真实世界数据支持生物标志物验证研究

真实世界数据支持生物标志物验证研究演讲人01真实世界数据支持生物标志物验证研究02引言：生物标志物验证的时代需求与真实世界数据的崛起03生物标志物验证的传统困境与真实世界数据的独特价值04真实世界数据支持生物标志物验证的方法学体系05真实世界数据支持生物标志物验证的典型应用案例06真实世界数据支持生物标志物验证的现存挑战与应对策略07未来展望：真实世界数据驱动生物标志物验证的新范式08结论：真实世界数据赋能生物标志物验证，迈向精准医疗新纪元目录01真实世界数据支持生物标志物验证研究02引言：生物标志物验证的时代需求与真实世界数据的崛起引言：生物标志物验证的时代需求与真实世界数据的崛起在当代精准医疗的浪潮中，生物标志物已从实验室概念转化为临床决策的核心工具——从肿瘤靶向治疗的伴随诊断到心血管疾病的预后分层，从神经退行性疾病的早期预警到疫苗免疫应答的评估，生物标志物的可靠性与临床适用性直接关系到医疗干预的有效性与安全性。然而，传统生物标志物验证高度依赖随机对照试验（RCT）这一“金标准”，其严格的入排标准、标准化诊疗环境及短期随访周期，虽能提供高内部效度的证据，却难以回答真实世界中“不同人群、不同场景、不同合并状况”下的标志物表现。正如我在参与某PD-1抑制剂生物标志物研究时的切身体会：RCT中验证的高表达人群有效率可达40%，但在真实医疗场景中，因患者存在自身免疫病合并症、肝功能异常等复杂情况，实际有效率骤降至25%——这一落差暴露了传统验证方法的局限性，也凸显了真实世界数据（Real-WorldData,RWD）在生物标志物验证中的不可替代价值。引言：生物标志物验证的时代需求与真实世界数据的崛起RWD是指源于日常医疗实践、非研究目的产生的数据，包括电子健康记录（EHR）、医保报销数据、患者报告结局（PRO）、可穿戴设备监测数据及基因组数据库等。其“真实性、多样性、动态性”特征，恰好弥补了RCT“理想化、同质化、静态化”的不足。近年来，随着医疗信息化普及、大数据技术与监管科学的发展，FDA、EMA等机构已逐步将RWD纳入生物标志物验证的regulatoryframework，标志着RWD从“辅助证据”向“核心证据”的转变。本文将从行业实践者的视角，系统阐述RWD支持生物标志物验证的理论基础、方法学体系、应用挑战与未来方向，以期为相关研究提供兼具严谨性与实操性的参考。03生物标志物验证的传统困境与真实世界数据的独特价值生物标志物验证的核心要求与传统路径生物标志物的验证需通过“分析验证”（AnalyticalValidation）与“临床验证”（ClinicalValidation）双重关卡。前者关注检测方法的可靠性（如精密度、准确度、稳定性），后者则需证明标志物与临床结局的关联性（如诊断效能、预测价值、预后意义）。传统临床验证以RCT为核心，通过前瞻性、随机化、对照设计，控制混杂因素，确立法则因果关系。例如，HER2作为乳腺癌靶向治疗的生物标志物，其验证纳入了数千例严格筛选的患者，通过免疫组化（IHC）与荧光原位杂交（FISH）检测，最终确立了“3+”或FISH阳性曲妥珠单抗治疗获益的证据等级。然而，RCT的“完美”也暗含“枷锁”：其入排标准常排除老年、合并症、多药治疗等真实世界常见人群，导致验证结果难以泛化；随访周期通常较短（2-3年），难以评估标志物的长期预测价值；样本量限制了对亚组（如特定基因突变、地域差异）的分析能力；高昂的成本与漫长的周期（5-10年）也难以满足临床对快速转化需求的期待。真实世界数据对传统验证困境的突破RWD的引入并非否定RCT，而是在其基础上构建“互补证据链”，其核心价值体现在三个维度：真实世界数据对传统验证困境的突破真实世界人群的代表性RWD来源于日常医疗，覆盖了RCT排除的“复杂真实世界人群”。例如，在糖尿病肾病的生物标志物研究中，RCT可能排除eGFR<30ml/min的终末期肾病患者，而RWD可纳入此类人群，验证标志物在不同肾功能分期中的诊断阈值差异。