技能使用指南

clinical-decision-support（临床决策支持）Skill 能生成哪些临床文档？

clinical-decision-support（临床决策支持）Skill 面向制药与临床研究，一键生成患者队列分析与 GRADE 分级治疗建议报告，内置生存分析、生物标志物分层、决策算法流程图与合规校验，输出出版物就绪的 LaTeX/PDF。本文详解安装验证、使用步骤、竞品对比与真实场景体验，帮你快速上手这款群体级 CDS 文档生成技能。

临床决策支持Skillclinical-decision-support
8 个章节 约 13 分钟阅读 AI 智能生成

临床决策支持Skill：从患者队列到GRADE证据分级，一键生成出版物级CDS文档

  • 它是什么：clinical-decision-support（临床决策支持）是一个面向制药公司、临床研究者与指南委员会的技能，专门生成群体层面的临床决策支持（CDS）文档，而不是床边个体治疗方案。
  • 核心产出两类文档：患者队列分析（生物标志物分层 + 统计比较 + 生存曲线/瀑布图）与治疗建议报告（GRADE 分级 + 决策算法流程图）。
  • 差异化能力：内置 GRADE 证据分级、风险比与 95% CI 报告、Kaplan-Meier 与对数秩检验、Cox 回归、森林图、TikZ 决策树，并强调 HIPAA 去标识化与 ICH-GCP 合规表述。
  • 输出形态：出版物就绪的 LaTeX/PDF，典型 5–15 页，第 1 页为整页执行摘要，第 2 页目录，第 3 页起为详细章节。
  • 明确边界：个体患者治疗计划、床边护理文档应使用 treatment-plans 技能；本技能专注群体分析与证据合成。

该技能叫什么？如何一键安装 AI 技能提升开发效率？

这个技能的中文名是「临床决策支持」，英文名是 clinical-decision-support，技能 ID 为 13099。它的定位非常清晰：把「一堆患者数据 + 一堆文献证据」转化成一份可以直接进入药物开发决策会、监管提交材料包或指南编写流程的专业文档。

它解决什么问题？

在制药与临床研究场景中，一份合格的 CDS 文档往往意味着跨专业协作：统计师算风险比和生存曲线，医学写作整理证据并做 GRADE 分级，图形人员画森林图和决策流程图，最后还要有人统一排版到符合期刊或监管要求的格式。这个链条长、返工多、格式一致性差。该技能把这些环节收敛为一次自然语言委托：描述你的队列或疾病状态，它按内置的文档结构、统计规范与视觉规范产出 LaTeX/PDF。

一键安装的思路与步骤

需要说明的是，具体安装命令、市场入口与版本信息请以官方说明为准，此处给出通用流程：

  1. 确认前提环境：你需要在支持技能（Skill）调用的 AI 客户端或工作区中操作；该技能声明允许使用的工具为「读取、写入、编辑、Bash」，因此工作区需要具备文件读写能力，并建议预先准备 LaTeX 编译环境与 Python 运行环境，以便后续编译 PDF、运行 scripts/ 目录下的统计与绘图脚本。
  2. 检索并安装：在技能市场/技能目录中以英文名 clinical-decision-support 或技能 ID 13099 检索，执行安装（具体入口与命令以官方说明为准）。
  3. 确认目录结构完整：安装后应能看到技能自带的 references/（方法学指导）、assets/（LaTeX 模板）、scripts/（分析与绘图脚本）三类资源，这是它能「开箱即用」的关键。
  4. 验证是否生效：发起一次轻量测试请求，例如「请列出患者队列分析文档的章节结构，并说明第 1 页执行摘要需要哪些元素」。若能返回包含执行摘要、队列特征、生物标志物分层、统计方法、亚组比较、安全性概况等章节的完整结构，说明技能已正确加载。

