临床决策支持Skill：把生物标志物分层与GRADE证据分级，一键做成出版物级CDS文档
- 它是什么：一个面向制药与临床研究的「临床决策支持（CDS）文档生成」AI 技能，专做患者队列分析与治疗推荐报告，输出出版物就绪的 LaTeX/PDF。
- 它解决什么：把「生物标志物分层 + 统计分析 + 证据分级 + 图表排版 + 合规去标识」这条原本要跨统计师、医学写作、排版三方协作的长链条，压缩成一到两次对话。
- 它的差异点：不是通用写作工具，内置 GRADE 分级、Kaplan-Meier 曲线、瀑布图、森林图、TikZ 决策流程图等临床研究专用要素，并强制第一页执行摘要。
- 它的边界：服务群体层面的分析与证据综合；个体患者床旁治疗计划应改用
treatment-plans技能。 - 适合谁：药企医学事务/临床开发团队、临床研究统计与医学写作人员、学会指南工作组、真实世界证据研究者。
该技能叫什么？如何下载安装 AI 技能提升开发效率？
技能基本信息
| 项目 | 内容 |
|---|---|
| 中文名 | 临床决策支持Skill |
| 英文名 | clinical-decision-support |
| 技能ID | 13045 |
| 调用工具权限 | 读取、写入、编辑、Bash |
| 输出形态 | LaTeX / PDF，通常 5-15 页 |
它到底解决什么问题
在制药与临床研究场景里，一份合格的 CDS 文档往往意味着一堆重复劳动：从电子病历或试验数据里拉队列、按分子亚型分组、跑生存分析、算风险比和 95% 置信区间、给每条推荐打 GRADE 等级、再把结果画成生存曲线和森林图、最后排成能进法规提交或期刊投稿的版式。
这个技能把这套流程「技能化」了：你只需要用自然语言描述分析目标（疾病、人群、分层维度、关注的终点指标），技能就会按预设的文档结构产出——第一页是占满整页的执行摘要，配 3-5 个彩色信息框（主要结果、生物标志物洞察、临床意义、统计摘要、安全亮点），第二页起是队列特征、生物标志物分层、疗效与安全性表、生存曲线与决策流程图。
需要强调的是：它面向的是群体层面的分析与证据综合，服务对象是药企、临床研究者、指南委员会和医疗事务团队；个体患者的床旁治疗计划不在它的职责范围内，那属于 treatment-plans 技能的领域。
「一键安装」的思路与步骤
AI 技能的安装通常都很轻量，不涉及复杂的依赖编排。通用流程如下（具体入口与命令请以官方说明为准）：
第一步：确认前置条件
- 你使用的 AI 编程/对话客户端需要支持「技能（Skill）」机制，并能开启文件读写与 Bash 执行权限——这是本技能声明使用的工具集，缺一不可。
- 由于技能会调用
scripts/目录下的 Python 脚本生成生存曲线、瀑布图、森林图，本地通常需要可用的 Python 环境。 - 由于最终输出为 LaTeX/PDF，本地一般需要 LaTeX 编译环境；若不编译，也至少能拿到
.tex源文件。 - 文档中提到的示意图生成依赖
scientific-schematics技能，若希望自动生成决策算法图，建议一并安装。
第二步：检索并安装技能
在客户端的技能市场/技能库/插件中心中，用技能英文名 clinical-decision-support 或技能ID 13045 检索，找到条目后点击安装或启用。安装入口的具体位置、是否支持命令行安装，以官方说明为准。
第三步：验证是否生效
安装完成后不要直接上真实数据，先用一句话做冒烟测试，例如：
用临床决策支持技能，为 45 名 NSCLC 患者按 PD-L1 表达（<1%、1-49%、≥50%）分层生成队列分析框架，包含执行摘要与疗效表。
如果技能正常工作，你应该看到：输出以第一页执行摘要开头、包含多个彩色信息框、列出 ORR / 中位 PFS / 中位 OS 与风险比等指标，并给出后续章节结构。看到这些，说明技能已正确加载；若只得到通用文字回复而无结构，通常是技能未启用或文件写入权限未授予。
第四步：跑通一次完整链路
