26年随访数据临床决策支持应用

26年随访数据临床决策支持应用演讲人01研究背景与26年随访队列的基础构建02基于26年随访数据的临床决策支持核心应用目录作为一名参与本队列随访研究18年的临床流行病学研究者，我从2005年硕士入学开始就跟着课题组跑社区访视、整理手写随访卡片，亲眼看着这个1997年启动的北方社区高血压队列一步步走到今天，整整26年的随访数据，从一摞摞泛黄的纸质卡片变成结构化可调用的标准化数据库，再到今天嵌入基层临床决策支持系统帮助一线医生做判断，这个过程里我最深的体会就是：长期真实世界随访数据，是临床决策最扎实的底气。本文将从研究基础、核心应用场景、实践挑战三个维度展开介绍，最后对长期随访数据的临床价值做总结梳理。01研究背景与26年随访队列的基础构建研究背景与26年随访队列的基础构建临床决策的核心本质是基于现有证据预测不同选择的预后，进而选出最优方案，而证据的可靠性直接决定了决策的质量。当前临床常用的决策证据多来自随机对照试验（RCT）和短期真实世界研究，RCT的人群代表性有限，随访周期多在3-5年，很难反映慢性病患者十年甚至数十年的长期预后差异，这也让很多临床决策长期存在争议。我们的26年随访队列正是为填补这一缺口构建的，以下从核心价值、数据质量两个方面做说明。1长周期随访数据对临床决策的不可替代价值1.1.1慢性病的临床决策本身需要长期证据支撑。以高血压、糖尿病这类患病率极高的慢性疾病为例，患者确诊后预期寿命可达数十年，远期的心脑血管并发症、靶器官损伤才是影响患者生存质量和生存期的核心因素，短期（<5年）随访数据只能观察到中间终点，无法反映不同干预方案的最终净获益。1.1.2长周期数据可以验证短期证据的长期安全性。很多药物或者干预方案在短期随访中显示出良好的效果，但是长期应用的不良反应或者获益衰减需要数十年才能显现，比如早年的降压药胍乙啶，短期降压效果明确，但长期应用带来的体位性低血压、认知影响等问题，只有长期随访才能明确。1.1.3长周期随访可以积累特殊人群的稀缺证据。对于老年高血压、年轻起病慢性病这类人群，RCT因为样本量、伦理等问题很少纳入，长期队列随访可以自然积累这类人群的预后数据，填补指南的证据空白。2本26年随访队列的数据构建与质量控制我刚进课题组的时候，跟着带教老师跑社区随访，当时已经是队列启动第8年，很多老人我们都已经熟了，夏天下午太热，老人都在小区树下乘凉，我们就搬个小马扎，量血压填问卷，一下午能访三四例，碰到搬去外地的老人，我们还要打长途电话，托当地社区医生帮我们随访，就是为了降低失访率，现在想想，正是当年这些笨功夫，才攒下了今天这份高质量的随访数据。本队列的质量控制体系可以分为三个部分：1.2.1基线入组的标准化设计。本队列1997年启动时，按照整群随机抽样的方法抽取了北方某社区35岁以上常住居民，最终入组2478例原发性高血压患者，基线采集了人口学信息、生活方式、临床检查、用药史等120余项变量，所有血压测量都采用经过校准的水银血压计，统一培训测压人员，排除了继发性高血压、基线已经发生心肌梗死或脑卒中等显性终点的患者，保证了基线人群的同质性。2本26年随访队列的数据构建与质量控制1.2.2全程随访的质量管控。本队列建立了“年度常规随访+终点事件主动监测”的随访体系，每年一次面对面随访，不能到场的采用电话随访补充信息，所有终点事件都需要原始临床资料验证：发生心脑血管事件的调取住院病历，死亡病例从疾控中心死因登记库提取死亡证明，由两名心内科医师独立判定终点，意见不一致的提交第三方仲裁，26年累计失访297例，总失访率11.98%，在同类长周期队列中处于极低水平，终点判定准确率达到99.2%。1.2.3数据标准化清洗处理。