该技能的主要功能和特点

  • 两类文档模板化产出：患者队列分析（生物标志物分层、组间统计比较、疗效表、瀑布图、游泳图、森林图）与治疗建议报告（按治疗线的推荐、GRADE 分级、TikZ 决策算法、监测方案）。
  • GRADE 证据分级内置：支持 1A、1B、2A、2B、2C 五档推荐强度，并配套证据质量（高/中/低/极低）评估逻辑，还能通过 grade_evidence.py 辅助分级。
  • 统计能力成体系：风险比与 95% 置信区间、p 值、中位 OS/PFS、地标生存率、Kaplan-Meier 曲线与对数秩检验、Cox 回归、Fisher 精确检验，并强调「报告效应量与置信区间，而非只报 p 值」。
  • 生物标志物集成：支持基因组改变（突变、CNV、融合）、基因表达特征、IHC 标记、PD-L1 评分等分层维度，并要求注明检测平台、截断点与验证状态。
  • 强制视觉增强：每份文档必须包含至少 1–2 张由 scientific-schematics 技能生成的 AI 示意图（如临床决策算法、治疗路径、生物标志物分层树、CONSORT 风格患者流程图）。
  • 合规与格式规范：按 HIPAA 安全港方法移除 18 类标识符、提供专有数据保密头、对齐 ICH-GCP，0.5 英寸紧凑边距、颜色编码框（蓝=数据、绿=生物标志物/推荐、黄橙=临床含义、红=警示）。
  • 与普通工具的区别：普通文档工具只能排版，普通统计工具只能算数，而这个技能把「统计规范 + 证据分级规范 + 出版格式规范」三者绑定在同一份产物里，减少跨角色交接的失真正是它的强项。

如何使用该技能？

  1. 明确文档类型：先判断你要的是「患者队列分析」还是「治疗建议报告」。前者回答「不同亚组的疗效差异有多大」，后者回答「这类患者应该按什么顺序治疗」。
  2. 准备输入要素：队列方向需要人群规模、疾病状态、分层维度（如 PD-L1 表达分档）、治疗方案与结局指标；指南方向需要疾病状态、目标人群、关键试验证据、生物标志物决策标准。
  3. 用自然语言下达委托。技能文档给出了可直接参考的示例：
    • 队列示例：「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。」
    • 指南示例：「为 HER2 阳性转移性乳腺癌创建基于证据的治疗推荐，使用 GRADE 系统分级一线、二线和三线选项，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。」
  4. 生成示意图（强制步骤）：在定稿前调用 schematic 生成能力，例如用 python scripts/generate_schematic.py "您的图描述" -o figures/output.png 产出决策算法图或患者流程图，输出保存在 figures/ 目录。
  5. 检查第 1 页执行摘要：确认首页仅含执行摘要、无页码（\thispagestyle{empty}）、包含报告信息框与 3–5 个彩色关键发现框（主要结果、生物标志物见解、临床含义、统计摘要、安全性亮点），并在页末以 ewpage 结束。
  6. 运行脚本与合规校验：按需调用 generate_survival_analysis.py、create_forest_plot.py、create_cohort_tables.py、calculate_statistics.py 等脚本补齐图表与统计，最后用 validate_cds_document.py 做 HIPAA 与统计报告规范检查。
  7. 编译与复核：输出 LaTeX/PDF（通常 5–15 页），逐项核对生物标志物检测方法、随访时间、缺失数据处理与利益冲突披露等最佳实践要求。

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） 群体级 CDS 文档生成技能 队列分析、GRADE 分级治疗推荐、生存分析与森林图、TikZ 决策算法、LaTeX/PDF 出版格式、合规校验脚本 需在支持技能的 AI 工作区安装，建议具备 LaTeX 与 Python 环境；以自然语言驱动，上手门槛低 药物开发、监管提交、指南开发、真实世界证据研究 优势：统计规范与证据分级规范内嵌，产物直接可交付；不足：不面向个体患者，需要用户提供可靠数据与证据输入
通用 AI 对话助手 通用文本生成 可撰写散文式分析、摘要与讨论 门槛极低 初稿构思、文献速读 优势：灵活；不足：缺乏 GRADE 分级体系、生存分析图形与出版级排版约束，统计口径易漂移
统计编程方案（如 R/Python 自建脚本） 数据分析工具箱 生存分析、Cox 回归、绘图能力完整 门槛高，需统计与编程能力 有专职统计师的团队 优势：完全可控；不足：文档规范、证据分级与合规表述需另行搭建，从分析到成稿链路长
传统商业统计软件 统计分析平台 统计检验、报表输出 授权成本与学习成本较高 注册申报统计 优势：成熟稳定；不足：不产出带 GRADE 分级与决策算法的叙述型 CDS 文档，图表与正文需人工拼接