再让它输出一次带图表的完整文档，确认 Python 脚本能执行、LaTeX 能编译、图片能落到 figures/ 目录。这一步跑通后，后续所有分析都可以复用同一套流程。
该技能的主要功能和特点
一、两类核心文档
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、免疫组化标志物、PD-L1 评分、基因组改变（突变、拷贝数变异、融合）。
- 分子亚型分类，例如胶质母细胞瘤的「间充质-免疫活性」与「前神经」分型、乳腺癌亚型划分。
- 结果指标统计：总生存期（OS）、无进展生存期（PFS）、客观缓解率（ORR）、缓解持续时间（DOR）、疾病控制率（DCR）。
- 子组间统计比较：风险比（HR）、p 值、95% 置信区间。
- 生存分析：Kaplan-Meier 曲线配合对数秩检验、Cox 回归。
- 疗效表格与瀑布图、比较有效性分析。
治疗推荐报告
- 针对特定疾病状态的循证治疗指南。
- GRADE 推荐强度分级（1A、1B、2A、2B、2C）与证据质量评估（高、中、低、极低）。
- 带 TikZ 图的治疗算法流程图。
- 基于生物标志物的治疗线排序与决策路径。
- 制药战略文档与医学学会指南开发支持。
二、和普通写作工具比，强在哪
- 临床术语与统计口径是内建的：不用反复提示「请用 RECIST 1.1、CTCAE 5.0、ECOG 评分」，技能本身就以这些标准为默认。
- 强制第一页执行摘要：每份文档第一页必须是完整执行摘要，
\thispagestyle{empty}去掉页码，用不同颜色 tcolorbox 做视觉分层，保证决策者 60 秒内抓得住结论。 - 图表不是装饰而是规定动作：详情中明确要求每份 CDS 文档必须包含至少 1-2 张由
scientific-schematics生成的 AI 示意图；队列分析要有患者流程图（CONSORT 风格），治疗推荐要有决策流程图。 - 合规意识前置：按 HIPAA 安全港方法去除 18 项标识符、加机密性头、对齐 ICH-GCP，这些是法规提交场景的硬门槛。
- 配套资产齐全：
assets/下有队列分析、治疗推荐、临床路径、生物标志物报告、证据综合等多套 LaTeX 模板；scripts/下有生存分析、瀑布图、森林图、队列表、决策树、生物标志物分类、统计计算、文档校验、GRADE 评估等工具脚本。
如何使用该技能？
步骤 1：明确你要的是「队列分析」还是「治疗推荐」
这是最关键的一步分叉。想比较不同患者亚组的疗效差异，走队列分析；想输出带证据等级的用药路径，走治疗推荐。两者共用执行摘要的版式，但章节结构与配图完全不同。
步骤 2：用自然语言描述分析需求
技能直接接受口语化指令，不需要写结构化参数。参考详情中的示例写法：
分析 60 名 HER2 阳性转移性乳腺癌患者，接受曲妥珠单抗-deruxtecan 治疗，
按既往曲妥珠单抗暴露（是/否）分层。包括 ORR、DOR、中位 PFS，
带森林图显示按激素受体状态、脑转移和既往线数的子组分析。
为晚期 NSCLC 生成治疗推荐报告，基于 PD-L1 表达、EGFR 突变、
ALK 重排和体能状态。包括每个分子亚型的 GRADE 分级推荐、
TikZ 流程图用于生物标志物定向治疗选择，和证据表。
步骤 3：指定分层维度与终点
把「按什么分层」讲清楚，例如 PD-L1 表达分三档（<1%、1-49%、≥50%）、激素受体状态、脑转移有无、既往治疗线数。同时点名你要的终点（ORR / PFS / OS / DOR），技能会自动配上风险比、p 值和 95% CI。
步骤 4：确认图表清单
队列分析默认配 Kaplan-Meier 曲线（含对数秩 p 值与风险表）、瀑布图、森林图；治疗推荐默认配 TikZ 决策算法流程图。若需要额外示意图，可手动调用：
python scripts/generate_schematic.py "您的图描述" -o figures/output.png
该脚本会迭代生成出版物质量图像，并兼顾色盲友好与高对比度，输出保存在 figures/ 目录。
步骤 5：生成并校验文档
文档生成后，建议运行合规与质量校验脚本，检查统计报告规范与去标识化是否到位，确认无误再进入提交或投稿环节。
