脱落数据对试验入组策略调整的指导

脱落数据对试验入组策略调整的指导演讲人CONTENTS脱落数据对试验入组策略调整的指导引言：临床试验中脱落数据的普遍性与战略价值脱落数据的内涵解析：从现象到本质的多维拆解脱落数据的收集与分析：构建“从数据到洞察”的技术路径脱落数据对入组策略调整的具体指导逻辑实践挑战与应对路径：构建“数据驱动”的闭环管理体系目录01脱落数据对试验入组策略调整的指导02引言：临床试验中脱落数据的普遍性与战略价值引言：临床试验中脱落数据的普遍性与战略价值在临床研究的实践中，受试者脱落几乎是无法完全避免的现象——无论试验设计多么严谨，执行多么规范，总有部分受试者因主观或客观原因提前终止研究。根据ClinicalT的数据，肿瘤临床试验的整体脱落率可达15%-30%，而慢性病试验因随访周期更长，脱落率甚至可能超过40%。这些“脱落的身影”并非简单的数据缺失，而是蕴含着受试者行为、试验设计、执行质量等多维度信息的“密码”。作为一名深耕临床研究十余年的从业者，我曾经历过一个令人印象深刻的案例：某项评估新型降糖药的有效性试验，在入组200例受试者后，脱落率高达28%，其中60%的脱落集中在入组后3个月内。最初我们将其归咎于“患者依从性差”，但通过对脱落数据的深度挖掘，发现脱落人群中有75%合并轻度肾功能不全，而试验方案中对此类患者的剂量调整指导不够明确。这一发现直接促使我们修订了入组标准，增加了“肾功能不全患者剂量优化路径”，后续阶段的脱落率降至12%。这个案例让我深刻认识到：脱落数据绝非试验的“失败指标”，而是优化入组策略、提升试验科学性的“指南针”。引言：临床试验中脱落数据的普遍性与战略价值本文将从脱落数据的内涵解析、系统分析方法、对入组策略的具体指导逻辑、实践挑战及应对路径四个维度，全面探讨如何将“脱落”转化为试验设计的优化动力，为临床研究从业者提供一套可落地的思维框架与实践工具。03脱落数据的内涵解析：从现象到本质的多维拆解脱落数据的内涵解析：从现象到本质的多维拆解要利用脱落数据指导入组策略，首先需对“脱落”本身进行精准定义与分类。脱落（Dropout）指受试者从随机化、入组至试验结束期间，因任何非计划原因提前终止参与研究的状态，其本质是“受试者-试验”契约关系的提前终止。根据《药物临床试验质量管理规范（GCP）》，脱落数据属于“缺失数据”的一种，但与其他缺失数据（如检测失败、数据录入遗漏）不同，脱落是受试者行为与试验系统交互的结果，具有更强的动态性和复杂性。1脱落的类型学划分：基于原因与特征的分类体系从脱落原因视角，可将其归纳为四大核心类型，每种类型反映试验设计或执行中的不同短板：-依从性脱落：受试者因主观意愿改变（如认为药物无效、对研究失去兴趣、生活节奏变化）主动退出。此类脱落多与“受试者体验”相关，例如某项抗抑郁药试验中，部分受试者因“每日填写情绪日记”的操作负担过重而选择脱落，这提示入组策略需关注试验操作的便利性。-安全性脱落：受试者因用药后出现不良反应（已知或未知），或研究者判断继续参与可能危及健康而终止试验。例如某PD-1抑制剂试验中，3级免疫相关性肺炎导致5例受试者脱落，这直接指向安全性监测流程的优化需求——若在入组前对合并肺纤维化的受试者进行更严格的筛查，或许可避免此类脱落。1脱落的类型学划分：基于原因与特征的分类体系-有效性脱落：受试者因治疗效果未达预期（如血糖、肿瘤指标未改善）主动要求退出，或研究者基于疗效终止试验（如试验药物被证明无效）。此类脱落虽看似“负面”，却是验证药物真实世界价值的重要信号：若某类亚群（如老年患者）有效性脱落率显著高于整体，可能提示药物在特定人群中的疗效差异。-外部因素脱落：受试者因非试验相关原因退出，如搬家失去随访条件、合并其他疾病需优先治疗、经济压力无法承担往返交通费用等。