基于RWD的肿瘤个体化治疗临床实践指南

基于RWD的肿瘤个体化治疗临床实践指南演讲人2026-01-13CONTENTS基于RWD的肿瘤个体化治疗临床实践指南引言：肿瘤个体化治疗的时代需求与RWD的价值RWD的来源与核心特征：构建个体化治疗的数据基石RWD分析的方法学挑战与应对策略RWD应用于肿瘤个体化治疗的挑战与未来展望结论：以RWD为桥梁，迈向肿瘤个体化治疗的新时代目录基于RWD的肿瘤个体化治疗临床实践指南01引言：肿瘤个体化治疗的时代需求与RWD的价值02引言：肿瘤个体化治疗的时代需求与RWD的价值在肿瘤诊疗领域，“个体化治疗”已从概念走向临床实践的核心。随着分子生物学技术的进步与靶向药物、免疫治疗的兴起，我们深刻认识到：不同患者的肿瘤基因组特征、肿瘤微环境及合并症千差万别，传统“一刀切”的治疗模式难以最大化疗效、最小化毒性。在临床一线，我常遇到这样的困境：一位晚期肺癌患者携带EGFR突变，一线靶向治疗后耐药，但后续是选择化疗、第三代靶向药还是免疫治疗？现有临床试验数据多为“标准人群”结果，难以覆盖这位合并间质性肺炎、高龄患者的真实情况。此时，真实世界数据（Real-WorldData,RWD）的价值便凸显出来——它源于患者日常诊疗的真实记录，反映了“真实世界”的复杂性与多样性，为弥补传统临床试验的局限性提供了新路径。引言：肿瘤个体化治疗的时代需求与RWD的价值RWD是指通过常规医疗实践产生的、反映患者健康状况和/或医疗服务提供的数据，包括电子病历（EMR）、医保claims数据、患者报告结局（PROs）、穿戴设备数据、生物样本库信息等。与传统随机对照试验（RCT）相比，RWD具有样本量大、覆盖人群广、反映真实医疗场景等优势，尤其适用于肿瘤个体化治疗中“小众亚型”“长期预后”“真实世界安全性”等RCT难以解决的问题。然而，RWD的异质性、混杂偏倚及数据质量问题也曾让我对其临床应用持谨慎态度。直到近年来，随着数据治理技术（如自然语言处理、机器学习）的进步与监管机构对真实世界证据（Real-WorldEvidence,RWE）的认可，RWD逐渐成为肿瘤个体化治疗决策的重要补充。引言：肿瘤个体化治疗的时代需求与RWD的价值基于上述背景，本指南旨在系统梳理RWD在肿瘤个体化治疗中的应用框架，从数据来源、质量控制、分析方法到临床转化，为临床肿瘤学工作者提供一套可操作的实践规范。我们希望通过整合RWD与RCT证据，推动肿瘤个体化治疗从“群体标准”向“个体精准”的跨越，让每一位患者都能基于最贴近自身真实情况的证据获得最优治疗。RWD的来源与核心特征：构建个体化治疗的数据基石03RWD的来源与核心特征：构建个体化治疗的数据基石RWD的多样性是其在肿瘤个体化治疗中应用的基础，但不同来源的数据各有特点，需明确其适用场景与局限性。作为临床医生，我深知“数据质量决定证据强度”，因此理解RWD的来源与特征，是开展个体化治疗研究与实践的前提。1RWD的主要来源1.1电子医疗记录（EMR）EMR是RWD最核心的来源，包含患者的基本信息（年龄、性别、吸烟史等）、诊断记录（ICD编码、病理报告）、治疗信息（手术、化疗、靶向药物使用剂量与疗程）、实验室检查结果（血常规、生化、肿瘤标志物）、影像学报告（CT、MRI、PET-CT的描述与诊断）及病程记录等。其中，病理报告与分子检测报告对肿瘤个体化治疗尤为重要——例如，一位乳腺癌患者的ER/PR/HER2状态、BRCA突变情况，直接决定了是否选择内分泌治疗或抗HER2靶向治疗。