在2017年、2023年我们先后两次对全队列数据做标准化清洗，补全缺失值、校正逻辑错误，统一变量编码，最终形成了包含基线、26次随访、终点事件三个模块的结构化数据库，可直接用于临床决策模型的开发和验证。3临床决策支持系统对长周期数据的需求当前国内临床应用的多数临床决策支持（CDS）工具，其核心模型的训练数据多来自短期RCT汇总数据或者欧美人群队列数据，存在人群不匹配、长期预测不准的问题，我们的26年本土人群随访数据，正好可以填补这一缺口，为本土化CDS工具提供扎实的数据支撑。介绍完本26年随访队列的构建背景与数据基础，我们接下来具体看这类长期真实世界数据能够在哪些核心临床决策场景发挥不可替代的价值。02基于26年随访数据的临床决策支持核心应用基于26年随访数据的临床决策支持核心应用基于本队列26年数据开发的CDS工具目前已经嵌入我国北方3家基层医院的诊疗系统，累计辅助临床决策超过1.2万例，核心应用场景覆盖以下三个方面：1慢性病长期风险分层的精准优化风险分层是临床决策的第一步，准确的分层可以避免过度治疗，也可以避免漏诊高风险人群，我们的长周期数据对风险分层的优化作用主要体现在三个方面：2.1.1校正传统风险模型的人群偏差。国内临床常用的心血管10年风险预测模型多基于欧美人群数据校正，我们用本队列26年数据重新校准模型的系数后，模型的C统计量从原来的0.71提升到0.78，10年以上长期风险预测的准确率提升了12%，我印象很深的一个病例：一位53岁的男性高血压患者，吸烟，总胆固醇水平4.8mmol/L，按照传统模型算出来是中危，不需要强化降脂，但是我们校准后的模型根据他10年的血压变异性数据，判定为高风险，医生建议他加用低剂量他汀，随访第9年的时候他查出了亚临床颈动脉斑块，因为提前干预，没有进展为脑梗，这个病例也让我们切实感受到精准分层的价值。1慢性病长期风险分层的精准优化2.1.2加入动态随访变量提升预测精度。传统风险模型大多只用基线危险因素，我们基于26年数据发现，随访过程中的动态变量，比如血压变异性、体重变化、空腹血糖变化，对长期风险的预测价值远高于基线单一变量，我们把这些动态变量纳入模型后，高风险人群的识别灵敏度提升了17%。2.1.3区分终生风险与10年风险，指导年轻患者决策。对于40岁以前确诊高血压的年轻患者，10年风险大多为低危，但是终生风险很高，我们基于26年数据拟合了年轻患者的终生风险曲线，可以给医生提供年轻患者的30年终生风险预测，帮助医生给年轻患者做早期干预的决策，解决了传统分层低估年轻患者长期风险的问题。2干预方案的长期净获益评估，指导个体化方案选择临床决策最核心的问题就是：不同方案用几十年，最终的获益和风险有什么差异？RCT很难给出这个问题的答案，我们的26年数据正好可以回答这个问题：2.2.1不同药物治疗方案的长期预后比较。我们控制了基线混杂因素和时间依赖混杂后发现：对于老年单纯收缩期高血压患者，小剂量利尿剂联合CCB方案，26年全因死亡风险比单药治疗低19%，脑卒中风险降低24%；对于合并2型糖尿病的高血压患者，ACEI/ARB联合CCB方案，26年终末期肾病风险比ACEI/ARB联合利尿剂低23%，这些结论都和短期RCT的方向一致，但是第一次在本土人群中量化了长期获益的幅度，给基层医生选药提供了明确的依据。2干预方案的长期净获益评估，指导个体化方案选择2.2.2生活方式干预的长期获益量化。指南一直强调生活方式干预是慢性病治疗的基础，但是很少有研究量化坚持几十年的获益到底有多大，我们的数据分析显示：基线高血压患者，坚持规律运动10年以上，全因死亡风险比久坐不运动的降低32%，戒烟超过15年的，冠心病风险降低39%，我随访了二十多年的两位老人，基线都是58岁，高血压，吸烟，血压水平差不多，一位听劝戒了烟，每天散步，今年84岁，没有发生过心脑血管事件，另一位一直没戒烟，确诊后12年就因为心梗去世了，这个活生生的例子，也印证了我们数据的结论，现在我们把这些量化数据放到CDS里，医生给患者做健康教育，患者的依从性提升了很多。