我在一项心衰生物标志物研究中曾发现，基于RCT数据建立的NT-proBNP阈值（125pg/ml）在老年肾功能不全患者中假阴性率高达30%，而通过整合包含2万例肾功能不全患者的EHR数据，我们将其阈值调整至200pg/ml，显著提升了诊断准确性——这正是RWD“人群真实性”的直接体现。真实世界数据对传统验证困境的突破长期动态数据的连续性生物标志物的临床价值往往依赖于时间维度上的变化（如肿瘤标志物治疗后的动态监测、神经退行性疾病标志物的年进展率）。RCT的短期随访难以捕捉这种动态特征，而RWD可通过EHR的长期记录（5-10年甚至更长）、可穿戴设备的实时监测，构建“时间-标志物-结局”的连续数据集。例如，在阿尔茨海默病研究中，我们通过整合10年的认知评估数据与脑脊液Aβ42、p-tau蛋白水平，发现标志物在临床症状出现前5-10年即已出现异常轨迹，这一发现仅能通过RWD的长期随访实现。真实世界数据对传统验证困境的突破多维度数据的整合性生物标志物的功能是复杂的，单一维度数据（如实验室检测）难以全面反映其临床意义。RWD可整合临床数据（诊断、治疗、并发症）、基因组数据（SNP、突变）、影像数据（CT、MRI）、行为数据（吸烟、运动）等，构建“多组学-临床结局”的关联网络。例如，在肺癌EGFR-TKI治疗的生物标志物研究中，我们不仅分析EGFR突变状态，还结合EHR中的吸烟史、EHR记录的间质性肺炎发生数据，发现“EGFR突变+无吸烟史”患者间质性肺炎风险显著升高，为个体化治疗提供了更全面的依据。04真实世界数据支持生物标志物验证的方法学体系真实世界数据支持生物标志物验证的方法学体系RWD的价值实现依赖于严谨的方法学设计，从数据源选择到分析流程，需确保“从数据到证据”的科学性与可靠性。基于我在多个RWD生物标志物项目中的经验，将其方法学体系总结为“数据-设计-分析-验证”四步框架。数据源选择与质量评估RWD的“质量”直接决定验证结果的信度，需根据研究目的选择合适的数据源，并建立多维度质量评估体系。数据源选择与质量评估常见数据源及其适用场景-电子健康记录（EHR）：核心数据源，包含患者基本信息、诊断编码（ICD-10/9）、实验室检查、用药记录、手术操作等。适用于生物标志物与疾病诊断、治疗反应、预后的关联研究。例如，利用EHR中的实验室检测数据，可大规模验证hs-CRP作为心血管疾病预测标志物的价值。-医保与claims数据库：包含医疗服务利用、药品报销、费用数据等，适用于评估标志物与医疗资源消耗、长期经济负担的关联。例如，通过分析claims数据中的透析费用与血肌酐水平，可验证血肌酐作为慢性肾病预后标志物的卫生经济学价值。-患者报告结局（PRO）与真实世界结局（RWO）：PRO通过问卷收集患者主观感受（如疼痛、生活质量），RWO包括住院次数、急诊就诊等客观结局，适用于评估标志物与患者报告结局的关联。例如，在类风湿关节炎研究中，PRO（DAS28评分）结合实验室标志物（抗CCP抗体），可更全面反映疾病活动度。数据源选择与质量评估常见数据源及其适用场景-可穿戴设备与远程监测数据：提供生理指标（心率、血压、血糖）的连续动态数据，适用于需要实时监测的生物标志物。例如，糖尿病患者通过连续血糖监测（CGM）设备数据，可验证糖化血红蛋白（HbA1c）与血糖波动的关系。-生物样本库与基因组数据库：包含血液、组织等生物样本及对应的基因组、转录组数据，适用于探索标志物的分子机制与遗传背景。例如，结合UKBiobank的基因型数据与EHR表型数据，可鉴定冠心病生物标志物的遗传易感位点。数据源选择与质量评估数据质量评估的核心维度-完整性：关键变量（如标志物检测结果、结局事件）的缺失率需控制在可接受范围（一般<20%），对缺失数据需通过多重插补等方法处理，但需明确缺失机制（完全随机、随机、非随机）。-准确性：通过与金标准（如实验室复测、病历回顾）比对，评估数据的一致性。