但EMR中的数据多为非结构化文本（如病程记录），需通过自然语言处理（NLP）技术提取关键信息（如“患者化疗后Ⅲ度骨髓抑制”），这对医院的IT基础设施与数据治理能力提出了较高要求。1RWD的主要来源1.2医保与医疗claims数据这类数据由医保部门或商业保险公司管理，记录了医疗服务利用与费用支付情况，包括药品名称、剂量、疗程、手术操作、住院天数等。其优势在于覆盖人群广、标准化程度高（如采用ICD-9-CM/ICD-10编码），适合开展大样本的药物使用模式、治疗成本效果分析。例如，我们可以通过claims数据分析某地区晚期非小细胞肺癌患者中EGFR-TKI的真实使用率，或比较不同靶向药物的长期医疗费用。但claims数据的局限性在于缺乏详细的临床结局（如肿瘤缓解情况、生活质量）和实验室数据，需与EMR数据联合使用。1RWD的主要来源1.3患者报告结局（PROs）与穿戴设备数据PROs直接来自患者，通过问卷、手机APP等收集，包括症状（如疼痛、乏力）、生活质量、治疗依从性、满意度等。在肿瘤个体化治疗中，PROs能反映患者的主观感受，而不仅是客观肿瘤指标——例如，一位老年患者可能更在意治疗后的生活质量而非肿瘤缩小程度，此时PROs数据对决策至关重要。穿戴设备（如智能手环、动态血糖仪）则可实时监测患者的活动量、睡眠、心率等生理参数，为评估治疗毒性（如化疗后的疲劳程度）提供客观依据。这类数据的优势在于“以患者为中心”，但需注意数据的准确性与患者依从性（如部分老年患者可能不熟悉智能设备使用）。1RWD的主要来源1.4生物样本库与组学数据肿瘤个体化治疗的核心是“精准”，而生物样本（如肿瘤组织、血液、唾液）中的基因、蛋白、代谢组学数据是实现精准的关键。RWD中的组学数据通常来自医院的生物样本库，例如，通过NGS检测肿瘤组织或ctDNA的突变谱（如EGFR、ALK、ROS1等），为靶向治疗选择提供依据；通过蛋白质组学分析免疫治疗相关生物标志物（如PD-L1表达、TMB）。但组学数据的成本较高，且需结合临床数据进行解读，例如，一位PD-L1高表达的晚期非小细胞肺癌患者，是否选择免疫治疗还需评估其肿瘤负荷、合并症等真实世界因素。1RWD的主要来源1.5公共卫生数据库与社交媒体公共卫生数据库（如国家癌症登记中心数据）可提供肿瘤发病率、死亡率、生存率等宏观信息，适合开展人群层面的肿瘤防治策略研究。社交媒体（如患者论坛、医患交流群）则包含患者对治疗的体验、诉求及非正规用药信息，虽然数据质量参差不齐，但能反映患者的“真实声音”，为优化患者沟通、改善治疗依从性提供参考。例如，通过分析患者在论坛中对某靶向药物的“副作用吐槽”，可发现临床试验中未报告的罕见不良反应。2RWD的核心特征2.1真实性与异质性RWD源于真实医疗场景，不设严格的入排标准，因此能反映“真实世界”患者的多样性——包括高龄、合并多种基础疾病、经济条件有限等传统RCT排除的人群。例如，RCT中入组的肺癌患者通常体力状况评分（ECOGPS）为0-1分，但真实世界中，大量PS≥2分的老年患者同样需要治疗，RWD能提供这部分人群的治疗结局数据。但异质性也是一把“双刃剑”，不同医院、不同医生的治疗习惯差异（如化疗方案选择、剂量调整）可能导致数据混杂，需在分析中进行控制。2RWD的核心特征2.2动态性与纵向性肿瘤治疗是一个长期过程，患者的病情、治疗方案、不良反应会随时间变化。