是首次报告。确认该主题是否受到关注。
3-10	0	否	绿地	最佳区域——已有研究兴趣，纵向研究缺口仍很大。
11-30	0	否	绿地（从黄色升级）	同上。
1-30	1+	否	黄色	只有在角度非常具体时才可行（独特人群、新颖终点）。
>30	任意	否	黄色（接近红色）	同上。
任意	任意	有，已过时（>5 年）或范围有限	黄色	同上。
任意	任意	有，近期	红色	除非进行 NMA 或使用真正独特的数据，否则应避免。

“有何意义”测试

对每个候选项，阐述研究发现可能带来的 2-3 项临床影响。 如果无法说明临床医生或政策制定者为何会关注该结果，无论缺口评分如何，该主题都不合格。

**输出：**饱和度表，列出每个候选项的评级、论文数、纵向研究缺口状态和“有何意义”陈述。

**关卡：**呈现饱和度结果。用户选择 3-5 个最终候选项，进行深入评分。

第 4 阶段：6 种模式评分 + 对比表

对每个最终候选项应用 6 种模式框架。每种模式评 0 或 1 分。

6 种模式（通用）

阅读 ${CLAUDE_SKILL_DIR}/references/pattern_scoring_rubric.md 中的详细评分标准，并对每个最终候选项的P1 纵向优势、P2 终点升级、P3 队列独特性、P4 PI-主题匹配度（未指定 PI 时跳过）、P5 对比表缺口（下表中有 3 个或更多仅属于本研究的特征），以及 P6 互补设计进行评分。

对比表构建

对每个入围方案，制作一张表，将排名最靠前的 3-5 篇现有论文与本研究进行对比， 每项特征占一行（研究设计、N、序列数据、硬终点、研究人群、族裔、亚组分析等）—— 评分标准中的 P5 列出了构建步骤和差异化类别。 仅引用经 /search-lit 确认的 DOI 或 PMID 的现有论文；否则将参考文献标记为 [UNVERIFIED - NEEDS MANUAL CHECK]。

分数解读

总分	建议
5-6	顶级期刊目标（Lancet 子刊、JACC、J Hepatol 级别）
3-4	专科期刊目标（可稳健发表）
0-2	重构或放弃——继续推进前先找到更有力的切入点

关卡： 提交评分结果和对比表。由用户批准最终排名。

第 5 阶段：可行性关卡

对每个评分入围方案，核实其实操可行性。

检查项

1. 样本量是否充足：
   • Cox 回归和逻辑回归：每个预测变量至少 10 个事件（EPV 规则）
   • 对于大型队列（N>100K）且结局事件众多的情况：警示小效应也会达到统计学显著性（统计功效取决于事件数，而非 N——先检查事件数），因此应关注效应量阈值（例如，HR >1.2 或 <0.8 才具有临床相关性）
   • 对于超大样本，考虑采用负对照策略（EPCV）
2. 缺失数据：关键暴露变量缺失率 <20% 可接受；关键结局缺失率 <5%；若有序列数据，评估失访模式（MCAR/MAR/MNAR）
3. 随访是否充足：结局必须在现有随访时长内具有合理的潜伏期——癌症结局至少 5 年，CVD 事件至少 3 年，死亡率至少 5 年
4. 操作性定义：
   • 能否根据现有变量定义暴露？
   • 对于理赔数据：仅使用 ICD 编码的准确率为 40-60%。必须采用组合策略（诊断 + 处方 + 就诊频率 + 特殊编码）
   • 将预期患病率与已知流行病学数据进行交叉核对
   • 对于无法找到来源的临床定义、诊断标准或指南说法，标记为 [VERIFY] 并询问用户。
5. IRB/伦理：该数据是否已获 IRB 批准用于此类分析？数据关联是否需要额外审批？
6. 疾病新颖性加分（仅供参考，不作为 Go/No-Go 依据）：特发性病因或存在争议的机制 → 期刊兴趣更高；机制已确立 → 需要更强的方法学创新

决策

• Go：所有检查均通过。
• Conditional Go：存在可解决的小问题（例如，可通过插补处理缺失数据）。
• No-Go：存在致命缺陷（事件数不足、没有有效终点、关键变量不可用）。

输出： 为每个入围方案提供可行性报告，并标明 Go/Conditional/No-Go 状态。

第 6 阶段：输出——排名后的提案 + 单页简介

排名汇总表

| Rank | Topic (PICO) | Saturation | 6-Pattern Score | Feasibility | Target Journal | Timeline |
|------|--------------|------------|-----------------|-------------|----------------|----------|
| 1 | ... | Green (0 longitudinal) | 5/6 | Go | JACC | 6 months |
| 2 | ... | Blue (0 papers) | 3/6 | Conditional | Radiology | 8 months |

每个入围方案的单页简介

填写 ${CLAUDE_SKILL_DIR}/references/onepager_template.md 模板中的每个部分； 说明目标期刊及选择理由（PI 契合度、范围匹配度、研究空白契合度）。将单页简介保存为 Markdown 文件：{output_dir}/gap_proposal_{rank}_{short_topic}.md

下游流程： 输出将用于 /design-study → /write-paper。