例如在基层医院开展的高血压管理试验中，因“外出务工”导致的脱落占比达22%，这要求入组策略需充分考虑目标人群的流动性特征。1脱落的类型学划分：基于原因与特征的分类体系从脱落时间分布视角，还可将其分为“早期脱落”（入组后0-3个月）、“中期脱落”（3-6个月）、“晚期脱落”（6个月以上）。早期脱落多与入组筛选、知情同意质量相关，而晚期脱落则更多反映长期随访的维护能力。例如某项阿尔茨海默病试验的早期脱落集中在首次给药后2周内，通过回访发现，部分受试者家属对“认知功能评估频次”（每月1次）的认知不足，认为“过度占用时间”，这提示知情同意阶段需更清晰地沟通试验流程的时间成本。2脱落数据的核心特征：动态性、异质性与系统性脱落数据并非孤立的数值，而是具有显著特征的复杂信息集合：-动态性：脱落率随试验阶段呈现非线性变化。例如肿瘤试验的“筛选期脱落”（因不符合入组标准排除）通常为10%-15%，而“治疗期脱落”则可能在疗效评价节点（如每2次影像学检查后）出现小高峰，受试者可能因“治疗无效”或“耐受性下降”选择退出。这种动态性要求入组策略需分阶段调整：筛选期优化标准，治疗期强化支持。-异质性：不同亚群受试者的脱落风险存在显著差异。例如在糖尿病试验中，老年受试者（≥65岁）的脱落率较中青年受试者高1.8倍，文化程度初中及以下者的脱落率是本科及以上学历者的2.3倍。这种异质性提示入组策略需“精准分层”，而非“一刀切”。2脱落数据的核心特征：动态性、异质性与系统性-系统性：脱落是试验设计、执行、监管等多环节问题的“最终体现”。例如某项试验的脱落率突然升高，经排查发现是“随访护士更换频繁导致沟通不畅”，这反映了人员培训体系的漏洞；而另一项试验中，“脱落受试者集中在某3家中心”，则提示中心层面的质量控制存在差异。04脱落数据的收集与分析：构建“从数据到洞察”的技术路径脱落数据的收集与分析：构建“从数据到洞察”的技术路径脱落数据本身不会说话，只有通过系统化的收集、清洗、分析与解读，才能转化为指导入组策略的有效信息。这一过程需遵循“完整性-准确性-关联性”的原则，确保数据质量与分析结果的可靠性。1脱落数据的标准化收集：从源头把控数据质量脱落数据的收集需嵌入试验全流程，而非仅在脱落发生后“被动记录”。在方案设计阶段，即需明确“脱落”的定义标准（如“未完成至少1次访视”“提前终止用药超过14天”），并在病例报告表（CRF）中设置专门的“脱落模块”，记录以下关键信息：-脱落时间：精确到天，用于计算“脱落风险时间窗”（如入组后30天、90天等关键节点的脱落率）。-脱落原因：采用标准化字典（如MedDRApreferredterms）分类，避免“个人原因”“不想参加”等模糊表述，需进一步追问具体原因（如“工作调动”“无法耐受注射疼痛”）。-脱落时点状态：包括用药情况（如“规律用药”“自行减量”）、疗效指标（如“肿瘤负荷较基线增加20%”）、安全性事件（如“发生2级皮疹”）等，用于分析脱落与试验干预的关联性。1脱落数据的标准化收集：从源头把控数据质量-受试者特征：人口学信息（年龄、性别、文化程度）、疾病特征（病程、严重程度、合并症）、既往治疗史等，用于后续的异质性分析。在数据收集过程中，需建立“双人核查”机制：研究者负责记录，监查员核实记录的完整性与逻辑性（如“脱落原因为‘经济困难’，但受试者已免费获得试验药物”需进一步核实）。我曾参与的一项试验中，因监查员未及时核查脱落原因记录，导致30%的脱落被标记为“原因不明”，严重影响了后续分析的准确性——这一教训让我深刻认识到：数据质量是分析的基石，任何环节的疏漏都可能让脱落数据“失真”。2脱落数据的多维分析方法：从“描述”到“归因”的递进收集到的脱落数需通过分层分析、关联分析、预测模型等方法，挖掘其背后的深层逻辑。