临床决策支持Skill clinical-decision-support

---

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 (CDS) 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（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）、生物标志物集成和监管合规。输出适用于药物开发、临床研究和证据合成的出版物就绪 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。此技能专长于分析性、基于证据的文档，用于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 - 基于证据的临床指南，带有 GRADE 分级和决策算法

所有文档均生成为出版物就绪的 LaTeX/PDF 文件，优化用于药物研究、监管提交和临床指南开发。

注意： 对于床边的个体患者治疗计划，请使用 treatment-plans 技能。此技能专注于群体水平的分析和证据合成，用于制药/研究设置。

写作风格： 对于针对医学期刊的出版物就绪文档，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 合规的指导。

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）
• 带有统计分析的结果指标（OS、PFS、ORR、DOR、DCR）
• 亚组之间的统计比较（风险比、p 值、95% CI）
• 带有 Kaplan-Meier 曲线和对数秩检验的生存分析
• 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）
• 带有 TikZ 图的治疗算法流程图
• 基于生物标志物的治疗线序列
• 带有临床和分子标准的决策路径
• 制药战略文档
• 医学学会的临床指南开发

临床特征

• 生物标志物集成：基因组改变（突变、CNV、融合）、基因表达特征、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、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、适当的医学术语、试验命名法
• 监管合规：HIPAA 去标识化、保密头、ICH-GCP 对齐
• 专业格式化：紧凑的 0.5 英寸边距、颜色编码推荐、出版物就绪、适用于监管提交

制药和研究用例

此技能专门设计用于制药和临床研究应用：

药物开发

• 第 2/3 期试验分析：生物标志物分层的疗效和安全性分析
• 亚组分析：显示患者亚组间治疗效果的森林图
• 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：基于证据的治疗算法，用于思想领袖
• 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
• 出版物规划：用于同行评审期刊的手稿就绪分析

临床指南

• 指南开发：带有 GRADE 方法学的证据合成，用于专业学会
• 共识推荐：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
• 质量度量：基于证据的性能指标

真实世界证据

• RWE 队列研究：来自 EMR 数据的患者队列回顾性分析
• 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

当您需要时使用此技能：

• 分析患者队列，按生物标志物、分子亚型或临床特征分层
• 生成治疗建议报告，带有证据分级，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 证据分级和决策算法
• 记录生物标志物指导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，带有治疗序列的流程图

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）
• 简单患者特定治疗协议（使用 treatment-plans 技能）

使用科学示意图进行视觉增强

⚠️ 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 scientific-schematics 技能生成的 AI 生成图。

这是非可选的。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（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：

• 使用 scientific-schematics 技能生成 AI 驱动的出版物质量图
• 只需用自然语言描述您想要的图
• Nano Banana Pro 将自动生成、审查和优化示意图

如何生成示意图：

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

AI 将自动：

• 创建出版物质量的图像，带有适当的格式化
• 通过多次迭代审查和优化
• 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以一个完整的执行摘要开始，该摘要占据整个第 1 页，在任何目录或详细部分之前。

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，“生物标志物分层队列分析”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
   • 生物标志物见解（绿色框）：关键分子亚型发现
   • 临床含义（黄色/橙色框）：可操作的治疗含义
   • 统计摘要（灰色框）：风险比、p 值、关键统计
   • 安全性亮点（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
• 框应可扫描并突出显示最关键信息
• 使用项目符号，而非叙述段落
• 在第 1 页以 ewpage 结束，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 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：生物标志物见解
\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=临床推荐]
\begin{itemize}
    \item 无论 HR 状态如何，观察到强疗效 (Grade 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  % TOC 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 页及以上）

• 队列特征：人口统计、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 配置
• 治疗暴露：接受的治疗、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、对数秩检验、Cox 回归
• 亚组比较：生物标志物分层的疗效、森林图、统计显著性
• 安全性概况：按亚组的不良事件、剂量修改、停药
• 临床推荐：基于生物标志物配置的治疗含义
• 图：瀑布图、游泳图、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

治疗建议报告（详细部分 - 第 3 页及以上）

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. 关键推荐框（绿色）：按治疗线的顶级 3-5 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

详细部分（第 3 页及以上）：

• 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：可用治疗，带有作用机制
• 证据分级：每个推荐的 GRADE 评估（1A、1B、2A、2B、2C）
• 按线推荐：一线、二线、后续治疗
• 生物标志物指导选择：基于分子配置的决策标准
• 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/肝损伤、合并症
• 参考文献：带有试验名称和引用的完整书目