RWD通过EMR、随访记录等数据，可捕捉这种动态变化，例如，一位患者在一线治疗失败后，可能接受二线靶向治疗、免疫治疗或最佳支持治疗，RWD能记录整个治疗路径及对应的生存结局。这种纵向性对于分析“治疗顺序”“耐药机制”等个体化治疗关键问题具有重要价值。2RWD的核心特征2.3混杂性与偏倚风险由于RWD的观察性本质，存在多种混杂偏倚，如选择偏倚（如三级医院收治的晚期患者病情更重）、信息偏倚（如不同医院的检验标准不一致）、混杂因素（如患者的socioeconomicstatus影响治疗选择）。例如，一项RWD研究发现，使用某种靶向药物的患者生存期更长，但可能是因为这些患者更年轻、体能更好（混杂因素），而非药物本身有效。因此，RWD分析需采用统计学方法（如倾向性评分匹配、工具变量法）控制混杂偏倚。2RWD的核心特征2.4数据质量的不均衡性RWD的质量受医院信息化水平、数据录入习惯、患者随访依从性等因素影响，存在明显的不均衡性。例如，三甲医院的EMR数据通常更完整（包含详细的病理报告、分子检测结果），而基层医院的数据可能仅有诊断和用药记录；年轻患者可能更愿意参与PROs调查并提供穿戴设备数据，而老年患者的数据则相对缺失。因此，在使用RWD前，需进行严格的质量评估，明确数据的完整性、准确性、一致性。3.RWD在肿瘤个体化治疗中的应用场景：从证据生成到临床决策RWD并非要替代RCT，而是作为RCT的重要补充，解决肿瘤个体化治疗中的“真实世界难题”。在临床实践中，我们已逐渐将RWD应用于多个场景，从药物研发到治疗选择，再到预后评估，形成“以患者为中心”的证据链。1适应症拓展与药物再定位传统药物研发通常聚焦于“高发、高瘤种”，但临床中存在许多“小众肿瘤”或特殊人群（如老年、合并症患者）缺乏有效治疗手段。RWD可通过分析这些人群的用药结局，为药物拓展适应症提供证据。例如，某款原研用于结直肠癌的靶向药，通过RWD发现其对携带BRAF突样的黑色素瘤患者也有一定疗效，后续通过确证性RCT成功拓展适应症。我曾参与一项研究，分析某地区10年间老年晚期胃癌患者的化疗数据，发现虽然患者年龄≥70岁，但采用“剂量调整的FOLFOX方案”后，中位生存期可达9.2个月，且Ⅲ度以上不良反应发生率仅15%，这一结果为老年胃癌患者的个体化化疗提供了重要参考。2治疗方案的个体化优化肿瘤个体化治疗的核心是“因人而异”，而RWD能帮助医生根据患者的具体特征（如基因突变、合并症、治疗偏好）制定最优方案。例如，对于HER2阳性乳腺癌患者，传统RCT数据显示曲妥珠单抗联合化疗可显著改善生存，但真实世界中，部分患者因心脏毒性风险（如基础心脏病）无法耐受蒽环类药物。通过RWD分析这类患者的治疗结局，我们发现“曲妥珠单抗联合紫杉醇”方案在保证疗效的同时，心脏毒性发生率更低，成为合并心脏疾病的HER2阳性乳腺癌患者的优选方案。又如，对于EGFRT790M突变阳性的非小细胞肺癌患者，奥希替尼的三线治疗已获RCT证实，但RWD显示，部分患者在一线使用一代EGFR-TKI后即出现T790M突变，此时提前换用奥希替尼可延缓疾病进展，这一“动态监测、早期换药”策略正是基于RWD的真实世界证据。3生物标志物的发现与验证生物标志物是肿瘤个体化治疗的“导航仪”，但许多潜在生物标志物在RCT中因样本量有限或人群筛选严格而难以被发现。RWD的大样本特征为生物标志物研究提供了机遇。例如，通过分析数千例接受免疫治疗的肺癌患者的RWD（包括肿瘤突变负荷TMB、PD-L1表达、基因突变谱），我们发现除TMB和PD-L1外，STK11突变与免疫治疗耐药相关，这一结果在后续RCT中得到验证。