2脱落数据的多维分析方法：从“描述”到“归因”的递进2.1描述性分析：构建脱落的“全景画像”首先通过描述性统计，呈现脱落的宏观特征：-总体脱落率：计算“累计脱落率”（脱落例数/入组总例数）和“阶段脱落率”（如筛选期、入组后1-3个月、3-6个月的脱落占比），识别脱落的高发阶段。例如某项试验的累计脱落率为22%，其中入组后1-3个月占比55%，提示需重点关注这一阶段的入组支持策略。-人群分布特征：按人口学（年龄、性别）、疾病特征（分期、分型）、中心分布等维度，计算不同亚群的脱落率。例如在多中心试验中，若A中心的脱落率为15%，B中心为35%，需排查两中心的入组标准执行差异（如B中心对“合并肝功能不全”患者的界定更严格，导致入组后更易因安全性问题脱落）。2脱落数据的多维分析方法：从“描述”到“归因”的递进2.1描述性分析：构建脱落的“全景画像”-脱落原因构成：分析不同原因的占比，如“安全性脱落占40%”“依从性脱落占30%”，明确主要矛盾。例如某项生物制剂试验的安全性脱落率达35%，远高于行业平均水平（10%-15%），需重点审视安全性监测流程。2脱落数据的多维分析方法：从“描述”到“归因”的递进2.2关联性分析：识别脱落的“驱动因素”描述性分析回答了“脱落发生在哪里”，关联性分析则回答“为什么发生脱落”。常用方法包括：-卡方检验/Fisher精确检验：分析分类变量（如性别、中心）与脱落的关系。例如“女性受试者的脱落率是否显著高于男性？”若P<0.05，提示性别可能是脱落的危险因素。-Logistic回归分析：纳入多变量（年龄、基线疾病严重程度、合并症等），计算各因素的“脱落风险比（OR值）”。例如某项回归分析显示，合并糖尿病的受试者脱落OR=2.1（95%CI：1.3-3.4），提示糖尿病是独立危险因素，入组策略需考虑此类患者的额外支持。2脱落数据的多维分析方法：从“描述”到“归因”的递进2.2关联性分析：识别脱落的“驱动因素”-生存分析（Kaplan-Meier法与Cox比例风险模型）：分析“脱落时间”与各因素的关联。例如绘制“不同年龄段的脱落生存曲线”，若65岁以上受试者的中位脱落时间显著短于65岁以下人群（P<0.01），提示需针对老年患者优化入组后的随访频次与支持措施。2脱落数据的多维分析方法：从“描述”到“归因”的递进2.3预测模型：构建脱落的“风险预警系统”基于历史脱落数据，可建立机器学习预测模型（如随机森林、XGBoost），识别“高脱落风险受试者”的特征组合。例如某项试验通过纳入10个预测变量（年龄、居住地、合并症数量、知情同意沟通时长等），构建的脱落风险预测模型AUC达0.82，可有效识别出“脱落风险>30%”的受试者。对于这类受试者，入组策略可采取“优先干预”（如增加随访电话、提供交通补贴）或“暂缓入组”（待解决潜在问题后再入组）。3脱落数据的动态监测与实时反馈临床试验的周期通常为数月甚至数年，脱落数据并非“一次性分析”，而需在试验过程中动态监测。建议建立“脱落数据dashboard”，实时更新以下指标：01-周/月度脱落率：与历史同期、预期脱落率（基于方案设计时设定的可接受阈值，如<20%）对比，及时发现异常波动。02-中心脱落率趋势：若某中心连续2个月脱落率超30%，需启动中心访查，核查入组标准执行、随访支持是否存在问题。03-脱落原因实时分析：若“依从性脱落”突然增加，可能与“患者教育材料更新不及时”相关，需及时调整沟通策略。043脱落数据的动态监测与实时反馈我曾负责的一项试验中，通过每周更新dashboard，发现“入组3个月内因‘忘记服药’脱落的受试者占比从5%升至15%”，经排查发现是中心护士更换后，未向受试者强调“用药闹钟提醒功能”。通过组织专题培训后，该原因导致的脱落率降至3%——这充分证明动态监测与实时反馈对入组策略调整的关键作用。05脱落数据对入组策略调整的具体指导逻辑脱落数据对入组策略调整的具体指导逻辑脱落数据的价值最终体现在“行动”上——基于数据洞察，可从入组标准、入组节奏、人群分层、支持措施四个维度，精准调整入组策略，实现“降低脱落率”与“提升试验质量”的平衡。