⚡

临床决策支持Skill clinical-decision-support

本技能专为制药和临床研究环境设计，用于生成专业的临床决策支持文档。包括患者队列分析（生物标志物分层与结果统计）和治疗建议报告（证据基于指南与决策算法）。支持GRADE证据评级、统计分析（如风险比、生存曲线、瀑布图）、生物标志物集成和法规合规。输出为出版就绪的LaTeX/PDF格式，适用于药物开发、临床研究、指南开发和证据合成。关键词：临床决策支持、患者队列分析、治疗建议、生物标志物、GRADE评级、统计分析、LaTeX文档、制药研究、临床指南。

药物研发 0 次安装 0 次浏览 更新于 3/20/2026

名称: 临床决策支持 描述: “为制药和临床研究设置生成专业的临床决策支持文档，包括患者队列分析（生物标志物分层与结果）和治疗建议报告（证据基于指南与决策算法）。支持GRADE证据评级、统计分析（风险比、生存曲线、瀑布图）、生物标志物集成和监管合规。输出为出版就绪的LaTeX/PDF格式，优化用于药物开发、临床研究和证据合成。” 允许工具: [读取, 写入, 编辑, Bash]

临床决策支持文档

描述

为制药公司、临床研究人员和医学决策者生成专业的临床决策支持文档。本技能专注于分析性、证据基于的文档，以指导治疗策略和药物开发：

  1. 患者队列分析 - 生物标志物分层的组分析，带有统计结果比较
  2. 治疗建议报告 - 证据基于的临床指南，带有GRADE评级和决策算法

所有文档生成为出版就绪的LaTeX/PDF文件，优化用于制药研究、监管提交和临床指南开发。

注意： 对于床旁个体患者治疗计划，请使用 treatment-plans 技能。本技能专注于组级别分析和证据合成，适用于制药/研究设置。

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-免疫活性与神经前体，乳腺癌亚型）
  • 带有统计分析的结果指标（OS、PFS、ORR、DOR、DCR）
  • 亚组间的统计比较（风险比、p值、95% CI）
  • 生存分析，带有Kaplan-Meier曲线和log-rank检验
  • 疗效表和瀑布图
  • 比较有效性分析
  • 制药队列报告（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证据基于治疗指南
  • 建议强度评级（GRADE系统：1A、1B、2A、2B、2C）
  • 证据质量评估（高、中、低、极低）
  • 带有TikZ图表的治疗算法流程图
  • 基于生物标志物的治疗线序
  • 带有临床和分子标准的决策路径
  • 制药策略文档
  • 为医学学会开发的临床指南

临床特征

  • 生物标志物集成：基因组改变（突变、CNV、融合）、基因表达签名、IHC标记、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
  • 证据评级：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、适当医学术语、试验命名
  • 监管合规：HIPAA去标识化、保密头、ICH-GCP对齐
  • 专业格式化：紧凑0.5英寸边距、颜色编码建议、出版就绪、适合监管提交

制药和研究用例

本技能专为制药和临床研究应用设计：

药物开发

  • 第2/3阶段试验分析：生物标志物分层的疗效和安全性分析
  • 亚组分析：显示患者亚组治疗效果的森林图
  • 伴随诊断开发：将生物标志物与药物反应关联
  • 监管提交：带有证据摘要的IND/NDA文档

医学事务

  • KOL教育材料：为思想领袖提供证据基于治疗算法
  • 医学策略文档：竞争格局和定位策略
  • 咨询委员会材料：队列分析和治疗建议框架
  • 出版计划：为同行评审期刊准备稿件就绪分析

临床指南

  • 指南开发：为专科学会使用GRADE方法论进行证据合成
  • 共识建议：多利益相关者治疗算法开发
  • 实践标准：基于生物标志物的治疗选择标准
  • 质量指标：证据基于性能指标

真实世界证据

  • RWE队列研究：EMR数据中患者队列的回顾性分析
  • 比较有效性：真实世界设置中的头对头治疗比较
  • 结果研究：临床实践中的长期生存和安全性
  • 健康经济学：按生物标志物亚组的成本效益分析

