临床决策支持Skill clinical-decision-support

---

名称: 临床决策支持 描述: “为药物和临床研究环境生成专业的临床决策支持（CDS）文档，包括患者队列分析（基于生物标志物分层的结局分析）和治疗推荐报告（基于证据的指南与决策算法）。支持GRADE证据分级、统计分析（风险比、生存曲线、瀑布图）、生物标志物整合和法规合规性。输出适用于药物开发、临床研究和证据合成的出版就绪LaTeX/PDF格式。” 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、临床研究者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，以指导治疗策略和药物开发：

1. 患者队列分析 - 基于生物标志物分组的统计结局比较
2. 治疗推荐报告 - 基于证据的临床指南，带有GRADE分级和决策算法

所有文档均以出版就绪的LaTeX/PDF格式生成，适用于药物研究、监管提交和临床指南开发。

注意： 对于个体患者治疗计划（如床边护理），请使用 treatment-plans 技能。此技能专注于群体水平分析和证据合成，适用于药物/研究环境。

写作风格： 对于针对医学期刊的出版就绪文档，请参考 venue-templates 技能的 medical_journal_styles.md，以获取结构化摘要、证据语言和CONSORT/STROBE合规性指南。

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、免疫组化）
• 分子亚型分类（例如，胶质母细胞瘤的间充质-免疫活性型 vs 前神经型，乳腺癌亚型）
• 带有统计分析的结果指标（总生存期、无进展生存期、客观缓解率、缓解持续时间、疾病控制率）
• 亚组间的统计比较（风险比、p值、95%置信区间）
• 生存分析，包括Kaplan-Meier曲线和对数秩检验
• 疗效表和瀑布图
• 比较有效性分析
• 药物队列报告（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）
• 治疗算法流程图，带TikZ图表
• 基于生物标志物的治疗线顺序
• 带有临床和分子标准的决策路径
• 药物战略文档
• 为医学学会开发的临床指南

临床特征

• 生物标志物整合：基因组改变（突变、拷贝数变异、融合）、基因表达特征、免疫组化标记、PD-L1评分
• 统计分析：风险比、p值、置信区间、生存曲线、Cox回归、对数秩检验
• 证据分级：GRADE系统（1A/1B/2A/2B/2C）、牛津CEBM级别、证据质量评估
• 临床术语：SNOMED-CT、LOINC、正确医学命名法、试验命名法
• 法规合规性：HIPAA去标识化、保密标题、ICH-GCP对齐
• 专业格式化：紧凑的0.5英寸边距、颜色编码推荐、出版就绪、适用于监管提交

制药和研究用例

此技能专为制药和临床研究应用设计：

药物开发

• 第2/3期试验分析：基于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果的森林图
• 伴随诊断开发：将生物标志物与药物响应联系起来
• 监管提交：带有证据摘要的IND/NDA文档

医学事务

• KOL教育材料：基于证据的治疗算法，供意见领袖使用
• 医学战略文档：竞争格局和定位策略
• 顾问委员会材料：队列分析和治疗推荐框架
• 出版规划：用于同行评审期刊的手稿就绪分析

临床指南

• 指南开发：使用GRADE方法的证据合成，供专业学会使用
• 共识推荐：多利益相关者的治疗算法开发
• 实践标准：基于生物标志物的治疗选择标准
• 质量指标：基于证据的性能指标

真实世界证据

• RWE队列研究：电子病历数据的回顾性患者队列分析
• 比较有效性：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
• 健康经济学：按生物标志物亚组的成本效益分析

何时使用

在需要时使用此技能：

• 分析患者队列，按生物标志物、分子亚型或临床特征分层
• 生成治疗推荐报告，带有证据分级，用于临床指南或药物战略
• 比较结局，患者亚组间的统计分析（生存、缓解率、风险比）
• 制作药物研究文档，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证据分级和决策算法
• 记录基于生物标志物的治疗选择在群体水平（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，带有治疗顺序的流程图

请勿使用此技能用于：

• 个体患者治疗计划（使用 treatment-plans 技能）
• 床边临床护理文档（使用 treatment-plans 技能）
• 简单的患者特异性治疗协议（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括至少1-2个使用 scientific-schematics 技能生成的AI图。

这不是可选的。临床决策文档需要清晰的视觉算法。在最终化任何文档之前：

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：包括患者流程图
3. 对于治疗推荐：包括决策流程图

如何生成图：

• 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：

• 创建具有正确格式的出版质量图像
• 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南，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始，该摘要跨越整个第1页，在任何目录或详细章节之前。

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，具有以下组件：

必需元素（全部在第1页）：

1. 文档标题和类型

   • 主标题（例如，“基于生物标志物的队列分析”或“基于证据的治疗推荐”）
   • 带有疾病状态和焦点的副标题

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（3-5个彩色框使用 tcolorbox）

   • 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
   • 临床影响（黄色/橙色框）：可操作的治疗影响
   • 统计摘要（灰色框）：风险比、p值、关键统计
   • 安全亮点（红色框，如适用）：关键不良事件或警告

