呼吸系统药物临床试验肺功能指标的动态阈值设定方法

呼吸系统药物临床试验肺功能指标的动态阈值设定方法演讲人04/动态阈值设定的方法学框架03/动态阈值的科学内涵与理论基础02/传统固定阈值的局限性：动态阈值提出的必要性01/呼吸系统药物临床试验肺功能指标的动态阈值设定方法06/动态阈值在不同呼吸系统疾病药物临床试验中的应用案例05/动态阈值设定的技术支撑与工具08/总结与展望07/动态阈值设定的挑战与未来方向目录01呼吸系统药物临床试验肺功能指标的动态阈值设定方法呼吸系统药物临床试验肺功能指标的动态阈值设定方法1.引言：肺功能指标在呼吸系统药物临床试验中的核心地位与挑战呼吸系统疾病（如慢性阻塞性肺疾病、哮喘、特发性肺纤维化等）的临床药物研发中，肺功能指标是评价药物疗效与安全性的“金标准”。其中，用力肺活量（FVC）、第1秒用力呼气容积（FEV1）、呼气峰流速（PEF）等参数不仅能客观反映气道阻塞、肺实质病变或呼吸肌功能障碍的严重程度，更能通过动态变化量化药物对疾病进程的干预效果。然而，传统肺功能评价指标多依赖“固定阈值”（如FEV1较基线下降≥15%判定为异常），这种“一刀切”的判定方式忽略了患者间的个体差异（如年龄、性别、基线肺功能储备、疾病异质性）及疾病本身的动态进展特征，导致临床试验中可能出现“假阴性”或“假阳性”结果——例如，基线FEV1较低的患者可能因轻微波动即达到固定阈值，而基线较高的患者可能出现显著下降却未达阈值，从而影响疗效判定的准确性。呼吸系统药物临床试验肺功能指标的动态阈值设定方法近年来，随着个体化医学理念的深入和真实世界数据的应用，动态阈值（DynamicThreshold）逐渐成为呼吸系统药物临床试验的重要方法。动态阈值强调以患者自身为参照，结合基线特征、疾病进展规律、药物作用机制及时间依赖性因素，构建个体化的、随治疗阶段调整的判定标准。这种方法不仅能更精准地捕捉药物疗效与安全性信号，还能优化临床试验设计（如样本量估算、中期分析）、指导个体化给药，最终加速新药研发进程。本文将系统阐述动态阈值的科学内涵、理论基础、方法学框架、技术支撑及临床应用，为行业提供一套可操作的动态阈值设定方案。02传统固定阈值的局限性：动态阈值提出的必要性1固定阈值的定义与适用场景传统固定阈值通常基于人群研究或专家共识，设定一个统一的临界值（如FEV1下降≥15%为支气管痉挛风险，FVC下降≥10%为疾病进展）。该方法操作简单、重复性好，在疾病诊断（如COPD诊断中FEV1/FVC<0.70）或短期安全性评价中具有一定价值。然而，其核心假设是“所有患者对肺功能变化的敏感度一致”，这一假设在呼吸系统药物临床试验中往往难以成立。2固定阈值在临床试验中的主要局限2.1忽视个体基线差异肺功能受多种生理因素影响：老年患者的FEV1自然年下降率约为20-30ml，而年轻患者可能仅10-15ml；女性FVC通常比男性低10%-15%；长期吸烟者的肺功能储备显著低于非吸烟者。若采用统一阈值，基线肺功能较低的患者可能因生理性波动被误判为“药物相关不良事件”，而基线较高的患者可能出现有临床意义的下降却未达阈值。例如，在一项针对哮喘生物制剂的III期试验中，固定阈值（FEV1下降≥15%）导致12%基线FEV1<60%预测值的患者被错误分类为“无应答”，而其实际肺功能改善幅度已超过最小临床重要差异（MCID，100ml）。2固定阈值在临床试验中的主要局限2.2无法反映疾病动态进展呼吸系统疾病多呈“波动性”或“进展性”特征：哮喘患者的FEV1可能因季节、过敏原暴露出现短期波动；COPD患者的FVC年下降率受急性加重频率影响（频繁急性加重者年下降率可达50ml，稳定期者仅20ml）；特发性肺纤维化（IPF）患者的FVC下降速率与疾病表型（快速进展型vs慢速进展型）密切相关。固定阈值仅关注“单次测量值与基线的差异”，无法区分“药物干预下的疾病变化”与“疾病自然进展”，导致疗效评价偏差。