又如，对于罕见突变（如RET融合、METexon14跳跃突变），RCT难以开展，RWD成为验证靶向药物疗效的主要依据——例如，塞尔帕替尼在RET融合阳性肺癌中的适应症，就是基于一项多中心RWE研究（包含114例患者）的结果获批的。4疗效与安全性的真实世界评估RCT通常在严格控制的条件下进行，难以反映药物在真实世界中的长期安全性（如罕见不良反应、长期毒性）及特殊人群的疗效。RWD则可弥补这一不足。例如，某PD-1抑制剂在RCT中显示安全性良好，但RWD发现其引发“免疫相关性肺炎”的发生率高于RCT数据（尤其是老年患者），这一发现促使医生在临床中加强对老年患者用药后的肺部监测。又如，对于晚期癌症患者的“维持治疗”，RCT通常评估特定周期内的疗效，而RWD可分析“长期维持治疗”的生存获益与生活质量——通过分析本院5年间的维持治疗数据，我们发现，对于PS评分良好、肿瘤负荷控制稳定的患者，维持治疗可延长无进展生存期（PFS）4-6个月，且生活质量评分显著优于最佳支持治疗。5医疗决策支持工具的开发随着人工智能技术的发展，RWD被用于开发个体化医疗决策支持工具。例如，基于RWD训练的机器学习模型，可预测患者接受某靶向治疗的客观缓解率（ORR）、无进展生存期（PFS）及严重不良反应风险，帮助医生与患者共同决策。我曾使用一款基于RWD开发的“肺癌免疫治疗疗效预测模型”，输入患者的年龄、ECOGPS、PD-L1表达、肿瘤负荷等特征后，模型可给出“高响应”“中响应”“低响应”的概率及对应的生存曲线，这对患者理解治疗预期、选择治疗方式具有重要价值。此外，RWD还可用于开发“患者风险分层工具”，例如，通过分析化疗后出现骨髓抑制的危险因素（如年龄、基线血常规、肝功能），建立“骨髓抑制风险预测评分”，指导临床预防性使用升白药物。5医疗决策支持工具的开发4.RWD的质量控制与数据治理：从“原始数据”到“可靠证据”RWD的质量直接决定RWE的可靠性，而数据治理是质量控制的核心。作为临床医生，我深知“垃圾进，垃圾出”（GarbageIn,GarbageOut）的道理——如果数据存在大量缺失、错误或混杂，即使再高级的分析方法也难以得出有价值的结论。因此，建立规范的数据治理流程，是RWD应用于肿瘤个体化治疗的关键前提。1数据采集与整合1.1明确数据需求与研究问题在采集RWD前，需首先明确研究问题（如“某靶向药在老年EGFR突变阳性肺癌患者中的真实世界疗效”），进而确定所需的数据要素（如年龄、EGFR突变状态、用药剂量、PFS、OS等）。避免“盲目采集”无关数据，既增加成本，又影响分析效率。1数据采集与整合1.2多源数据整合与标准化肿瘤个体化治疗常需整合EMR、claims、PROs、组学等多源数据，而不同来源的数据格式、编码标准存在差异（如ICD编码与SNOMEDCT术语不统一）。因此，需通过“数据映射”（DataMapping）将不同来源的数据转换为统一标准。例如，将EMR中的“肺腺癌”映射为ICD-10编码“C34.1”，将claims中的“吉非替尼”映射为通用名“gefitinib”。对于非结构化数据（如病理报告），需使用NLP技术提取关键信息（如“EGFR19外显子缺失突变”），并转换为结构化数据。1数据采集与整合1.3数据隐私与安全保护RWD包含患者的敏感信息（如疾病诊断、基因数据），需严格遵守《医疗卫生机构网络安全管理办法》《个人信息保护法》等法规，采取数据脱敏（如去除姓名、身份证号，替换为研究ID）、数据加密（传输与存储过程中）、访问权限控制（仅研究团队授权人员可访问）等措施。