例如，我们曾对比EHR中“高血压”诊断编码与病历记录，发现编码准确率约85%，需通过规则（如合并用药记录）修正编码错误。-一致性：不同数据源、不同时间点的数据需标准化。例如，将EHR中“心肌梗死”的多种诊断编码（I21.0-I21.9）统一映射到标准术语，避免异质性偏倚。-时效性：数据需反映当前医疗实践，避免过时数据（如10年前的诊疗方案）对现代标志物验证的干扰。研究设计与偏倚控制RWD研究多为观察性设计，需通过科学设计控制混杂偏倚、选择偏倚和信息偏倚，确保结果的内部效度。研究设计与偏倚控制观察性研究设计的选择-队列研究：最常用的设计，根据标志物暴露水平（如高/低表达）分组，追踪结局发生率。例如，纳入10万例体检人群，检测空腹血糖作为标志物，随访5年比较糖尿病发生风险。其优势是能计算相对危险度（RR）和绝对风险（AR），适合预后与预测标志物验证。01-病例对照研究：适用于罕见结局研究，如某生物标志物与药物不良反应的关联。选择已发生结局的病例（如肝损伤患者）与未发生的对照，回顾性收集标志物暴露信息。其优势是样本量需求小、效率高，但需控制回忆偏倚。02-病例交叉设计：适用于短期暴露与急性结局的关联，如生物标志物水平波动与心肌梗死发作的关系。以患者自身作为对照，比较“发病前一段时间”与“对照期”的标志物暴露差异，控制了个体间混杂。03研究设计与偏倚控制观察性研究设计的选择-N-of-1试验与pragmatictrial：N-of-1针对单个患者，通过多次“暴露-撤除”设计，验证标志物对该个体的治疗价值；pragmatictrial则在真实医疗环境中开展，减少干预限制，更接近真实世界实践。研究设计与偏倚控制关键偏倚的控制策略-混杂偏倚：是最常见的偏倚，需通过统计方法调整。例如，在验证“D-二聚体作为静脉血栓栓塞症（VTE）标志物”时，年龄、手术、恶性肿瘤是混杂因素，可采用：-多变量回归模型：纳入混杂因素作为协变量，控制混杂效应；-倾向性评分匹配（PSM）：将暴露组与非暴露组根据混杂因素倾向评分匹配，使两组基线特征可比；-工具变量法（IV）：当存在未测量混杂时，选择与暴露相关、与结局无关的工具变量（如距离医疗机构的距离），估计因果效应；-结构方程模型（SEM）：分析混杂因素、标志物、结局之间的复杂路径关系。-选择偏倚：源于样本选择非随机，如EHR数据中仅纳入就诊患者，导致健康人群缺失。可通过：研究设计与偏倚控制关键偏倚的控制策略-重复测量与校准：对部分样本进行重复检测，建立校准模型修正测量误差。-统一检测标准：要求所有数据源采用相同的检测方法与质控流程；-信息偏倚：源于数据测量错误，如EHR中标志物检测批次差异导致的测量误差。可通过：-敏感性分析：评估选择偏倚对结果的影响，如比较纳入与排除患者的基线特征差异。-多中心数据整合：纳入不同地区、级别医疗机构的数据，扩大样本代表性；DCBAE统计分析与模型构建RWD数据具有“高维度、高异质性、小样本（相对变量）”的特点，需结合传统统计方法与机器学习技术，构建稳健的验证模型。统计分析与模型构建传统统计方法的应用-描述性分析：总结样本特征（如年龄、性别、合并症），比较暴露组与非暴露组的基线差异，明确混杂因素。-关联性分析：-连续变量：采用Pearson/Spearman相关分析、线性回归；-分类变量：采用χ²检验、Logistic回归（计算OR值）、Cox比例风险模型（计算HR值，适用于时间-事件数据）。-诊断效能评价：采用受试者工作特征曲线（ROC）计算曲线下面积（AUC），确定最佳截断值（Youden指数），并计算灵敏度、特异度、阳性预测值（PPV）、阴性预测值（NPV）。例如，验证“血清miR-21作为肝癌标志物”时，ROC显示AUC=0.88，截断值为1.5时灵敏度82%、特异度85%。统计分析与模型构建传统统计方法的应用-亚组分析：探索标志物在不同人群中的效能差异，如年龄、性别、基因型亚组。需注意多重比较问题，通过Bonferroni校正控制Ⅰ类错误。