例如，在一项IPF药物试验中，固定阈值（FVC年下降≥10%）将部分“快速进展型”患者误判为“药物无效”，而其实际药物疗效已显著延缓其下降速率（从50ml/年降至25ml/年）。2固定阈值在临床试验中的主要局限2.3难以捕捉药物作用的动态特征呼吸系统药物的作用机制具有时间依赖性：支气管舒张剂（如LABA）在给药后15-30分钟起效，持续12-24小时；抗纤维化药物（如吡非尼酮）需连续治疗3-6个月才能显著改善FVC；生物制剂（如抗IgE抗体）需2-4次给药后才能降低急性加重频率。固定阈值通常设定为“特定时间点（如12周）的变化值”，无法反映药物作用的“起效时间-效应峰值-持续时间”动态过程，导致对药物疗效的评价片面化。例如，在一项长效抗胆碱能药物试验中，固定阈值（12周FEV1变化≥100ml）忽略了部分患者在4周时即达到峰值效应（150ml），而12周时回落至120ml的情况，从而低估了药物的整体疗效。3动态阈值的核心价值0504020301与传统固定阈值相比，动态阈值的核心优势在于“个体化”与“动态化”：-个体化：以患者自身基线特征（年龄、性别、基线肺功能、合并症）为起点，结合疾病进展模型，构建“专属判定标准”，避免“一刀切”的偏差；-动态化：整合时间维度（如治疗时长、季节变化）和药物作用机制，设定随治疗阶段调整的阈值，更真实反映药物疗效与安全性；-精准化：结合生物标志物、患者报告结局（PRO）等多维数据，提升阈值设定的临床意义，避免单纯统计学指标的局限性。因此，动态阈值的设定不仅是方法学上的改进，更是呼吸系统药物临床试验从“群体疗效”向“个体精准”转型的重要支撑。03动态阈值的科学内涵与理论基础1动态阈值的定义与核心要素动态阈值是指基于个体基线特征、疾病进展规律、药物作用机制及时间依赖性因素，通过数学模型构建的、随治疗阶段动态调整的肺功能指标判定标准。其核心要素包括：-个体基线特征：人口学（年龄、性别）、生理学（基线FEV1/FVC、身高、体重）、临床（疾病严重程度、急性加重史、合并症）；-疾病进展轨迹：疾病自然史模型（如COPD的FVC年下降率、哮喘的FEV1周波动幅度）；-药物作用机制：药物的起效时间、达峰时间、持续时间、量效关系；-时间维度：治疗时长（如短期急性效应vs长期慢性效应）、季节因素（如哮喘的冬季波动）；-临床意义边界：最小临床重要差异（MCID）、最小检测差异（MDD）、安全性警戒值。2动态阈值的理论基础2.1个体化医学理论个体化医学强调“同病异治”，即相同疾病在不同患者中因遗传背景、环境暴露、生理状态差异，表现为不同的疾病表型和治疗反应。动态阈值正是个体化医学在肺功能评价中的具体实践：通过整合患者特异性因素，构建“一人一阈值”的判定体系，使疗效评价更贴合个体实际情况。例如，对于基线FEV1较低（<50%预测值）的COPD患者，其MCID可能仅为50ml（占基值10%），而对于基线FEV1>80%预测值的哮喘患者，MCID需达100ml（占基值12.5%），动态阈值可根据基值自动调整MCID判定标准。2动态阈值的理论基础2.2药效动力学与药代动力学模型药效动力学（PD）描述药物浓度与效应的关系，药代动力学（PK）描述药物在体内的吸收、分布、代谢过程。动态阈值需结合PK/PD模型，反映药物作用的动态特征。例如，对于短效支气管舒张剂，PD模型显示药物浓度与FEV1呈“S”型曲线，达峰时间约30分钟，动态阈值可设定为“给药后30分钟FEV1较基线上升≥15%”；对于抗纤维化药物，PK模型显示药物稳态血药浓度需4周达到，PD模型显示FVC改善需3个月，动态阈值可设定为“3个月FVC较基线变化≥-5%（较自然进展的-10%改善50%）”。2动态阈值的理论基础2.3生物统计学与混合效应模型纵向数据（LongitudinalData）是动态阈值设定的基础，而混合效应模型（MixedEffectsModel）是处理纵向数据的核心统计方法。该模型能同时估计“群体平均水平”（固定效应）和“个体间变异”（随机效应），从而实现“群体建模、个体预测”。