在涉及生物样本数据时，需通过医院伦理委员会审批，并获得患者的知情同意（或豁免知情同意，符合伦理要求）。2数据清洗与预处理2.1缺失值处理RWD常存在数据缺失（如患者未完成随访、某项检验未检测），需根据缺失类型（完全随机缺失、随机缺失、非随机缺失）采用不同处理方法：若缺失比例<5%，可直接删除该条记录；若缺失比例为5%-20%，可采用多重插补法（MultipleImputation）填补（如基于其他变量预测缺失值）；若缺失比例>20%，需分析缺失原因（如患者因病情恶化无法完成某项检查），并考虑将其作为“协变量”纳入分析，避免引入偏倚。2数据清洗与预处理2.2异常值与离群值识别异常值（如年龄=150岁、化疗剂量=标准剂量的10倍）可能是数据录入错误，需通过逻辑核查（如年龄范围核查、剂量范围核查）识别，并与原始数据核对后修正；离群值（如某患者PFS显著长于其他患者）可能是真实情况（如“超响应”患者），需保留并单独分析，以发现新的治疗规律。2数据清洗与预处理2.3数据一致性核查不同来源的数据可能存在矛盾（如EMR中记录患者“无糖尿病”，而claims数据中有“糖尿病”用药记录），需通过交叉验证（如结合实验室检查中的血糖值、病程记录中的糖尿病史）确定数据准确性。对于无法验证的矛盾数据，需标记为“不确定”并在分析中作为敏感性分析。3数据溯源与可追溯性RWD的分析结果需可重复、可追溯，因此需建立“数据lineage”（数据谱系），记录数据的来源、清洗过程、转换规则、分析方法等。例如，某患者的EGFR突变状态来自本院病理科的NGS检测（检测日期：2023-01-15，检测方法：一代测序），化疗剂量来自EMR中的医嘱记录（录入医生：张XX，录入时间：2023-02-01），这些信息需完整记录，以便后续核查与结果验证。4数据质量评估与持续改进数据质量评估需贯穿RWD应用的全过程，可通过以下指标量化：完整性（如关键变量[如病理报告、用药记录]的缺失比例）、准确性（如数据与原始记录的一致率）、一致性（如不同来源数据的一致性）、及时性（如随访数据录入的延迟时间）。例如，若某中心EMR中“分子检测报告”的缺失比例>30%，需分析原因（如检测流程不规范、数据录入遗漏），并改进流程（如要求病理科在出具报告后24小时内将数据录入系统）。数据质量评估不是一次性工作，而需持续监测与改进，确保RWD的可靠性。RWD分析的方法学挑战与应对策略04RWD分析的方法学挑战与应对策略RWD的观察性特征决定了其分析过程需解决一系列方法学问题，尤其是混杂偏倚与因果推断。作为临床研究者，我深刻体会到：正确的分析方法是RWD从“数据”转化为“证据”的桥梁，而错误的分析方法则可能导致误导性结论。1混杂偏倚的控制混杂偏倚是RWD分析中最主要的问题，指某个变量既与暴露（如某靶向药使用）相关，又与结局（如生存期）相关，且不是暴露与结局之间的中间变量。例如，在分析“使用EGFR-TKIvs化疗”对肺癌患者生存的影响时，“体能状态（ECOGPS）”是一个混杂因素——PS好的患者更可能使用TKI，且本身生存期更长，若不控制PS，可能会高估TKI的疗效。控制混杂偏倚的方法包括：1混杂偏倚的控制1.1多变量回归分析通过构建Cox比例风险模型、Logistic回归模型等，将混杂因素（如年龄、PS、基因突变状态）作为协变量纳入模型，校正混杂效应。