1基于脱落原因的入组标准优化：从“宽泛”到“精准”入组标准是筛选受试者的“第一道门槛”，若标准设置不合理（过宽或过严），均会导致不必要的脱落。脱落数据可提示哪些标准需要“收紧”，哪些需要“放宽”。1基于脱落原因的入组标准优化：从“宽泛”到“精准”1.1针对“安全性脱落”：收紧高风险人群的入组标准若安全性脱落集中在特定人群（如肝肾功能不全者、合并多重用药者），提示需对此类人群的入组条件进行更严格的限制。例如某项抗凝药试验中，基线eGFR45-60ml/min的受试者安全性脱落率达25%，而eGFR≥60ml/min者仅8%，因此修订入组标准为“eGFR≥60ml/min”，并将eGFR45-60ml/min者设为“需调整剂量并加强监测的亚组”，后续安全性脱落率降至12%。但需注意，“收紧标准”不等于“排除所有高风险人群”，而是“风险分层管理”。例如肿瘤试验中，老年（≥75岁）受试者因体能状态（PS评分）较差更易脱落，可设置“PS评分0-1分可直接入组，PS评分2分需经多学科会诊评估后入组”，既保证了安全性，又避免过度排除目标人群。1基于脱落原因的入组标准优化：从“宽泛”到“精准”1.1针对“安全性脱落”：收紧高风险人群的入组标准4.1.2针对“依从性脱落”：放宽“非关键”标准，提升入组包容性若依从性脱落集中在“非疾病核心特征”的人群（如轻度合并症、长期服用低剂量药物者），提示可适当放宽此类标准，减少因“过度担心风险”而主动脱落的受试者。例如某项降压药试验中，长期服用小剂量阿司匹林的受试者因“担心药物相互作用”脱落率达18%，经安全性评估确认“低剂量阿司匹林与试验药物相互作用风险低”后，将“允许长期服用阿司匹林”写入入组标准，此类脱落率降至5%。1基于脱落原因的入组标准优化：从“宽泛”到“精准”1.3针对“外部因素脱落”：优化“可操作性”标准若外部因素脱落（如“距离研究中心太远”“无法定期复诊”）占比高，提示需调整地理范围、随访周期等标准。例如在偏远地区开展的乙肝试验中，因“单次往返需4小时以上”导致的脱落占20%，后通过“增设2个卫星随访点”“允许部分采血项目在当地医院完成”，将脱落率降至8%。2基于脱落时间的入组节奏调整：从“匀速”到“动态”传统入组策略多采用“匀速入组”，即每月按固定目标例数入组，但脱落数据显示，不同阶段的脱落风险不同，需动态调整入组节奏。2基于脱落时间的入组节奏调整：从“匀速”到“动态”2.1早期脱落高发阶段：放缓入组速度，强化筛选质量若入组后0-3个月脱落率显著高于其他阶段（如>20%），提示筛选期可能存在“标准执行不严”或“知情同意不到位”问题。此时应放缓入组速度（如从每月30例降至20例），重点优化以下环节：-严格筛选流程：对关键入组标准（如病理诊断、基因检测结果）进行“双人复核”，避免“凑数入组”。例如某项肺癌试验中，因“EGFR突变检测”未严格复核，导致3例阴性患者入组，均在1个月内因“治疗无效”脱落，后采用“中心实验室复核”机制，避免了此类问题。-强化知情同意：增加“受试者理解度评估”环节（如让受试者复述试验流程、风险收益），确保其对“长期随访”“可能的不良反应”有充分认知。例如某项糖尿病试验中，通过增加“10分钟一对一答疑”环节，早期依从性脱落率从15%降至7%。2基于脱落时间的入组节奏调整：从“匀速”到“动态”2.2中期脱落高发阶段：集中资源支持“关键节点”受试者1若入组后3-6个月脱落率升高，可能与“疗效评价节点”或“耐受性挑战期”相关。例如肿瘤试验中，每2次影像学检查（约4个月）是疗效评价节点，若疗效不佳，受试者易选择退出。此时可采取“重点人群强化支持”：2-针对疗效不确定者：在影像学检查前1周，增加“研究者主动沟通”，提前告知“可能出现疗效不佳的情况”，并介绍“后续治疗方案”（如转入扩展试验、标准治疗）。