视觉要求：

• 使用 \thispagestyle{empty} 从第1页移除页码
• 所有内容必须适合第1页（在 ewpage 之前）
• 使用彩色 tcolorbox 环境，不同颜色用于视觉层次
• 框应可扫描并突出最关键信息
• 使用项目符号，而非叙述段落
• 在第1页结束时使用 ewpage，然后在目录或详细章节之前

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名患者，按激素受体状态分层
\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状态与结局显著相关 (p=0.041)
\end{itemize}
\end{tcolorbox}

\vspace{0.3cm}

% 关键发现 #3：临床影响
\begin{tcolorbox}[colback=orange!5!white, colframe=orange!75!black, title=临床推荐]
\begin{itemize}
    \item 无论HR状态如何，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局
    \item 推荐用于所有HER2+ MBC患者的治疗
\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、免疫组化谱
• 治疗暴露：按亚组收到的疗法、剂量、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、对数秩检验、Cox回归
• 亚组比较：基于生物标志物分层的疗效、森林图、统计显著性
• 安全谱：按亚组的不良事件、剂量修改、停药
• 临床推荐：基于生物标志物谱的治疗影响
• 图：瀑布图、游泳者图、生存曲线、森林图
• 表：人口统计表、生物标志物频率、按亚组的结果表

治疗推荐报告（详细章节 - 第3页起）

第1页执行摘要用于治疗推荐应包括：

1. 报告信息框：疾病状态、指南版本/日期、目标人群
2. 关键推荐框（绿色）：按治疗线的顶级3-5个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记
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）：基本安全监测要求

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：系统文献合成、指南摘要、试验数据
• 治疗选项：可用疗法及其作用机制
• 证据分级：每个推荐的GRADE评估（1A、1B、2A、2B、2C）
• 按治疗线推荐：一线、二线、后续疗法
• 基于生物标志物的选择：基于分子谱的决策标准
• 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、肾/肝损伤、并发症
• 参考文献：完整参考书目，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页起：带有方法、结果、图、表的详细章节

文档规范：

• 主要：LaTeX/PDF，带有0.5英寸边距，用于紧凑、数据密集的呈现
• 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、药物级别、适用于监管提交
• 第1页：始终是一个完整的执行摘要，跨越整个第1页（参见文档结构部分）

视觉元素：

• 颜色：
  • 第1页框：蓝色=数据/信息，绿色=生物标志物/推荐，黄色/橙色=临床影响，红色=警告
  • 推荐框（绿色=强推荐，黄色=条件推荐，蓝色=需要研究）
  • 生物标志物分层（颜色编码的分子亚型）
  • 统计显著性（颜色编码的p值、风险比）
• 表：
  • 带有基线特征的人口统计表
  • 按亚组的生物标志物频率
  • 结果表（按分子亚型的ORR、PFS、OS、DOR）
  • 按队列的不良事件表
  • 带有GRADE评级的证据摘要表
• 图：
  • Kaplan-Meier生存曲线，带有对数秩p值和风险人数表
  • 瀑布图显示按患者的最佳缓解
  • 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
• 合规性：按HIPAA安全港去标识化、专有数据的保密通知

集成

此技能与以下集成：

• scientific-writing：引用管理、统计报告、证据合成
• clinical-reports：医学术语、HIPAA合规性、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Treatment-Plans技能的主要区别

临床决策支持（此技能）：

• 受众：制药公司、临床研究者、指南委员会、医学事务
• 范围：群体水平分析、证据合成、指南开发
• 焦点：生物标志物分层、统计比较、证据分级
• 输出：多页分析文档（通常5-15页），带有大量图表
• 用例：药物开发、监管提交、临床实践指南、医学战略
• 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：个体患者护理规划
• 焦点：SMART目标、患者特异性干预、监测计划
• 输出：简洁1-4页可操作护理计划
• 用例：床边临床护理、电子病历文档、以患者为中心的规划
• 示例：“为一名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、药物战略文档
• 使用 treatment-plans 用于：个体患者护理计划、特定患者的治疗协议、床边临床文档

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名NSCLC患者的队列，按PD-L1表达分层（<1%、1-49%、≥50%），
> 接受pembrolizumab治疗。包括结局：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名GBM患者生成队列分析，分类为第1类（间充质-免疫活性型）和
> 第2类（前神经型）分子亚型。比较结局，包括中位OS、6个月PFS率，
> 和对TMZ+bevacizumab的响应。包括生物标志物谱表和统计比较。

示例3：乳腺癌HER2队列

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

治疗推荐报告

示例1：HER2+转移性乳腺癌指南

> 创建基于证据的HER2阳性转移性乳腺癌治疗推荐，包括
> 基于生物标志物的治疗选择。使用GRADE系统对一线
>（trastuzumab+pertuzumab+taxane）、二线（trastuzumab-deruxtecan）和三线选项
> 进行分级推荐。包括基于脑转移、激素受体状态和既往疗法的决策算法流程图。