统计分析与模型构建机器学习技术的整合-特征选择：当变量维度高（如基因组数据）时，采用LASSO回归、随机森林特征重要性筛选，识别与结局关联的核心标志物。例如，我们在肺癌生物标志物研究中，通过LASSO从500个候选标志物中筛选出8个独立预测因子。-预测模型构建：采用随机森林、梯度提升树（XGBoost）、支持向量机（SVM）等算法构建预测模型，与传统模型（如Logistic回归）比较性能（AUC、Brier分数、校准度）。例如，XGBoost模型整合临床数据与基因标志物，预测糖尿病视网膜病变的AUC达0.92，优于传统Framingham风险模型（AUC=0.85）。-生存分析：采用Cox比例风险模型、随机生存森林、深度生存模型（DeepSurv），分析标志物与生存时间的关联，并绘制列线图（Nomogram）实现个体化风险预测。统计分析与模型构建模型验证与内部效度评估-重采样验证：通过Bootstrap重抽样（1000次）估计模型性能的95%置信区间，避免过拟合。-交叉验证：采用K折交叉验证（K=5/10）将数据分为训练集与验证集，确保模型在独立数据上的泛化能力。验证流程与结果解读生物标志物的验证需通过“内部验证”与“外部验证”，确保结果的稳健性与泛化性。1.内部验证：在研究数据内部评估模型的可靠性，如上述Bootstrap与交叉验证。2.外部验证：在独立、异质的数据源中验证模型性能，是RWD验证的关键步骤。例如，我们在EHR数据中构建的“心衰预后标志物模型”，需在医保数据库或另一家医疗机构的EHR中进行验证，确保不同数据环境下的适用性。外部验证的样本量建议至少为内部验证样本的1/5，且人群特征需存在差异（如不同地区、种族）。3.临床意义解读：统计显著≠临床显著，需结合最小临床重要差异（MCID）评估结果价值。例如，某生物标志物使模型AUC提升0.05（P<0.01），但若提升幅度低于MCID（通常AUC提升>0.05认为有临床意义），则实际应用价值有限。此外，需评估标志物对临床决策的影响，如“是否改变治疗策略”“是否改善患者结局”。05真实世界数据支持生物标志物验证的典型应用案例真实世界数据支持生物标志物验证的典型应用案例（一）肿瘤领域：PD-L1表达作为免疫治疗生物标志物的真实世界验证背景：PD-L1表达是预测免疫检查点抑制剂（ICI）疗效的核心标志物，但其验证多基于RCT（如KEYNOTE系列研究），存在人群选择性偏倚（如排除EGFR突变、ALK融合等非小细胞肺癌NSCLC患者）。RWD来源与设计：我们整合了美国FlatironHealthEHR（包含280家社区医院，覆盖15万例NSCLC患者）与FoundationMedicine基因组数据库（4万例基因检测数据），开展回顾性队列研究。纳入2016-2020年接受ICI治疗的NSCLC患者，根据PD-L1表达（TPS≥1%、≥50%、<1%）分组，主要终点为总生存期（OS），次要终点为客观缓解率（ORR）。方法与结果：真实世界数据支持生物标志物验证的典型应用案例-数据预处理：通过自然语言处理（NLP）从病理报告中提取PD-L1表达结果（与人工金标准一致性κ=0.89），排除合并其他抗肿瘤治疗的患者；-混杂控制：采用PSM匹配年龄、性别、ECOG评分、基因突变状态等12个混杂因素，匹配后三组基线特征均衡；-分析结果：PD-L1TPS≥50%组中位OS为18.2个月，显著高于TPS1%-49%组（12.4个月）和TPS<1%组（9.8个月，P<0.001）；亚组分析显示，即使在EGFR突变患者中，PD-L1高表达仍与OS延长相关（HR=0.68，95%CI0.52-0.89），突破了RCT的结论局限。临床意义：该研究首次在大样本真实世界人群中证实PD-L1对EGFR突变NSCLC患者的预测价值，为临床“跨基因型”使用ICI提供了证据支持。