3-针对耐受性挑战者：对出现轻度不良反应（如1-2级恶心）的受试者，提供“24小时咨询热线”和“症状管理手册”，及时干预避免症状加重导致脱落。2基于脱落时间的入组节奏调整：从“匀速”到“动态”2.3晚期脱落高发阶段：优化长期随访的激励机制若入组6个月后脱落率升高，多与“随访疲劳”“获益感知下降”相关。此时可通过“激励机制优化”和“随访方式创新”稳定受试者：-动态调整激励措施：从“固定交通补贴”改为“完成访视奖励+脱落风险预警奖励”（如完成6个月访视额外奖励500元，若因“忘记随访”脱落需返还部分补贴），既提高依从性，又减少“随意脱落”。-创新随访方式：对依从性差的受试者，采用“远程随访+线下访视结合”模式（如每月1次视频评估、每3个月1次线下检查），减少往返负担。例如某项阿尔茨海默病试验中，对居住地较远的受试者采用远程认知评估，晚期脱落率从18%降至9%。3基于人群特征的入组分层策略：从“整体”到“亚组”脱落数据的异质性特征提示，不同亚群受试者的脱落风险存在显著差异，需采取“差异化入组策略”，避免“一刀切”。3基于人群特征的入组分层策略：从“整体”到“亚组”3.1基于人口学特征的分层管理-年龄分层：老年受试者（≥65岁）常因“多病共存”“记忆力下降”导致脱落，入组时可增加“老年综合评估”（如跌倒风险、用药复杂度），对高风险者提供“家属陪护支持包”（含用药提醒卡、紧急联系卡）。-文化程度分层：文化程度低者（如小学及以下）可能因“不理解试验流程”“填写问卷困难”脱落，入组时采用“图文并茂的知情同意书”“语音辅助问卷”，并安排研究者“一对一讲解”。3基于人群特征的入组分层策略：从“整体”到“亚组”3.2基于疾病特征的分层管理-疾病严重程度分层：重症受试者（如晚期肿瘤、急性心衰）因“病情进展快”易脱落，入组时可设置“快速通道”（优先安排检查、及时调整治疗方案）；轻症受试者则可能因“症状轻、治疗意愿低”脱落，需强化“疾病进展风险教育”。-既往治疗史分层：对“多线治疗失败”的受试者，可能因“对试验药物期望过高”导致疗效不佳后脱落，入组时需明确告知“试验药物为研究性质，可能无效”，管理其预期。3基于人群特征的入组分层策略：从“整体”到“亚组”3.3基于行为特征的分层管理-用药依从性史：对“既往有漏服药物史”的受试者，入组时提供智能药盒（如带提醒功能的电子药盒），并记录每日用药数据，实时干预漏服行为。-社会支持度：对“独居”“无家属支持”的受试者，联合社区医疗机构提供“上门随访”“用药指导”，减少因“无人陪伴”导致的脱落。4基于脱落风险的入组支持措施：从“被动”到“主动”脱落数据不仅是“调整标准”的依据，更是“主动预防”的指南。通过识别“脱落高风险信号”，在入组前或入组后及时介入，可从源头上降低脱落风险。4基于脱落风险的入组支持措施：从“被动”到“主动”4.1入组前：基于历史数据的“风险预筛”参考既往试验的脱落数据，建立“脱落风险预测清单”，在筛选期对受试者进行风险评估：-风险清单示例：年龄≥70岁、合并≥2种慢性病、居住地距离研究中心>50公里、既往有脱落史、知情同意沟通时间<15分钟等。-干预措施：对存在≥2项风险因素的受试者，由“研究者+研究护士”共同进行“一对一风险沟通”，明确告知“可能的脱落风险及应对措施”，并签署“风险知情同意书”。4基于脱落风险的入组支持措施：从“被动”到“主动”4.2入组后：基于实时数据的“动态干预”在试验过程中，通过“脱落风险监测模型”对受试者进行实时评分，对评分超过阈值的受试者启动干预：01-轻度风险（评分1-2分）：由研究护士电话随访，了解近期情况（如“是否按时用药”“有无不适”），提供针对性指导（如“下次访视前请记录每日血压”）。