步骤 6：按需接入下游流程
- 需要期刊风格（结构化摘要、CONSORT/STROBE 遵从、证据语言）时，参考
venue-templates技能的medical_journal_styles.md。 - 需要把队列洞察落到具体患者时，转交
treatment-plans技能。
输出说明
你会得到一份 5-15 页的文档：第 1 页是占满整页的执行摘要（3-5 个彩色信息框），第 2 页可选目录，第 3 页起是详细的队列特征、生物标志物分层、结果分析、统计方法、安全性概况与参考文献，版式为 0.5 英寸紧凑页边距，带有保密性声明头。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| 临床决策支持Skill（本技能） | 制药/研究级 CDS 文档生成 | 队列分层、生存分析、GRADE 分级、TikZ 流程图、LaTeX/PDF 直出、HIPAA 去标识 | 需支持技能机制的客户端 + Python + LaTeX 环境 | 药物开发、法规提交、指南开发、RWE 研究 | 优势：结构与合规内建、图表齐全、一次成稿；不足：面向群体分析，个体患者方案需换技能，环境门槛略高 |
| 通用大模型直接对话 | 通用文本生成 | 写作、总结、代码辅助 | 极低，打开即用 | 通用办公、初稿起草 | 优势：零门槛；不足：无 CDS 专用结构，GRADE、KM 曲线、LaTeX 排版均需自行提示与复核，合规要素易漏 |
| 传统统计软件（R / SPSS / SAS）+ 手工排版 | 专业统计分析 | 统计建模、绘图 | 高，需统计与编程能力 | 严谨的试验统计分析 | 优势：统计可控性最强；不足：从分析到成稿全靠人工，医学写作与排版另需人力，周期长 |
| 循证指南数据库/临床知识库 | 临床知识查询 | 指南检索、药物信息、推荐条目 | 低，多为订阅制 | 临床查证、指南速查 | 优势：权威、更新快；不足：只提供知识不做定制分析，无法按你的队列数据生成结果与图表 |
| treatment-plans 技能（同系列） | 个体患者治疗计划 | SMART 目标、患者特定干预、监测计划 | 与同类技能相当 | 床旁护理、电子病历 | 优势：贴合个体化诊疗；不足：不做群体统计与证据综合，与本技能互补而非替代 |
选择建议很直白：要证据综合与群体分析选本技能；要单个患者的可执行方案选 treatment-plans；只是查指南就用知识库；只在做纯统计建模则传统软件仍不可替代。
该技能的典型应用场景与实际体验情况
场景一：药企医学事务做 KOL 教育材料
角色与痛点：医学事务经理需要为顾问委员会准备一份基于证据的治疗算法材料，既要 GRADE 分级说得清，又要版式能直接对外。过去要么等医学写作团队排期，要么自己拼 PPT。
使用方式：直接描述疾病状态、目标人群和希望覆盖的治疗线，要求输出带 GRADE 分级的推荐与 TikZ 决策流程图。
实际体验：上手几乎无学习成本，第一页执行摘要的彩色框设计对汇报场景非常友好，决策者扫一眼就能抓到核心推荐。需要注意的是，技能只负责结构化与呈现，推荐内容本身必须由你们自己的证据回顾来核定，不能把生成结果当作事实来源。
场景二：临床研究统计人员做生物标志物分层分析
角色与痛点：统计师完成分析后，要额外花大量时间把结果转成图表和文字，尤其森林图、瀑布图、带风险表的 KM 曲线，反复调格式。
使用方式：给出队列规模、分层维度（如 PD-L1 三档）和终点指标，要求包含风险比、95% CI 与对数秩检验。
实际体验：图表脚本省掉了大量重复劳动，输出格式统一。注意事项是数据去标识必须在输入前完成——技能虽然内置 HIPAA 安全港去标识流程，但原始数据最好先在本地脱敏，避免敏感信息进入对话上下文。
场景三：专业学会开发临床实践指南
角色与痛点：指南工作组要综合多项 III 期试验证据，给每条推荐标注强度等级，还要画出无歧义的决策路径图。
使用方式：要求生成治疗推荐报告，指明主要证据来源（如 KEYNOTE-189、FLAURA 这类试验），并指定 GRADE 分级方式。