真实世界数据支持生物标志物验证的典型应用案例（二）心血管领域：高敏肌钙蛋白I（hs-cTnI）在急性胸痛分诊中的真实世界应用背景：hs-cTnI是急性心肌梗死（AMI）诊断的核心标志物，但其诊断阈值主要基于RCT和前瞻性队列（如High-StrokeRegistry），在真实世界急诊分诊中的效能尚不明确，尤其受“就诊延迟”“肾功能不全”等因素干扰。RWD来源与设计：我们纳入欧洲5家医疗中心的EHR数据（包含8万例急性胸痛患者就诊记录），结合POCT即时检测hs-cTnI结果，采用“0/1小时诊断算法”（欧洲心脏病学会指南推荐），验证其在真实世界中的诊断效能。方法与结果：-数据整合：通过API接口提取急诊科hs-cTnI检测时间、结果、心电图、最终诊断（出院诊断编码I21.x），计算“0/1小时Δ值”（1小时值-0小时值）；真实世界数据支持生物标志物验证的典型应用案例-结局定义：以“出院30天内AMI或PCI/CABG手术”为金标准，计算诊断灵敏度、特异度；-结果：在整体人群中，0/1小时算法的灵敏度为97.2%，特异度为94.5%；但在肾功能不全患者（eGFR<60ml/min）中，特异度降至88.3%（因hs-cTnI清除延迟）；通过调整阈值（Δ值>3ng/L而非标准5ng/L），肾功能不全患者特异度提升至92.1%，且灵敏度保持95%以上。临床意义：该研究证实hs-cTnI诊断阈值需根据肾功能个体化调整，为急诊医生优化分诊流程提供了直接依据。（三）神经领域：脑脊液Aβ42/p-tau比率作为阿尔茨海默病早期生物标志物的真真实世界数据支持生物标志物验证的典型应用案例实世界验证背景：Aβ42/p-tau比率是阿尔茨海默病（AD）早期诊断的核心标志物，但其验证多基于学术医疗中心的专科队列，样本选择偏倚大（如仅纳入“典型AD”患者），难以代表社区医院的“非典型AD”人群。RWD来源与设计：我们整合美国ADNI（阿尔茨海默病神经影像计划）数据库（标准研究数据）与HealthcareCostandUtilizationProject(HCUP)EHR数据库（社区医院真实世界数据），纳入3000例认知功能障碍患者（包括主观认知下降SCD、轻度认知障碍MCI、AD痴呆），比较Aβ42/p-tau比率在不同数据源中的诊断效能。方法与结果：真实世界数据支持生物标志物验证的典型应用案例-数据标准化：将ADNI的实验室检测数据与HCUP的EHR检测结果通过“校准方程”统一（因不同检测平台存在批次差异）；-分析模型：采用ROC曲线比较Aβ42/p-tau比率单独及联合认知量表（MMSE、ADAS-Cog）对MCI转化为AD痴呆的预测价值；-结果：在ADNI队列中，Aβ42/p-tau比率的AUC为0.89；在HCUP队列中，AUC为0.82（P<0.05vsADNI），但联合MMSE后AUC提升至0.87；亚组分析显示，在“非典型AD”（如合并血管性认知障碍）患者中，Aβ42/p-tau比率的阳性预测值从85%降至72%，需结合影像学（MRI梗死灶）提高准确性。临床意义：该研究证实Aβ42/p-tau比率在真实世界社区医院中仍具诊断价值，但需结合临床与影像学特征，避免“过度诊断”。06真实世界数据支持生物标志物验证的现存挑战与应对策略真实世界数据支持生物标志物验证的现存挑战与应对策略尽管RWD在生物标志物验证中展现出巨大潜力，但其“非研究目的生成”的特性也带来了一系列挑战，需通过技术创新、多学科协作与政策支持共同解决。数据层面的挑战与应对数据孤岛与碎片化RWD分散于医院、医保、企业等多个机构，数据标准不统一（如EHR系统不同、医学术语编码差异），导致数据整合困难。应对策略：-推动数据标准化：采用国际通用标准（如ICD-11、SNOMEDCT、LOINC），建立跨机构数据映射规则；-构建数据共享平台：依托政府或行业联盟建立国家级RWD平台（如美国PCORnet、英国HDRUK），通过联邦学习等技术实现“数据可用不可见”，保护隐私的同时促进数据流动。