02-中度风险（评分3-4分）：研究者介入，进行面对面沟通，评估脱落原因（如“是否因经济困难考虑退出”），提供解决方案（如“协助申请援助基金”）。03-重度风险（评分≥5分）：启动“多学科团队（MDT）干预”，包括研究者、药师、心理师、社会工作者，共同制定个性化支持方案（如“调整用药方案+心理疏导+交通补贴”）。044基于脱落风险的入组支持措施：从“被动”到“主动”4.2入组后：基于实时数据的“动态干预”例如某项试验中，一名65岁受试者因“老伴生病需住院、无人照顾孩子”评分达6分（重度风险），经MDT讨论后，协调“社区志愿者每周协助照顾孩子3次”“研究护士上门采血”，最终坚持完成试验，未发生脱落。06实践挑战与应对路径：构建“数据驱动”的闭环管理体系实践挑战与应对路径：构建“数据驱动”的闭环管理体系尽管脱落数据对入组策略调整的指导价值明确，但在实践中仍面临数据质量、多因素交织、动态调整滞后等挑战。需通过制度保障、技术赋能、团队协作，构建“数据收集-分析-反馈-调整”的闭环管理体系。1核心挑战：脱落数据应用的“三重壁垒”1.1数据偏差：脱落原因记录的“主观性”与“不完整性”部分研究者因“怕担责”或“嫌麻烦”，对脱落原因记录模糊（如“个人原因”“失访”），导致无法准确归因。例如某项试验中，20%的脱落被标记为“失访”，但通过电话回访发现，其中60%是因“无法耐受不良反应”而故意失联，这种数据偏差会误导入组策略调整（如误判为“依从性差”而非“安全性问题”）。1核心挑战：脱落数据应用的“三重壁垒”1.2多因素交织：脱落原因的“复合性”与“动态性”脱落往往是多因素共同作用的结果，例如一名老年受试者可能同时存在“记忆力下降（依从性差）”“合并多种药物（安全性风险）”“子女不在身边（社会支持不足）”，难以归因于单一因素。若仅关注单一因素（如“加强用药提醒”），可能无法根本解决问题。1核心挑战：脱落数据应用的“三重壁垒”1.3动态调整滞后：从数据分析到策略执行的“时间差”脱落数据的收集、清洗、分析往往需要数周时间，而试验入组是持续进行的过程，当分析结果出来时，可能已入组了数百例受试者，此时再调整入组策略，难以覆盖已入组人群，且可能打乱试验进度。2应对路径：构建“四维一体”的保障体系2.1制度保障：建立“脱落数据质量责任制”-标准化培训：在试验启动前，对所有研究者进行“脱落数据规范记录”培训，明确“脱落原因”的具体分类（如“不良反应”“失联”“拒绝继续”）及记录要求（需客观描述，避免主观判断）。01-质控核查：监查员在每次监查时，需重点核查“脱落模块”的完整性，对“原因不明”“记录模糊”的病例要求研究者补充说明，必要时进行源数据核对（如电话联系受试者或家属）。02-激励机制：将“脱落数据质量”纳入研究者绩效评估，对“记录规范、分析深入”的研究者给予额外奖励，对“敷衍记录”者进行约谈整改。032应对路径：构建“四维一体”的保障体系2.2技术赋能：借助数字化工具实现“实时分析与反馈”-电子数据捕获系统（EDC）的智能化升级：在EDC中设置“脱落数据自动核查”功能，例如“若脱落原因为‘不良反应’，必填‘不良反应等级、处理措施’；若为‘失联’，必填‘最后联系时间、尝试联系方式’”，减少数据缺失。-实时数据监控平台：利用大数据技术，建立“脱落风险实时预警系统”，对受试者的随访依从性、症状报告、用药记录等进行动态监测，一旦出现“连续3次未服药”“不良反应未及时上报”等风险信号，自动向研究护士发送预警，实现“事前干预”。-AI辅助分析：采用自然语言处理（NLP）技术，对脱落原因的文本记录（如“医生说这个药伤肾”）进行语义分析，自动提取关键信息（如“安全性担忧”），提高数据归因效率。2应对路径：构建“四维一体”的保障体系2.3团队协作：组建“跨学科入组策略优化小组”针对多因素交织的脱落问题，需打破“研究者单打独斗”的模式，组建由研究者、护士、药师、数据管理员、统计师、社会工作者组成的多学科