该技能的典型应用场景与实际体验情况

场景一：肿瘤药企医学事务团队的亚组分析 生物统计师需要向顾问委员会展示某 PD-1 抑制剂在不同 PD-L1 表达档位的疗效差异。过去需要先出统计结果、再请医学写作成文、再排版成 PPT 或白皮书。使用本技能可直接委托「按 PD-L1 分层的 ORR、PFS、OS 与风险比，附 Kaplan-Meier 曲线和瀑布图」，获得带彩色关键发现框的执行摘要与完整统计章节。体验上：结构规范度明显高于从零撰写，尤其首页执行摘要设计让非统计背景的决策者能在 60 秒内抓住要点；注意事项是必须提供检测平台与截断点，否则生成的分层描述会偏笼统。

场景二：专业学会的指南编写 指南委员会需要把多线治疗推荐整理成带 GRADE 分级的决策路径。技能会把每个推荐标注为 1A 至 2C，并生成 TikZ 流程图呈现「是/否」决策点。体验上：流程图与推荐框的组合非常贴近正式指南的呈现习惯；需注意的是 GRADE 分级理由必须由用户提供或核对，AI 只是结构化助手，不能替代专家判断。

场景三：真实世界证据（RWE）队列研究 基于 EMR 数据的回顾性研究需要说明患者筛选流程与排除原因。技能要求生成 CONSORT 风格流程图，并强调纳入/排除标准的透明记录。体验上：强制示意图这一约束在合规场景下非常实用，避免了「有数据无流程图」的常见缺陷；注意提前完成去标识化处理。

场景四：监管提交材料准备 IND/NDA 文档需要紧凑排版与保密头。0.5 英寸边距、颜色编码与合规校验脚本让文档更像「提交件」而非「内部草稿」。体验上：上手难度低，但建议预留复核时间，逐项检查统计口径与引用完整性。

该技能能为用户带来的价值

效率层面：把「统计分析—证据分级—图形制作—格式排版」四条并行工作流合并为一次委托，起草阶段可显著压缩周期，尤其适合需要反复迭代亚组切分方式的探索性分析。

门槛层面：没有 LaTeX 经验的研究者也能拿到出版物级 PDF；不熟悉 GRADE 体系的团队也能得到规范的推荐强度表述；不擅长绘图的医学写作人员也能获得森林图与决策流程图。

质量层面：内置的最佳实践清单（报告 95% CI 而非只报 p 值、注明中位随访时间、预先指定亚组并区分探索性分析、按 CTCAE 5.0 与 RECIST 1.1 定义结局）实质上是把行业审稿人常提的意见前置到了生成环节，减少返修。

长期价值：references/、assets/、scripts/ 三层结构让团队可以沉淀自己的模板与分析惯例，逐步形成可复用的文档生产标准；对于需要长期维护指南、定期更新的机构，这种一致性比单次产出更有价值。

常见问题 FAQ

Q1：这个技能和「治疗计划」类技能有什么区别，我该选哪个？ 本技能面向群体层面：队列分析、证据合成、指南开发，使用者是药企、研究者、指南委员会。若你要为某一位具体患者制定护理或用药计划、做床边文档，应使用 treatment-plans 技能。判断口诀：分析一群人用前者，安排一个人用后者。

Q2：怎么安装？安装后怎么确认可用？ 在支持技能调用的 AI 工作区中，以英文名 clinical-decision-support 或技能 ID 13099 检索安装（具体入口与命令以官方说明为准）。安装后可要求技能「列出患者队列分析文档的章节结构」或「说明第 1 页执行摘要需要哪些元素」，若返回包含执行摘要、生物标志物分层、统计方法、TikZ 算法等要素的结构，即表示生效。

Q3：收费吗？需要额外准备什么环境？ 该技能本身的计费方式请以官方说明为准。环境方面，建议准备 LaTeX 编译环境（用于输出 PDF）与 Python 运行环境（用于运行 scripts/ 下的生存分析、森林图、统计计算与合规校验脚本）；示意图生成由 scientific-schematics 能力配合完成。

Q4：适合谁用？不适合谁用？ 适合：药企临床开发与医学事务团队、临床研究者、指南编写委员会、真实世界证据分析人员。不适合：需要即时床边决策支持的一线临床医护、只想做简单统计描述而不需要成文文档的用户。

Q5：生成的文档能直接投期刊或提交监管吗？ 技能产出的是「出版物就绪」的格式与结构，并内置 HIPAA 去标识化、保密头与 ICH-GCP 对齐提示，还可配合 validate_cds_document.py 做质量检查。但统计结果、证据分级与临床结论必须由具备资质的专业人员复核确认，文档最终责任仍在作者与机构。