例如，在COPD药物试验中，可构建线性混合效应模型：\[FEV_{it}=\beta_0+\beta_1\timesTime_{it}+\beta_2\timesTreatment_{it}+b_{0i}+b_{1i}\timesTime_{it}+\varepsilon_{it}\]2动态阈值的理论基础2.3生物统计学与混合效应模型其中，\(\beta_0\)为群体基线FEV1，\(\beta_1\)为自然下降率，\(\beta_2\)为药物效应，\(b_{0i}\)、\(b_{1i}\)为个体基线与下降率的随机效应，\(\varepsilon_{it}\)为个体内误差。通过该模型可预测个体在任意时间点的“预期FEV1”，并设定动态阈值如“个体实测FEV1较预期值下降≥20%”。2动态阈值的理论基础2.4疾病自然史模型疾病自然史模型描述“未干预状态下肺功能随时间的变化规律”，是动态阈值区分“药物效应”与“疾病进展”的关键。例如，IPF的自然史模型显示，FVC年下降率呈“正态分布”，中位值为-240ml/年，但个体差异显著（-100~-500ml/年）。若某IPF药物治疗后患者FVC年下降率为-120ml/年，需结合其基线自然进展速率（若为-300ml/年，则药物改善50%；若为-180ml/年，则改善仅33.3%）才能判定疗效。因此，动态阈值需以“自然史模型预测值”为参照，设定“药物干预下的允许变化范围”。04动态阈值设定的方法学框架动态阈值设定的方法学框架动态阈值的设定是一个多学科交叉的系统工程，需整合临床医学、生物统计学、数据科学等多领域知识。其方法学框架可分为六个核心步骤，如图1所示（此处可想象为流程图，包括数据准备、模型构建、阈值生成、验证、应用、迭代优化）。1数据准备与质量控制1.1数据来源动态阈值设定需多源数据支持：-临床试验数据：关键III期试验的纵向肺功能数据（如FEV1、FVC在基线、2周、4周、12周、24周等时间点的测量值）、人口学数据、合并用药、不良事件；-真实世界数据（RWD）：电子健康记录（EHR）、患者注册登记（如COPD生物制剂患者登记）、可穿戴设备数据（如家用肺功能仪、智能峰流速仪）；-历史研究数据：疾病自然史研究（如COPD肺功能下降队列）、药物PK/PD研究、生物标志物研究（如嗜酸性粒细胞计数与哮喘患者FEV1响应关系）。1数据准备与质量控制1.2数据预处理-缺失值处理：对于随机缺失（如患者因随访脱落导致某时间点数据缺失），可采用多重插补（MultipleImputation）或混合效应模型的最大似然估计；对于非随机缺失（如因疾病恶化无法完成肺功能检测），需采用敏感性分析（如worst-case/best-casescenario）评估偏倚；-异常值识别：基于统计方法（如3倍标准差）或临床知识（如FEV1突然上升50%可能为测量误差）识别异常值，经医学判断后决定修正或剔除；-数据标准化：统一肺功能仪的校准标准（如ATS/ERS2005标准），校正身高、年龄、性别对FVC、FEV1的影响（采用预测值公式，如GLI-2012方程）。2个体基线特征的建模与协变量筛选2.1基线特征的定义个体基线特征包括“固定协变量”（不随时间变化，如年龄、性别、基因型）和“时变协变量”（随时间变化，如急性加重次数、合并用药）。这些特征可能影响肺功能变化轨迹，需纳入模型以提升预测精度。2个体基线特征的建模与协变量筛选2.2协变量筛选方法-单因素分析：采用t检验/ANOVA（分类协变量）或Pearson相关（连续协变量）分析基线特征与肺功能变化量的关系，初步筛选有统计学意义的协变量（P<0.1）；01-多因素分析：采用混合效应模型或广义估计方程（GEE），纳入单因素分析筛选的协变量，通过AIC/BIC准则选择最优模型（AIC越小，模型拟合优度越高）；02-临床意义验证：结合专业知识判断协变量的合理性。