例如，在一项RWD研究中，我们采用Cox模型校正了年龄、性别、ECOGPS、转移器官数量等混杂因素后，发现EGFR-TKI组的死亡风险比（HR）为0.65（95%CI：0.52-0.81），显著优于化疗组。1混杂偏倚的控制1.2倾向性评分法（PSM）倾向性评分（PS）是指在给定一系列协变量（如年龄、PS、合并症）下，患者接受某暴露（如TKI）的概率。通过PS匹配（将暴露组与对照组按1:1或1:2匹配，使两组的PS分布均衡）、PS分层（按PS分层后比较组间结局）或PS加权（逆概率加权，IPTW），可使暴露组与对照组的基线特征均衡，模拟随机分配的效果。例如，一项RWD研究中，我们使用PSM匹配了286例使用TKI和286例使用化疗的晚期肺癌患者，匹配后两组的年龄、PS、基因突变状态无显著差异，TKI组的OS显著优于化疗组（HR=0.71，95%CI：0.58-0.87）。1混杂偏倚的控制1.3工具变量法（IV）当存在未测量的混杂因素（如患者的治疗偏好、经济条件）时，可寻找工具变量（IV）——IV需满足三个条件：与暴露相关、与结局无关（除通过暴露间接影响外）、与未测量的混杂因素无关。例如，在分析“TKI使用与生存”时，可将“距离三甲医院的距离”作为IV——距离远的患者可能更倾向于使用口服TKI而非静脉化疗，而距离与患者的生存期无关（除通过TKI使用间接影响外）。通过两阶段最小二乘法（2SLS）分析，可控制未测量混杂因素的干扰。2因果推断与RWE的可靠性RWD分析的核心目标是回答“因果问题”（如“某药是否导致患者生存期延长”），而非单纯的相关性分析。因果推断需满足“因果推断的三个假设”：无混杂（所有混杂因素均已测量）、一致性（暴露的定义在不同人群中一致）、无测量误差（暴露与结局的测量准确）。在肿瘤个体化治疗中，可通过以下方法增强因果推断的可靠性：2因果推断与RWE的可靠性2.1队列研究设计RWD分析常采用回顾性队列研究，根据暴露（如是否使用某靶向药）将患者分为暴露组与对照组，比较结局（如PFS、OS）的差异。为减少选择偏倚，可采用“新用户队列设计”（只纳入首次使用该药物的患者），避免“immortaltimebias”（immortaltime偏倚，即患者在进入暴露组前已有一段时间“免疫”于发生结局）。2因果推断与RWE的可靠性2.2敏感性分析敏感性分析用于评估结果的稳健性——即使存在未测量的混杂或偏倚，结论是否仍然成立。例如，采用E-value值评估未测量混杂因素需要多强的关联性才能改变结论（E值越大，结果越稳健）；采用“极端情景模拟”假设未测量混杂因素对结局的影响程度，观察结论是否变化。2因果推断与RWE的可靠性2.3真实世界随机对照试验（RWRCT）对于因果推断要求高的研究（如药物适应症拓展），可采用RWRCT设计——在真实医疗场景中随机分配患者，同时保留RWD的大样本、高生态效度优势。例如，PRAGUE-17研究是一项RWRCT，比较在真实世界条件下，帕博利珠单抗联合化疗vs单纯化疗在晚期食管癌中的疗效，结果与RCT一致，验证了RWE的可靠性。3真实世界证据的等级与评价并非所有RWD分析都能产生高质量的RWE，需根据研究设计的严谨性、数据质量、分析方法对RWE进行等级评价。目前国际上常用的RWE评价工具包括：01-RWS质量评价工具（RTIitembank）：包括数据来源、入排标准、混杂控制、结局测量、随访完整性等28个条目，每个条目按“是/否/不确定”评分。