何时使用

当需要以下情况时使用本技能：

  • 分析患者队列，按生物标志物、分子亚型或临床特征分层
  • 生成治疗建议报告，带有证据评级，用于临床指南或制药策略
  • 比较结果，在患者亚组之间进行统计分析（生存、反应率、风险比）
  • 制作制药研究文档，用于药物开发、临床试验或监管提交
  • 开发临床实践指南，带有GRADE证据评级和决策算法
  • 记录生物标志物引导的治疗选择，在人群级别（非个体患者）
  • 合成证据，来自多个试验或真实世界数据源
  • 创建临床决策算法，带有治疗序贯的流程图

不要使用本技能用于：

  • 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）
  • 简单患者特定治疗协议（使用 treatment-plans 技能）

使用科学示意图增强视觉

⚠️ 强制要求：每个临床决策支持文档必须包含至少1-2个使用科学示意图技能生成的AI生成图形。

这不是可选的。临床决策文档需要清晰的视觉算法。在完成任何文档之前：

  1. 生成至少一个示意图或图表（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：包括患者流程图
  3. 对于治疗建议：包括决策流程图

如何生成图形：

  • 使用 scientific-schematics 技能生成AI驱动的出版质量图表
  • 只需用自然语言描述所需图表
  • Nano Banana Pro将自动生成、审查和精炼示意图

如何生成示意图：

python scripts/generate_schematic.py "您的图表描述" -o figures/output.png

AI将自动：

  • 创建出版质量图像，带有适当格式化
  • 通过多次迭代审查和精炼
  • 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，请参考scientific-schematics技能文档。

文档结构

关键要求：所有临床决策支持文档必须在第1页以完整的执行摘要开头，在任何目录或详细部分之前覆盖整个第1页。

第1页执行摘要结构

每个CDS文档的第1页应仅包含执行摘要，带有以下组件：

必需元素（全部在第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“证据基于治疗建议”）
    • 副标题，带有疾病状态和焦点

  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（如果适用）
    • 分析框架或方法学

  3. 关键发现框（3-5个彩色框使用tcolorbox）

    • 主要结果（蓝色框）：主要疗效/结果发现
    • 生物标志物洞察（绿色框）：关键分子亚型发现
    • 临床含义（黄色/橙色框）：可操作治疗含义
    • 统计摘要（灰色框）：风险比、p值、关键统计
    • 安全亮点（红色框，如果适用）：关键不良事件或警告

视觉要求：

  • 使用 \thispagestyle{empty} 从第1页移除页码
  • 所有内容必须适应第1页（在 ewpage 之前）
  • 使用不同颜色的tcolorbox环境进行视觉层次
  • 框应可扫描并突出最关键信息
  • 使用要点，而非叙述段落
  • 在第1页结束时使用 ewpage，在目录或详细部分之前

示例第1页LaTeX结构：

\maketitle
\thispagestyle{empty}

% 报告信息框
\begin{tcolorbox}[colback=blue!5!white, colframe=blue!75!black, title=报告信息]
\textbf{文档类型：} 患者队列分析\\
\textbf{疾病状态：} HER2阳性转移性乳腺癌\\
\textbf{分析日期：} \today\\
\textbf{人群：} 60例患者，按HR状态生物标志物分层
\end{tcolorbox}

\vspace{0.3cm}

% 关键发现 #1：主要结果
\begin{tcolorbox}[colback=blue!5!white, colframe=blue!75!black, title=主要疗效结果]
\begin{itemize}
    \item 总体ORR：72\% (95\% CI: 59-83\%)
    \item 中位PFS：18.5个月 (95\% CI: 14.2-22.8)
    \item 中位OS：35.2个月 (95\% CI: 28.1-NR)
\end{itemize}
\end{tcolorbox}

\vspace{0.3cm}

% 关键发现 #2：生物标志物洞察
\begin{tcolorbox}[colback=green!5!white, colframe=green!75!black, title=生物标志物分层发现]
\begin{itemize}
    \item HR+/HER2+：ORR 68\%，中位PFS 16.2个月
    \item HR-/HER2+：ORR 78\%，中位PFS 22.1个月
    \item HR状态与结果显著相关（p=0.041）
\end{itemize}
\end{tcolorbox}

