replicate-study

复现研究技能

将已发表研究的方法应用于另一个数据库，并报告目标数据库导致的每一处偏差。

输入

1. 源论文：PDF、DOI 或论文的 Markdown
2. 目标数据库路径：要使用的 CSV/SAS 数据文件
3. 协调表（可选）：源变量 → 目标变量的 CSV 映射表
   • 默认值：${CLAUDE_SKILL_DIR}/references/harmonization_knhanes_nhanes.csv（适用于 KNHANES↔NHANES）

参考文件

• ${CLAUDE_SKILL_DIR}/references/methodology_extraction_template.md — 提取研究设计的核对清单
• ${CLAUDE_SKILL_DIR}/references/harmonization_knhanes_nhanes.csv — KNHANES↔NHANES 变量映射（67 行）
• ${CLAUDE_SKILL_DIR}/references/harmonization_3country.csv — KNHANES+NHANES+CHNS 三国家映射（46 行）
• 上游模板（按需阅读）：
  • ${CLAUDE_SKILL_DIR}/../write-paper/references/paper_types/nhis_cohort.md
  • ${CLAUDE_SKILL_DIR}/../write-paper/references/paper_types/cross_national.md
  • ${CLAUDE_SKILL_DIR}/../analyze-stats/references/analysis_guides/survey_weighted.md
  • ${CLAUDE_SKILL_DIR}/../analyze-stats/references/analysis_guides/propensity_score.md

工作流

阶段 1：源论文分析

1. 阅读源论文（PDF → 文本，或 Markdown）。
2. 填写 methodology_extraction_template.md，提取方法：研究设计、数据库（名称、国家、年份、N）、研究人群（纳入/排除标准、年龄范围）、暴露和结局（变量、定义、编码）、协变量及其定义、统计方法（回归类型、调整模型、亚组分析）、调查设计（权重、分层、PSU），以及所有敏感性分析。
3. 过时的源定义：如果源论文使用的定义早于 2023 年且已被取代（例如，NAFLD → MASLD 2023、CKD-EPI 2009 → 2021 无种族因素版本），调用 /define-variables，核查应沿用旧版定义（纯复现）还是升级到当前定义（扩展）。在差异报告中记录这一选择。
4. 输出：供用户审核的结构化提取摘要。

阶段 2：变量映射

1. 加载协调表（列包括：domain、concept、concept_en、每个数据库对应的一组变量/标签列，例如 knhanes_var / nhanes_var，以及 harmonization_notes）。
2. 对每个提取出的变量（暴露、结局、协变量），查找匹配行并标记为 DIRECT_MATCH / RECODE_NEEDED / NOT_AVAILABLE / PROXY_AVAILABLE。如果映射不确定，写入 [VERIFY: variable_name]，并要求用户对照数据字典确认；切勿猜测变量名、列名或编码。
3. 生成映射报告：
   • 绿色：可直接使用（无需重新编码）
   • 黄色：可用但需要重新编码（记录转换方式）
   • 红色：目标数据库中不可用（提出代理变量或排除方案）
4. 输出：供用户批准的变量映射表（variable_mapping.csv）。

阶段 3：代码生成

1. 生成自包含、可复现的分析代码（使用 Python 的 pandas，并通过 subprocess 调用 R 进行复杂抽样加权分析）： a. 数据加载与清理：读取目标数据库，生成纳入/排除标记（保留每一行） b. 变量派生：根据映射表对变量重新编码 c. 复杂抽样设计设置：在完整文件上定义 svydesign 对象（分层、PSU、权重），然后使用 subset(design, <inclusion flag>) 对其进行限制；在声明设计前删除行会导致标准误错误（/analyze-stats survey_weighted.md，亚总体分析）。KNHANES/NHANES 必须进行加权分析——绝不能运行未加权模型。绝不合并不同调查的数据；使用各国自己的复杂抽样设计分析该国数据。 d. 表 1：按暴露组列出人口统计特征（加权） e. 主要分析：复现主要模型（逻辑回归/Cox 回归/线性回归） f. 亚组分析：若来源论文有说明 g. 敏感性分析：复现来源论文中列出的所有分析
2. 尽可能使用 /analyze-stats 模板（survey_weighted、propensity_score）。
3. 对韩国数据使用亚洲 BMI 临界值（肥胖 ≥25），即使来源论文使用的是 WHO 标准（≥30）。
4. 在目标数据上运行代码；results/ 和报告中的每个数值都必须来自运行所得结果。

阶段 4：差异报告

在工作目录中保存 replication_report.md，记录与来源方法学的所有差异：

部分	内容
研究设计	相同/已修改（说明原因）
数据库	来源数据库 → 目标数据库（N、年份、国家）
研究人群	纳入/排除标准的差异
变量映射	包含匹配状态的完整映射表
不可用变量	缺失内容及处理方式
方法学差异	强制调整的内容（例如 BMI 临界值、LDL 直接测量与 Friedewald 公式）
预期差异	结果可能不同的原因（人群、测量、文化）

请注意，KNHANES/NHANES 是去标识化的公开数据（IRB 豁免或免审）。仅引用经 /search-lit 确认的 DOI/PMID；否则将参考文献标记为 [UNVERIFIED - NEEDS MANUAL CHECK]。

阶段 5：验证清单

报告完成前，请确认：

• 已处理来源论文中的所有协变量（已映射、使用替代变量或记录为缺失）
• 已正确应用调查权重（若来源使用权重，则绝不可进行未加权分析）
• 肥胖/BMI 临界值符合目标人群标准（亚洲标准或 WHO 标准）
• 空腹要求一致（空腹血糖、血脂）
• 已正确应用年龄限制
• 代码可在目标数据上无错误运行
• 输出表格的结构与来源论文一致

输出文件

{working_dir}/
├── replication_report.md     — Structured difference report
├── variable_mapping.csv      — Variable mapping table with match status
├── analysis_code.py          — Main analysis script (Python + R calls)
├── analysis_code.R           — R script for survey-weighted analysis
└── results/
    ├── table1.csv            — Demographics table
    ├── main_results.csv      — Primary analysis results
    └── subgroup_results.csv  — Subgroup analysis results (if applicable)