例如，在哮喘试验中，嗜酸性粒细胞计数（EOS）是FEV1响应的重要预测因子（EOS≥300/μl的患者对生物制剂响应率更高），即使统计学P值>0.05，也应保留在模型中。033疾病进展轨迹的量化模型构建3.1模型类型选择根据疾病进展特征选择合适的统计模型：-线性混合效应模型（LMM）：适用于COPD、IPF等呈“线性下降”的疾病，可估计群体平均下降率和个体随机效应；-广义混合效应模型（GLMM）：适用于哮喘等呈“非线性波动”的疾病，可采用指数模型或Logistic模型描述FEV1的周期性变化；-非线性混合效应模型（NLMM）：适用于药物作用呈“S型曲线”或“平台期”的情况，如抗纤维化药物的FVC改善模型。3疾病进展轨迹的量化模型构建3.2模型拟合与验证01-拟合优度评估：采用决定系数（R²）、赤池信息准则（AIC）、贝叶斯信息准则（BIC）评估模型拟合效果；02-内部验证：采用Bootstrap法（重抽样1000次）评估模型的预测稳定性，计算预测值与实测值的平均绝对误差（MAE）；03-外部验证：使用独立队列（如另一项临床试验数据）验证模型预测精度，要求预测值与实测值的偏差<10%。4药物效应的动态整合与模型优化4.1药物效应的数学表征药物效应可分为“直接效应”（如支气管舒张剂对FEV1的即时改善）和“间接效应”（如抗炎药物对疾病进展的长期延缓）。需在疾病进展模型中加入“药物效应项”，例如：\[FEV_{it}=(\beta_0+\beta_1\timesTime_{it}+\beta_2\timesTreatment_{it}\timesf(Time_{it}))+b_{0i}+b_{1i}\timesTime_{it}+\varepsilon_{it}\]其中，\(f(Time_{it})\)为药物效应的时间函数（如短效药物为“脉冲函数”，长效药物为“平台函数”），\(\beta_2\timesf(Time_{it})\)为药物效应随时间的变化。4药物效应的动态整合与模型优化4.2模型优化策略-交互作用分析：检验药物效应与协变量的交互作用（如药物效应是否随基线EOS变化），实现“亚组特异性动态阈值”；-剂量-效应关系建模：对于多剂量组试验，采用Emax模型描述剂量与效应的关系，优化剂量选择下的阈值设定；-时间-效应关系细化：通过PK/PD模型整合血药浓度数据，实现“浓度-效应-时间”的三维动态阈值。5动态阈值边界的确立：临床意义与统计学的平衡动态阈值的边界需同时满足“统计学显著性”和“临床意义”，具体包括：5动态阈值边界的确立：临床意义与统计学的平衡5.1下限（安全性阈值）-统计学标准：个体实测值较模型预测值（含药物效应）下降≥95%置信区间下限；-临床标准：结合最小临床重要差异（MCID）或安全性警戒值（如FVC下降≥15%需暂停试验）。例如，在COPD试验中，若模型预测某患者24周FVC为1.8L，其95%CI下限为1.7L，则动态阈值可设定为“实测FVC<1.7L或较基线下降≥12%（MCID）”。5动态阈值边界的确立：临床意义与统计学的平衡5.2上限（疗效阈值）-统计学标准：个体实测值较模型预测值（不含药物效应，即自然进展）上升≥95%置信区间上限；-临床标准：超过MCID或预设的疗效目标（如FEV1较基线上升≥100ml）。例如，在哮喘试验中，若模型预测某患者12周自然FEV1为2.0L，其95%CI上限为2.1L，则动态阈值可设定为“实测FEV1≥2.2L或较基线上升≥100ml”。5动态阈值边界的确立：临床意义与统计学的平衡5.3动态调整规则根据治疗阶段设定不同的阈值边界：-短期（<4周）：重点关注药物急性效应（如支气管舒张剂的15分钟FEV1变化）；-中期（4-12周）：关注药物早期效应（如抗炎药物对FEV1日间变异的改善）；-长期（>12周）：关注疾病进展改善（如COPD的FVC年下降率较自然史降低≥30%）。