\vspace{0.3cm}

% 关键发现 #3：临床含义
\begin{tcolorbox}[colback=orange!5!white, colframe=orange!75!black, title=临床建议]
\begin{itemize}
    \item 无论HR状态均观察到强效疗效（等级1A）
    \item HR-/HER2+患者显示出数值上更优的结果
    \item 推荐治疗用于所有HER2+ MBC患者
\end{itemize}
\end{tcolorbox}


ewpage
\tableofcontents  % 目录在第2页

ewpage  % 详细内容从第3页开始

患者队列分析（详细部分 - 第3页+）

  • 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谱
  • 治疗暴露：接收的治疗、剂量、按亚组的治疗持续时间
  • 结果分析：反应率（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：生物标志物分层疗效、森林图、统计显著性
  • 安全概况：按亚组的不良事件、剂量修改、停药
  • 临床建议：基于生物标志物概况的治疗含义
  • 图形：瀑布图、游泳者图、生存曲线、森林图
  • 表格：人口统计学表、生物标志物频率、按亚组结果

治疗建议报告（详细部分 - 第3页+）

第1页执行摘要用于治疗建议应包括：

  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）：按治疗线的前3-5个GRADE评级建议
  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记
  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）：基本安全监测要求

详细部分（第3页+）：

  • 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：系统文献合成、指南摘要、试验数据
  • 治疗选项：可用疗法，带有作用机制
  • 证据评级：每个建议的GRADE评估（1A、1B、2A、2B、2C）
  • 按线建议：一线、二线、后续疗法
  • 生物标志物引导选择：基于分子概况的决策标准
  • 治疗算法：TikZ流程图显示决策路径
  • 监测协议：安全评估、疗效监测、剂量修改
  • 特殊人群：老年人、肾功能/肝功能损害、共病
  • 参考文献：完整参考文献，带有试验名称和引用

输出格式

强制第1页要求：

  • 第1页：全页执行摘要，带有3-5个彩色tcolorbox元素
  • 第2页：目录（可选）
  • 第3页+：详细部分，带有方法、结果、图形、表格

文档规范：

  • 主要：LaTeX/PDF，带有0.5英寸边距，用于紧凑、数据密集呈现
  • 长度：通常5-15页（1页执行摘要 + 4-14页详细内容）
  • 风格：出版就绪、制药级别、适合监管提交
  • 第1页：总是完整的执行摘要，覆盖整个第1页（见文档结构部分）

视觉元素：

  • 颜色：
    • 第1页框：蓝色=数据/信息，绿色=生物标志物/建议，黄色/橙色=临床含义，红色=警告
    • 建议框（绿色=强建议，黄色=条件，蓝色=研究需要）
    • 生物标志物分层（颜色编码分子亚型）
    • 统计显著性（颜色编码p值、风险比）
  • 表格：
    • 带基线特征的人口统计学
    • 按亚组的生物标志物频率
    • 结果表（按分子亚型的ORR、PFS、OS、DOR）
    • 按队列的不良事件
    • 带有GRADE评级的证据摘要表
  • 图形：
    • Kaplan-Meier生存曲线，带有log-rank p值和风险数表
    • 瀑布图，显示按患者最佳反应
    • 用于亚组分析的森林图，带有置信区间
    • TikZ决策算法流程图
    • 游泳者图，用于个体患者时间线
  • 统计：风险比，带有95% CI、p值、中位生存时间、里程碑生存率
  • 合规：按HIPAA安全港去标识化、专有数据的保密通知

集成

本技能与以下集成：

  • scientific-writing：引用管理、统计报告、证据合成
  • 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：队列衍生洞察的个体患者应用（双向）

与治疗计划技能的关键区别

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：人群级别分析、证据合成、指南开发
  • 焦点：生物标志物分层、统计比较、证据评级
  • 输出：多页分析文档（通常5-15页），带有大量图形和表格
  • 用例：药物开发、监管提交、临床实践指南、医学策略
  • 示例：“按激素受体状态分析60例HER2+乳腺癌患者，带有生存结果”

治疗计划技能：

  • 受众：临床医生、患者、护理团队
  • 范围：个体患者护理计划
  • 焦点：SMART目标、患者特定干预、监测计划
  • 输出：简洁1-4页可操作护理计划
  • 用例：床旁临床护理、EMR文档、患者中心计划
  • 示例：“为55岁新诊断2型糖尿病患者创建治疗计划”