输出格式

强制第一页要求：

• 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 页及以上：详细部分，带有方法、结果、图、表

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：出版物就绪、制药级、适用于监管提交
• 第一页：始终是一个完整的执行摘要，占据整个第 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/推荐，黄色/橙色=临床含义，红色=警告
  • 推荐框（绿色=强推荐，黄色=条件性，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：
  • 带有基线特征的人口统计
  • 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：
  • 带有对数秩 p 值和风险数字表的 Kaplan-Meier 生存曲线
  • 瀑布图显示按患者的最佳反应
  • 用于亚组分析的森林图，带有置信区间
  • TikZ 决策算法流程图
  • 用于个体患者时间线的游泳图
• 统计：风险比带有 95% CI、p 值、中位生存时间、地标生存率
• 合规：按 HIPAA 安全港去标识化，专有数据的保密通知

集成

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、监管文档
• scientific-schematics：用于决策算法和治疗路径的 TikZ 流程图
• treatment-plans：队列衍生见解的个体患者应用（双向）

与治疗计划技能的关键区别

临床决策支持（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），带有大量图和表
• 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 名 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：个体患者护理规划
• 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：床边临床护理、EMR 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、制药战略文档
• 使用 治疗计划 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 45 名 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

> 生成 30 名 GBM 患者队列分析，分类为集群 1（间充质-免疫活跃型）
> 和集群 2（前神经型）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。包括生物标志物配置表和统计比较。

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，
> 按先前 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基于证据的治疗推荐，包括
> 生物标志物指导的治疗选择。使用 GRADE 系统分级一线
> （trastuzumab+pertuzumab+taxane）、二线（trastuzumab-deruxtecan）和三线选项的推荐。
> 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

> 生成晚期 NSCLC 的治疗推荐报告，基于 PD-L1 表达、EGFR 突变，
> ALK 重排和性能状态。包括每个分子亚型的 GRADE 分级推荐，
> 用于生物标志物指导治疗选择的 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序列

> 为新诊断的多发性骨髓瘤创建治疗算法，通过复发/难治设置。
> 包括移植合格 vs 不合格、高风险细胞遗传学考虑的 GRADE 推荐，
> 和 daratumumab、carfilzomib、CAR-T 治疗的序列。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、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（总体生存）、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 性能状态、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、多重测试校正

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：益处明显超过风险
• 条件性：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

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）、截断点和验证状态
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. 结果定义：使用标准标准：
   • 反应：RECIST 1.1，用于免疫治疗的 iRECIST
   • 不良事件：CTCAE 版本 5.0
   • 性能状态：ECOG 或 Karnofsky
5. 生存数据呈现：
   • 中位 OS/PFS 带有 95% CI
   • 地标生存率（6 个月、12 个月、24 个月）
   • 风险数字表在 Kaplan-Meier 曲线下方
   • 明确指示审查
6. 亚组分析：预先指定亚组；清晰标记探索性 vs 预先计划分析
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. 证据分级透明度：
   • 一致使用 GRADE 系统（1A、1B、2A、2B、2C）
   • 记录每个分级的理由
   • 清晰陈述证据质量（高、中、低、极低）
2. 全面证据审查：
   • 包括第 3 期随机试验作为主要证据
   • 用第 2 期数据补充新兴治疗
   • 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. 生物标志物指导推荐：
   • 将特定生物标志物链接到治疗推荐
   • 指定测试方法和验证检测
   • 包括 FDA/EMA 批准状态用于伴随诊断
4. 临床可操作性：每个推荐应有清晰的实施指导
5. 决策算法清晰度：TikZ 流程图应无歧义，带有清晰的“是/否”决策点
6. 特殊人群：解决老年人、肾/肝损伤、妊娠、药物相互作用
7. 监测指导：指定安全实验室、影像和频率
8. 更新频率：日期推荐并计划定期更新

一般最佳实践

1. 第一页执行摘要（强制）：
   • 始终创建一个完整的执行摘要在第 1 页，占据整个第一页
   • 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
   • 这是最重要的一页 - 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. 出版物就绪格式化：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启用复制
6. 利益冲突：当适用时，披露制药资金或关系
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=推荐，红色=警告）

参考文献

参见 references/ 目录以获取详细指导：

• 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
• 结果分析和统计方法
• 证据合成和分级系统

模板

参见 assets/ 目录以获取 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 分级的基于证据临床实践指南
• clinical_pathway_template.tex - 用于治疗序列的 TikZ 决策算法流程图
• biomarker_report_template.tex - 分子亚型分类和基因组配置报告
• 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
• 颜色编码推荐框
• 用于人口统计、生物标志物、结果的专业表
• 内置支持 Kaplan-Meier 曲线、瀑布图、森林图
• GRADE 证据分级表
• 用于制药文档的保密头

脚本

参见 scripts/ 目录以获取分析和可视化工具：

• 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 - 用于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、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 - 质量和合规检查（HIPAA、统计报告标准）
• grade_evidence.py - 用于治疗推荐的自动化 GRADE 评估助手