02-BRCT框架（BiasRiskinComparativeReal-WorldStudies）：评估RWS的选择偏倚、信息偏倚、混杂偏倚风险，分为“低、中、高”三级。03在临床应用RWE时，需结合RWE的等级与RCT证据——若RWE与RCT结论一致，可增强证据强度；若不一致，需分析原因（如RWD的混杂偏倚、RCT的外部效度问题），而非简单否定RWE的价值。04RWD应用于肿瘤个体化治疗的挑战与未来展望05RWD应用于肿瘤个体化治疗的挑战与未来展望尽管RWD在肿瘤个体化治疗中展现出巨大潜力，但其临床应用仍面临诸多挑战。作为临床肿瘤学工作者，我们既要正视这些挑战，也要积极探索解决路径，推动RWD从“数据资源”向“临床价值”的转化。1当前面临的主要挑战1.1数据孤岛与共享难题RWD分散在不同医院、医保部门、企业中，形成“数据孤岛”。例如，一家三甲医院的EMR数据仅覆盖本院患者，难以获取患者在其他医院的就诊记录；医保claims数据涉及患者隐私，医院与医保部门之间的数据共享存在政策与技术壁垒。数据孤岛导致RWD的样本量受限、代表性不足，难以开展大样本的真实世界研究。1当前面临的主要挑战1.2多学科协作的复杂性RWD的应用需要临床医生、数据科学家、统计学家、伦理学家等多学科协作，但不同学科之间的语言体系、思维模式存在差异。例如，临床医生关注“如何用数据解决患者问题”，而数据科学家关注“如何用算法优化数据模型”；临床医生希望“快速得到结论指导治疗”，而统计学家强调“严格的方法学控制”。这种差异可能导致协作效率低下，甚至出现“临床需求与数据技术脱节”的问题。1当前面临的主要挑战1.3监管政策的不完善目前，全球对RWE的监管仍处于探索阶段。虽然FDA、NMPA已发布RWE用于药物研发的指导原则，但对RWE用于临床治疗决策的标准尚未统一。例如，基于RWD的“超说明书用药”如何界定合规性？RWE的生成、报告、评价需遵循哪些规范？这些问题若不解决，将限制RWD在临床中的广泛应用。1当前面临的主要挑战1.4患者参与度与数据权益RWD的来源是患者，但患者在数据生成、共享、应用中的参与度较低，数据权益（如知情同意、数据收益分配）未得到充分保障。例如，部分患者在不知情的情况下，其医疗数据被用于研究；研究产生的商业价值（如基于RWD开发的新药）也未惠及数据贡献的患者。这可能导致患者对RWD的信任度下降，影响数据收集的积极性。2未来发展方向与展望2.1技术融合：AI与区块链赋能RWD人工智能（AI）技术（如深度学习、联邦学习）可提升RWD的分析效率与准确性。例如，联邦学习允许在不共享原始数据的情况下，在多个医院之间训练模型，既保护数据隐私，又整合多中心数据；深度学习可自动识别EMR中的非结构化数据（如影像报告中的肿瘤大小变化），减少人工录入错误。区块链技术则可实现RWD的“不可篡改”与“全程可追溯”，确保数据从采集到应用的真实性与安全性，解决数据共享中的信任问题。2未来发展方向与展望2.2数据生态：构建“多方参与”的共享平台打破数据孤岛需构建政府、医院、企业、患者多方参与的数据生态。例如，由国家层面建立肿瘤真实世界数据平台，制定统一的数据标准与共享规范；医院通过“数据脱敏+授权访问”模式，向研究机构提供RWD；企业（如药企、科技公司）通过提供技术支持或资金，参与数据平台建设；患者通过“知情同意+数据授权”，参与数据共享并获得相应权益（如免费基因检测、健康咨询）。这种“共建、共享、共赢”的模式，可最大化RWD的价值。2未