030402016动态阈值的验证与校准6.1验证方法-敏感性分析：改变模型假设（如协变量选择、缺失值处理方法），观察阈值稳定性；-一致性检验：比较动态阈值与传统固定阈值在疗效判定上的一致性（Kappa系数），若Kappa<0.6，说明动态阈值显著改善了判定准确性；-临床结局关联性分析：验证动态阈值是否能预测真实临床结局（如COPD急性加重、哮喘住院）。例如，若“动态阈值判定为疗效不佳”的患者后续急性加重风险显著升高（HR=2.5,P<0.01），则表明阈值具有良好的预测效度。6动态阈值的验证与校准6.2校准策略-内部校准：通过交叉验证（如10折交叉验证）调整模型参数，使预测误差最小化；01-外部校准：在不同人群（如不同种族、疾病严重程度）中校准模型，确保阈值的普适性；02-持续更新：随着新数据的积累（如上市后监测数据），定期更新模型与阈值，实现“动态迭代优化”。0305动态阈值设定的技术支撑与工具动态阈值设定的技术支撑与工具动态阈值的实现离不开现代技术与工具的支撑，包括生物统计软件、机器学习算法、实时监测设备及多组学数据整合平台。这些技术提升了动态阈值的计算效率、预测精度与临床可操作性。1生物统计软件与编程平台-R语言：nlme、lme4、brms等包可实现线性/非线性混合效应模型、贝叶斯模型；-NONMEM：专业PK/PD建模软件，适用于药物动态效应的定量分析；-Stata：xtmixed、xtgee命令适用于面板数据分析，支持GEE模型。-SAS：PROCMIXED、PROCNLMIXED等过程可拟合混合效应模型，支持复杂纵向数据分析；2机器学习算法的应用01传统统计模型假设“线性关系”或“固定效应”，而机器学习算法能处理“非线性关系”和“高维数据”，提升动态阈值的预测精度。02-随机森林（RandomForest）：用于协变量重要性排序，筛选对肺功能轨迹影响最大的因素（如基线FEV1、急性加重史）；03-支持向量机（SVM）：用于个体分类（如“应答者”vs“无应答者”），结合动态阈值划分决策边界；04-长短期记忆网络（LSTM）：适用于时间序列预测，可基于历史肺功能数据预测个体未来轨迹，设定前瞻性动态阈值；05-贝叶斯网络：整合不确定性信息，实现“概率型动态阈值”（如“个体FVC下降概率>80%时判定为异常”）。3实时监测技术与数据采集0504020301动态阈值依赖高频、连续的肺功能数据，而传统临床试验的“中心化肺功能检测”（每1-3个月一次）难以满足需求。实时监测技术的发展为此提供了解决方案：-家用肺功能仪：如ClearPathDS-1肺功能仪，可在家中完成FEV1、FVC检测，数据同步至云端；-智能峰流速仪：如AirNext智能峰流速仪，可记录PEF日间变异，结合哮喘症状APP生成“哮喘控制指数”；-可穿戴传感器：如respiratoryinductanceplethysmography(RIP)衣物，可监测呼吸频率、潮气量，间接评估肺功能；-电子患者报告结局（ePRO）：通过手机APP记录咳嗽、呼吸困难等症状，与肺功能数据关联，提升阈值设定的临床意义。4多组学数据整合与生物标志物-基因组学：如COPD患者中的HHIP基因多态性与FEV1下降速率相关，可结合基因型调整阈值；-微生物组学：肠道菌群组成与哮喘患者FEV1响应相关，可指导“微生物组-肺功能”联合阈值设定。肺功能变化是“基因-环境-药物”共同作用的结果，整合多组学数据可提升动态阈值的精准性：-蛋白组学：如SP-D（肺表面活性蛋白D）水平与IPF患者FVC下降率相关，可作为动态阈值的补充指标；06动态阈值在不同呼吸系统疾病药物临床试验中的应用案例动态阈值在不同呼吸系统疾病药物临床试验中的应用案例6.1慢性阻塞性肺疾病（COPD）：抗炎药物（如罗氟司特）的FVC动态阈值1.1研究背景罗氟司特是一种PDE4抑制剂，用于降低COPD急性加重风险，其核心疗效指标为“FVC年下降率”。传统固定阈值（FVC年下降≥10%）无法区分“药物延缓进展”与“自然进展”。