示例2：晚期NSCLC治疗算法

> 基于PD-L1表达、EGFR突变、ALK重排和体能状态，为晚期NSCLC生成治疗推荐报告。
> 包括每个分子亚型的GRADE分级推荐、用于生物标志物导向治疗选择的TikZ流程图，
> 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顺序

> 为从新诊断到复发/难治性环境的多发性骨髓瘤创建治疗算法。
> 包括移植合格 vs 不合格、高风险细胞遗传学考虑因素的GRADE推荐，
> 以及daratumumab、carfilzomib和CAR-T疗法的顺序。提供显示每个治疗线决策点的流程图。

关键特征

生物标志物分类

• 基因组：突变、拷贝数变异、基因融合
• 表达：RNA-seq、免疫组化评分
• 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）
• 响应：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：不良事件、剂量修改

统计方法

• 生存分析：Kaplan-Meier曲线、对数秩检验
• 组比较：t检验、卡方检验、Fisher精确检验
• 效应大小：风险比、比值比带有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：益处明显大于风险
• 条件：存在权衡，患者价值观重要
• 研究：证据不足，需要临床试验

最佳实践

用于队列分析

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，而不仅仅是p值
   • 包括生存分析的中位随访时间
   • 指定使用的统计检验（对数秩检验、Cox回归、Fisher精确检验）
   • 适当考虑多重比较
4. 结局定义：使用标准标准：
   • 响应：RECIST 1.1、免疫治疗的iRECIST
   • 不良事件：CTCAE版本5.0
   • 体能状态：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曲线下的风险人数表
   • 明确指示删失
6. 亚组分析：预定义亚组；清晰标注探索性 vs 预计划分析
7. 数据完整性：报告缺失数据及其处理方式

用于治疗推荐报告

1. 证据分级透明度：
   • 一致使用GRADE系统（1A、1B、2A、2B、2C）
   • 记录每个等级的基本原理
   • 清晰说明证据质量（高、中、低、极低）
2. 全面证据回顾：
   • 包括第3期随机试验作为主要证据
   • 补充第2期数据用于新兴疗法
   • 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. 基于生物标志物的推荐：
   • 将特定生物标志物与疗法推荐联系起来
   • 指定测试方法和验证检测
   • 包括FDA/EMA对伴随诊断的批准状态
4. 临床可操作性：每个推荐应有清晰的实施指南
5. 决策算法清晰度：TikZ流程图应明确无误，带有清晰的“是/否”决策点
6. 特殊人群：解决老年、肾/肝损伤、妊娠、药物相互作用
7. 监测指南：指定安全实验室、影像、频率
8. 更新频率：标注推荐日期并计划定期更新

一般最佳实践

1. 第1页执行摘要（强制）：
   • 始终在第1页创建一个完整的执行摘要，跨越整个第1页
   • 使用3-5个彩色 tcolorbox 元素突出关键发现
   • 第1页没有目录或详细章节
   • 使用 \thispagestyle{empty} 并以 ewpage 结束
   • 这是最重要的一页 - 应能在60秒内扫描完毕
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. 法规合规性：为专有药物数据包括保密通知
4. 出版就绪格式化：使用0.5英寸边距、专业字体、颜色编码章节
5. 可重复性：记录所有统计方法以支持复制
6. 利益冲突：适用时披露药物资助或关系
7. 视觉层次：一致使用颜色框（蓝色=数据，绿色=生物标志物，黄色/橙色=推荐，红色=警告）

参考

有关详细指南，请参阅 references/ 目录：

• 患者队列分析和分层方法
• 治疗推荐开发
• 临床决策算法
• 生物标志物分类和解释
• 结局分析和统计方法
• 证据合成和分级系统

模板

有关LaTeX模板，请参阅 assets/ 目录：

• cohort_analysis_template.tex - 带有统计比较的基于生物标志物的患者队列分析
• treatment_recommendation_template.tex - 带有GRADE分级的基于证据的临床实践指南
• clinical_pathway_template.tex - 用于治疗顺序的TikZ决策算法流程图
• biomarker_report_template.tex - 分子亚型分类和基因组谱报告
• evidence_synthesis_template.tex - 系统证据回顾和荟萃分析摘要

模板特征：

• 0.5英寸边距用于紧凑呈现
• 颜色编码推荐框
• 用于人口统计、生物标志物、结果的专业表
• 内置对Kaplan-Meier曲线、瀑布图、森林图的支持
• GRADE证据分级表
• 药物文档的保密标题

脚本

有关分析和可视化工具，请参阅 scripts/ 目录：

• generate_survival_analysis.py - Kaplan-Meier曲线生成，带有对数秩检验、风险比、95% CI
• create_waterfall_plot.py - 队列分析的最佳响应可视化
• 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、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、对数秩检验、Fisher精确检验
• validate_cds_document.py - 质量和合规性检查（HIPAA、统计报告标准）
• grade_evidence.py - 用于治疗推荐的自动GRADE评估助手