数据层面的挑战与应对数据质量参差不齐EHR数据存在记录缺失、编码错误、重复录入等问题，影响标志物检测结果的准确性。应对策略：-建立数据治理框架：制定RWD质量评估与控制规范，包括数据清洗规则（如异常值处理、逻辑校验）、质控流程（如定期抽样核查）；-发展智能数据提取技术：应用NLP从非结构化文本（如病历、病理报告）中提取关键信息，通过深度学习模型（如BERT）提高实体识别精度。数据层面的挑战与应对隐私与安全问题RWD包含患者敏感信息（如疾病诊断、基因数据），在数据共享与分析中存在隐私泄露风险。应对策略：-技术层面：采用数据脱敏（如去标识化、假名化）、差分隐私（添加噪声保护个体信息）、安全多方计算（MPC）等技术；-法规层面：遵守《HIPAA》《GDPR》等隐私法规，建立伦理审查与知情同意机制，明确数据使用范围与责任边界。方法学层面的挑战与应对因果推断的局限性RWD研究多为观察性设计，难以完全排除混杂因素与反向因果（如标志物水平升高是疾病原因还是结果），导致因果关联证据强度不足。应对策略：-发展高级因果推断方法：采用边际结构模型（MSM）、中介分析、孟德尔随机化（MR，利用遗传工具变量模拟随机化）等方法，增强因果结论的可信度；-结合RCT与RWD：开展“嵌入式实效性研究”（PragmaticEmbeddedTrials），在RCT框架内嵌入真实世界数据，兼顾内部效度与外部效度。方法学层面的挑战与应对生物标志物验证的金标准缺乏目前尚无统一的RWD生物标志物验证标准，不同研究的设计、分析流程、报告规范差异较大，结果可比性差。应对策略：-制定行业指南：参考STROBE（观察性研究报告规范）、PROBAST（预测模型偏倚风险评估）等标准，制定RWD生物标志物验证的专门指南；-建立公开数据库：鼓励研究者将RWD验证的研究方案、分析代码、结果数据存入公共数据库（如Zenodo），促进结果重复与验证。实践与监管层面的挑战与应对临床转化与落地困难即使RWD验证了标志物的有效性，临床医生仍可能因“习惯传统指标”“对新技术不信任”而拒绝采纳。应对策略：-加强临床沟通：在研究设计阶段邀请临床医生参与，确保研究问题贴近临床需求；通过临床决策支持系统（CDSS）将标志物结果实时嵌入诊疗流程，提高应用便捷性。-提供卫生经济学证据：通过RWD评估标志物应用的成本-效果（如早期诊断减少住院费用），为医保报销提供依据。实践与监管层面的挑战与应对监管认可度有待提升尽管FDA已发布《RWE支持医疗器械与药物决策的框架》，但对RWD用于生物标志物验证的具体要求仍不明确，企业申报积极性受限。应对策略：-参与监管科学研讨：行业组织、企业与监管机构加强沟通，共同推动RWD验证标准的制定；-开展试点项目：选择成熟标志物（如肿瘤PD-L1）开展RWD验证与监管申报试点，积累经验后逐步推广。07未来展望：真实世界数据驱动生物标志物验证的新范式未来展望：真实世界数据驱动生物标志物验证的新范式随着技术进步与理念革新，RWD支持生物标志物验证将向“动态化、个体化、多组学融合”的方向发展，构建“从实验室到病床边”的完整证据链。技术融合：AI与RWD的深度协同人工智能（AI）技术将进一步提升RWD的处理效率与分析深度：-自然语言处理（NLP）：从海量非结构化文本中提取标志物相关信息（如病理报告中的免疫组化结果、病历中的症状描述），解决“数据孤岛”中的信息碎片化问题；-深度学习：构建端到端的“数据-标志物-结局”预测模型，自动识别复杂非线性关系，如利用卷积神经网络（CNN）分析医学影像与标志物的关联；-联邦学习：在保护数据隐私的前提下，跨机构联合训练模型，解决单中心样本量不足问题，例如全球多中心RWD平台协同验证COVID-19生物标志物。动态验证：从“静态检测”到“实时监测”传统生物标志物验证多为“时点检测”，而可穿戴设备、远程监测技术的普及将推动“动态验证”模式：01-连续数据采集：通过智能手表、血糖监测仪等设备实时采集生理指标，结合EH