1.2动态阈值设定04030102-数据来源：两项III期试验（M2-111、M2-112）的纵向FVC数据（n=2476），基线、3个月、6个月、12个月测量值；-疾病进展模型：构建线性混合效应模型，纳入基线FVC、年龄、性别、既往急性加重次数作为协变量，估计个体FVC自然下降率；-药物效应整合：加入“罗氟司特治疗”作为固定效应，估计其延缓FVC下降的幅度（平均-30ml/年）；-动态阈值：设定为“个体实测FVC较自然预测值下降≥5%（即药物有效）或较基线下降≥8%（MCID）”。1.3应用效果与传统固定阈值相比，动态阈值将“疗效判定准确率”从78%提升至91%，且能识别“快速进展亚组”（基线FVC年下降率>50ml/年），这些患者从罗氟司特中获益更显著（年下降率降至-20ml/年）。6.2哮喘：抗IgE生物制剂（如奥马珠单抗）的FEV1动态阈值2.1研究背景奥马珠单抗用于治疗重度过敏性哮喘，其疗效表现为“FEV1改善”和“急性减少减少”。传统固定阈值（FEV1较基线上升≥12%）未考虑“EOS水平”对疗效的影响（EOS≥300/μl者响应率更高）。2.2动态阈值设定-数据来源：GA₂LEN试验数据（n=419），包括FEV1（基线、4周、12周、24周）、EOS、总IgE；01-协变量筛选：单因素分析显示EOS与FEV1变化显著相关（r=0.42,P<0.001），纳入模型；02-非线性模型：采用指数模型描述FEV1的时间效应，4周达峰（改善8%），12周回落至稳定（改善5%）；03-动态阈值：根据EOS水平分层，EOS≥300/μl者：4周FEV1较基线≥8%（峰效应），12周≥5%（稳定效应）；EOS<300/μl者：阈值下调至4周≥5%，12周≥3%。042.3应用效果动态阈值使“应答者识别率”从65%（固定阈值）提升至82%，且避免了对“低EOS患者”的过度治疗（其FEV1改善幅度多<5%，无临床意义）。6.3特发性肺纤维化（IPF）：抗纤维化药物（如尼达尼布）的FVC动态阈值3.1研究背景尼达尼布用于延缓IPF疾病进展，核心指标为“FVC年下降率”。IPF患者存在“快速进展型”（年下降率≥10%）和“慢速进展型”（年下降率<5%），固定阈值无法区分药物对不同表型患者的疗效。3.2动态阈值设定-数据来源：INPULSIS试验数据（n=738），FVC（基线、6周、12周、24周、52周）、高分辨率CT（HRCT）评分、基因型（MUC5Brs35705950）；01-疾病进展模型：构建线性混合效应模型，纳入基线FVC、HRCT评分、MUC5B基因型作为协变量，估计个体FVC自然下降率；02-表型分层：根据自然下降率将患者分为“快速进展型”（≥10%/年）和“慢速进展型”（<5%/年）；03-动态阈值：快速进展型：FVC较基线下降≥8%（药物有效，较自然进展改善20%）；慢速进展型：FVC较基线下降≥3%（药物有效，较自然进展改善40%）。043.3应用效果动态阈值显示，尼达尼布对“快速进展型”患者的FVC改善幅度（-5.9%/年）显著优于慢速进展型（-2.5%/年），与传统固定阈值（-2.8%/年）相比，更能反映药物对不同亚组的差异化疗效。07动态阈值设定的挑战与未来方向1现存挑战1.1数据异质性与质量瓶颈动态阈值依赖高质量纵向数据，但临床试验中存在“中心差异”（不同中心肺功能仪校准误差）、“患者依从性差”（未规律完成肺功能检测）、“数据缺失”（因疾病恶化脱落）等问题，影响模型稳定性。真实世界数据虽能补充样本量，但存在“混杂偏倚”（如患者自行用药），需通过倾向性评分匹配（PSM）等方法控制。1现存挑战1.2模型复杂性与临床可解释性混合效应模型、机器学习模型虽精度高，但“黑箱特性”使临床医生难以理解阈值设定逻辑。例如，LSTM预测的“个体FVC轨迹”可能无法解释“为何某患者阈值较低”，导致医生对阈值依从性不足。需开发“可视化工具”（如个体轨迹图、阈值影响因素热力图），提升模型透明度。1现存挑战1.3监管认可与标准化目前，动态阈值尚无统一的监管指南，F