何时使用每个：

  • 使用 临床决策支持 用于：队列分析、生物标志物分层研究、治疗指南开发、制药策略文档
  • 使用 治疗计划 用于：个体患者护理计划、特定患者治疗协议、床旁临床文档

示例用法

患者队列分析

示例1：NSCLC生物标志物分层

> 分析一个45例NSCLC患者队列，按PD-L1表达分层（<1%、1-49%、≥50%）
> 接受pembrolizumab。包括结果：ORR、中位PFS、中位OS，带有风险比
> 比较PD-L1 ≥50% vs <50%。生成Kaplan-Meier曲线和瀑布图。

示例2：GBM分子亚型分析

> 为30例GBM患者生成队列分析，分类为聚类1（间充质-免疫活性）
> 和聚类2（神经前体）分子亚型。比较结果，包括中位OS、6个月PFS率、
> 和对TMZ+bevacizumab的反应。包括生物标志物概况表和统计比较。

示例3：乳腺癌HER2队列

> 分析60例HER2阳性转移性乳腺癌患者，接受trastuzumab-deruxtecan治疗，
> 按先前的trastuzumab暴露（是/否）分层。包括ORR、DOR、中位PFS，带有森林图
> 显示按激素受体状态、脑转移和先前线数的亚组分析。

治疗建议报告

示例1：HER2+转移性乳腺癌指南

> 为HER2阳性转移性乳腺癌创建证据基于治疗建议，包括
> 生物标志物引导治疗选择。使用GRADE系统为一线
>（trastuzumab+pertuzumab+taxane）、二线（trastuzumab-deruxtecan）和三线选项评级建议。
> 包括基于脑转移、激素受体状态和先前治疗的决策算法流程图。

示例2：晚期NSCLC治疗算法

> 为晚期NSCLC生成治疗建议报告，基于PD-L1表达、EGFR突变、
> ALK重排和表现状态。包括每个分子亚型的GRADE评级建议、
> TikZ流程图用于生物标志物引导治疗选择，以及来自KEYNOTE-189、FLAURA、
> 和CheckMate-227试验的证据表。

示例3：多发性骨髓瘤治疗线序

> 为新诊断多发性骨髓瘤创建治疗算法，通过复发/难治性设置。
> 包括移植合格与不合格的GRADE建议、高风险细胞遗传学考虑、
> 和daratumumab、carfilzomib、CAR-T治疗的序贯。提供流程图显示
> 每个治疗线的决策点。

关键特征

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：疾病特定分类
  • 临床可操作性：治疗选择指导

结果指标

  • 生存：OS（总生存）、PFS（无进展生存）
  • 反应：ORR（客观反应率）、DOR（反应持续时间）、DCR（疾病控制率）
  • 质量：ECOG表现状态、症状负担
  • 安全：不良事件、剂量修改

统计方法

  • 生存分析：Kaplan-Meier曲线、log-rank检验
  • 组比较：t检验、卡方、Fisher精确
  • 效应大小：风险比、比值比，带有95% CI
  • 显著性：p值、多重测试校正

证据评级

GRADE系统

  • 1A：强建议，高质量证据
  • 1B：强建议，中等质量证据
  • 2A：弱建议，高质量证据
  • 2B：弱建议，中等质量证据
  • 2C：弱建议，低质量证据

建议强度

  • 强：益处明显超过风险
  • 条件：存在权衡，患者价值重要
  • 研究：证据不足，需要临床试验

最佳实践

对于队列分析

  1. 患者选择透明度：清晰记录纳入/排除标准、患者流程和排除原因
  2. 生物标志物清晰度：指定检测方法、平台（例如，FoundationOne、Caris）、切点、验证状态
  3. 统计严谨性：
    • 报告风险比，带有95%置信区间，不仅仅是p值
    • 包括生存分析的中位随访时间
    • 指定使用的统计检验（log-rank、Cox回归、Fisher精确）
    • 适当考虑多重比较
  4. 结果定义：使用标准标准：
    • 反应：RECIST 1.1、iRECIST用于免疫治疗
    • 不良事件：CTCAE版本5.0
    • 表现状态：ECOG或Karnofsky
  5. 生存数据呈现：
    • 中位OS/PFS，带有95% CI
    • 里程碑生存率（6个月、12个月、24个月）
    • Kaplan-Meier曲线下的风险数表
    • 清晰指示审查
  6. 亚组分析：预定义亚组；清晰标记探索性与预计划分析
  7. 数据完整性：报告缺失数据及其处理方式