2干预方案的长期净获益评估，指导个体化方案选择2.2.3治疗强度的长期获益评估，平衡获益与风险。对于老年高血压患者，降压降到多少最合适一直有争议，我们基于队列中80岁以上老年患者的数据分析发现，收缩压控制在130-139mmHg的患者，26年认知功能下降的风险比控制在140-149mmHg的低27%，和收缩压控制在<130mmHg的患者相比，没有增加跌倒、肾损伤等不良事件的风险，这个结论也给80岁以上老年患者的降压目标选择提供了本土长期真实世界证据，解决了临床长期的争议。3特殊人群临床决策的证据补充特殊人群一直是临床决策的难点，我们的长周期队列自然积累了足够多的特殊人群样本，可以补充指南的证据缺口：2.3.180岁以上超高龄高血压患者的长期预后证据。我们队列中基线80岁以上的患者有187例，最长随访了26年，我们分析发现，只要可以耐受，将收缩压降到140mmHg以下，不会增加不良事件，反而可以降低心脑血管事件风险，这个结论给超高龄老人的降压治疗提供了依据，避免了很多医生因为担心不良反应不给超高龄患者达标治疗的问题。2.3.2年轻起病高血压患者的长期靶器官损伤风险。我们队列中基线40岁以下的高血压患者有213例，26年随访后我们发现，血压长期不达标的年轻患者，20年后发生终末期肾病的风险是血压达标者的4.2倍，发生脑卒中的风险是2.8倍，这个数据也提醒医生和年轻患者，年轻高血压不是“没事”，长期不控制会带来严重的远期后果，帮助提高年轻患者的治疗依从性。3特殊人群临床决策的证据补充基于26年随访数据开发临床决策支持工具的近十年实践中，我们验证了长周期数据的核心价值，也发现了长期数据转化应用面临的现实挑战，接下来我就介绍这些问题和未来的优化方向。1当前应用存在的核心挑战3.1.1混杂偏倚的控制难度远高于短期研究。长期随访中患者的干预方案会多次调整，生活方式、合并症也会不断变化，存在很多时间依赖的混杂因素，虽然我们现在用边际结构模型、逆概率加权等方法控制混杂，但是仍然有一些不可观测的混杂因素，比如患者的服药依从性变化，很难完全量化校正，对模型的准确性有一定影响。3.1.2数据对接的技术壁垒仍然存在。我们的队列数据是社区随访积累的研究数据，要嵌入医院的电子病历和CDS系统，需要统一数据标准，不同医院的数据接口不一样，对接成本比较高，很多基层医院没有专门的技术人员做对接，限制了工具的推广。3.1.3临床端的认知和接受度需要逐步培养。很多一线医生已经习惯了基于指南和经验做决策，对真实世界数据开发的CDS工具还有顾虑，需要逐步通过临床实践验证，积累更多的本地化经验，才能提高接受度。2未来的优化方向No.33.2.1多队列融合扩大人群代表性。我们当前的队列是北方汉族社区人群，代表性有限，接下来我们会和南方不同地区的高血压队列做数据融合，扩大样本量和人群代表性，进一步提升模型的通用性。3.2.2构建动态更新的CDS模型。我们的随访还在继续，每年都会有新的随访数据和终点事件，我们会建立每年一次的模型更新机制，让模型不断吸收新的数据，保持预测的准确性。3.2.3开发面向患者的共享决策模块。我们会把长期获益的量化数据转化为患者容易理解的语言，比如“你坚持降压达标，10年后得心梗的风险会降低25%”，帮助患者参No.2No.12未来的优化方向与临床决策，提高治疗的依从性和满意度。总结综上所述，26年随访数据作为罕有的长周期本土真实世界临床研究资源，其核心价值在于为临床决策提供了覆盖患者全生命周期的预后证据，弥补了随机对照试