实际体验：GRADE 等级与证据质量的对应关系呈现得较清晰，grade_evidence.py 这类辅助脚本能减少人为打分的随意性。需要注意的是证据引用的准确性仍需人工逐条核对，走查工作不能省。
场景四：真实世界证据（RWE）队列研究
角色与痛点：回顾性分析的样本来自电子病历，数据零散，做亚组比较时统计口径容易不一致。
使用方式：按生物标志物子组或治疗线分组，要求比较有效性与长期生存安全性，输出子组结果表与森林图。
实际体验：模板化的队列表大幅减少了口径不一致的问题，固定随访时间点的生存率呈现也很规范。注意事项是缺失数据的处理方式要在指令里明确说明，否则生成的文档在方法学描述上会偏笼统。
该技能能为用户带来的价值
效率层面：把「统计分析 → 图表绘制 → 医学写作 → LaTeX 排版」四段串联工作中最耗时的后三段交给技能，单份 CDS 文档的制作从以「周」为单位压缩到以「天」甚至「小时」为单位。瀑布图、森林图、KM 曲线、决策流程图这些原本要逐个调参的图，现在是一条指令的产出物。
门槛层面：不会 LaTeX 也能拿到出版物级排版；不熟悉 GRADE 分级体系的人，也能通过内建的 1A/1B/2A/2B/2C 框架把推荐强度写规范；不了解 CONSORT/STROBE 的报告要求，也能通过配套模板与风格指南对齐期刊规范。
合规与质量层面：HIPAA 安全港去标识、ICH-GCP 对齐、机密性头、统计报告规范校验，这些容易被忽略但一旦缺失就会导致返工甚至无法提交的环节，被固化到流程中。
长期价值：assets/ 下的五套模板与 scripts/ 下的九个工具脚本构成了可复用的资产库。随着团队积累，你们可以沉淀出自己机构的文档规范，让每一次分析的产出格式都保持一致——这对需要长期维护指南版本、持续更新证据的团队尤其重要。同时，技能与 scientific-writing、clinical-reports、scientific-schematics、treatment-plans 的集成关系，意味着它能嵌进更大的研究工作流，而不是一个孤立工具。
常见问题 FAQ
Q1：怎么安装这个技能？需要什么环境？
在支持技能机制的客户端里，用英文名 clinical-decision-support 或技能ID 13045 检索并启用即可。环境上通常需要可用的 Python（用于运行 scripts/ 下的分析脚本）和 LaTeX 编译环境（用于输出 PDF）；若还要自动生成决策算法示意图，建议同时安装 scientific-schematics 技能。具体安装入口与命令以官方说明为准。
Q2：这个技能收费吗？
技能本身的定价与获取方式取决于你使用的平台与技能市场规则，本技能详情中未包含价格信息，请以官方说明为准。需要注意的是，它依赖的 Python、LaTeX 等基础环境属于通用开源工具，按各自的许可协议使用。
Q3：它能直接给某个患者开治疗方案吗？
不建议。这个技能的定位是群体层面的分析与证据综合，服务对象是药企、临床研究者和指南委员会。个体患者床旁治疗计划、电子病历文档、针对单一患者的治疗协议，应使用 treatment-plans 技能——它侧重 SMART 目标、患者特定干预与监测计划，输出是 1-4 页的可执行护理计划。
Q4：适合哪些岗位的人用？和传统统计软件怎么选？
适合药企临床开发与医学事务、临床研究统计与医学写作、学会指南工作组、RWE 研究者、医疗战略与顾问委员会材料准备者。和 R/SPSS/SAS 不是替代关系：传统软件负责统计建模的严谨性与可复现性，本技能负责把结果转成合规、可读、可直接提交的文档。现实做法是先用统计软件完成核心分析，再把结果交给技能做文档化与可视化。
Q5：生成的内容可以直接提交监管或投稿吗？
不能不经审核直接提交。技能内建了 GRADE 分级、统计报告规范、HIPAA 去标识和机密性声明等合规要素，也提供了文档质量校验环节，但证据引用的准确性、统计结果与原始数据的一致性、以及推荐的临床合理性，都必须由专业人员逐条复核。把它当作一位高效的医学写作与排版助手，而不是最终责任人。