对于治疗建议报告

  1. 证据评级透明度：
    • 一致使用GRADE系统（1A、1B、2A、2B、2C）
    • 记录每个评级的理由
    • 清晰陈述证据质量（高、中、低、极低）
  2. 全面证据审查：
    • 包括第3阶段随机试验作为主要证据
    • 用第2阶段数据补充新兴疗法
    • 注意真实世界证据和荟萃分析
    • 引用试验名称（例如，KEYNOTE-189、CheckMate-227）
  3. 生物标志物引导建议：
    • 将特定生物标志物链接到治疗建议
    • 指定测试方法和验证检测
    • 包括伴随诊断的FDA/EMA批准状态
  4. 临床可操作性：每个建议应有清晰实施指导
  5. 决策算法清晰度：TikZ流程图应明确，带有清晰是/否决策点
  6. 特殊人群：解决老年人、肾功能/肝功能损害、妊娠、药物相互作用
  7. 监测指导：指定安全实验室、影像、频率
  8. 更新频率：日期建议并计划定期更新

通用最佳实践

  1. 第1页执行摘要（强制）：
    • 总是创建完整的执行摘要，在第1页覆盖整个第1页
    • 使用3-5个彩色tcolorbox元素突出关键发现
    • 第1页无目录或详细部分
    • 使用 \thispagestyle{empty} 并以 ewpage 结束
    • 这是最重要的页面 - 应在60秒内可扫描
  2. 去标识化：在文档生成前移除所有18个HIPAA标识符（安全港方法）
  3. 监管合规：包括专有制药数据的保密通知
  4. 出版就绪格式化：使用0.5英寸边距、专业字体、颜色编码部分
  5. 可重复性：记录所有统计方法以实现复制
  6. 利益冲突：适用时披露制药资助或关系
  7. 视觉层次：一致使用彩色框（蓝色=数据、绿色=生物标志物、黄色/橙色=建议、红色=警告）

参考文献

参见 references/ 目录获取详细指导：

  • 患者队列分析和分层方法
  • 治疗建议开发
  • 临床决策算法
  • 生物标志物分类和解释
  • 结果分析和统计方法
  • 证据合成和评级系统

模板

参见 assets/ 目录获取LaTeX模板：

  • cohort_analysis_template.tex - 带有统计比较的生物标志物分层患者队列分析
  • treatment_recommendation_template.tex - 带有GRADE评级的证据基于临床实践指南
  • clinical_pathway_template.tex - 用于治疗序贯的TikZ决策算法流程图
  • biomarker_report_template.tex - 分子亚型分类和基因组概况报告
  • evidence_synthesis_template.tex - 系统证据审查和荟萃分析摘要

模板特征：

  • 0.5英寸边距，用于紧凑呈现
  • 颜色编码建议框
  • 用于人口统计学、生物标志物、结果的专业表格
  • 内置支持Kaplan-Meier曲线、瀑布图、森林图
  • GRADE证据评级表
  • 制药文档的保密头

脚本

参见 scripts/ 目录获取分析和可视化工具：

  • generate_survival_analysis.py - Kaplan-Meier曲线生成，带有log-rank检验、风险比、95% CI
  • create_waterfall_plot.py - 队列分析的最佳反应可视化
  • create_forest_plot.py - 带有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果表
  • build_decision_tree.py - 用于治疗算法的TikZ流程图生成
  • biomarker_classifier.py - 按分子亚型的患者分层算法
  • calculate_statistics.py - 风险比、Cox回归、log-rank检验、Fisher精确
  • validate_cds_document.py - 质量和合规检查（HIPAA、统计报告标准）
  • grade_evidence.py - 用于治疗建议的自动GRADE评估助手