真实世界临床研究实施中国专家共识（2026版）

真实世界临床研究实施中国专家共识（2026版）前言随着医药卫生体制改革的不断深化与医疗大数据技术的飞速发展，真实世界研究（RWS）已成为循证医学的重要组成环节，特别是在药品上市后评价、医疗器械临床应用评价及中医药发展等领域发挥着不可替代的作用。为进一步规范我国真实世界临床研究的实施过程，提高研究质量，确保数据真实性、完整性和科学性，从而产生高质量的真实世界证据（RWE），特制定本共识。本共识在既往相关指导原则基础上，结合近年来我国RWS实施的实际经验与挑战，针对2026年及未来的技术环境与监管要求，从研究设计、数据采集与治理、统计分析、质量控制及伦理合规等关键环节提出了更为细化、可操作的规范化建议，旨在为临床研究者、申办方、监管机构及相关从业人员提供权威的参考依据。一、范围与基本定义本共识适用于在中国境内开展的、以药品和医疗器械上市后临床安全性和有效性评价为主要目的的真实世界临床研究。同时，也可供医疗卫生政策制定、临床指南更新等相关的观察性研究参考。本共识所指真实世界数据（RWD）是指来源于日常所收集的各种与患者健康状况和/或诊疗及保健有关的数据。真实世界证据（RWE）是指通过对适用的真实世界数据进行恰当和充分的分析所获得的关于医疗产品（药品、医疗器械）的使用情况和潜在获益-风险的临床证据，可用于医疗产品的临床评价、监管决策及临床实践指南制定等。真实世界临床研究的设计与实施必须遵循科学性、伦理性和合规性的基本原则。研究目的应当明确、具体，具有临床价值或卫生经济学价值。相较于传统随机对照试验（RCT），RWS不拘泥于严格的随机化和安慰剂对照，而是更加注重在广泛的真实医疗环境中评估干预措施的实际应用效果，其研究结果的外推性通常优于RCT，但内部有效性则更依赖于严谨的设计和先进的数据处理技术。二、研究设计与方案制定研究设计是RWS成败的关键，应根据研究目的、数据基础及可行性进行综合考量。在2026年的技术背景下，研究者应充分利用多源数据融合的优势，设计出既能回答科学问题又能控制混杂因素的研究方案。（一）研究类型的选择常见的RWS设计包括实用性临床试验（PCT）、观察性队列研究、病例对照研究、病例系列及横断面研究等。对于评价医疗产品有效性的研究，若条件允许，优先推荐采用PCT，因为它在保持真实诊疗环境的同时，引入了随机分组元素，能最大程度平衡已知和未知混杂因素。若无法进行随机化，则应采用前瞻性或回顾性的观察性队列研究，并必须在方案阶段预先设定详细的混杂控制策略。对于罕见病或极难获得数据的领域，可采用单臂外部对照研究，即利用RWD构建历史对照或同期非随机对照。但此类设计对数据质量要求极高，必须确保试验组与对照组在基线特征上的可比性，否则极易产生偏倚。（二）核心要素的设定无论采用何种设计，方案中必须清晰定义入排标准、干预措施、结局指标及随访计划。与RCT不同，RWS的入排标准通常较为宽泛，以反映真实人群的异质性，但应明确界定目标人群。结局指标的选择应具有临床意义，优先推荐使用客观终点（如全因死亡率、卒中发生率等）。若必须使用主观终点或复合终点，建议采用盲法评估或集中adjudication机制，以减少测量偏倚。随访计划的制定需结合数据来源的特点。对于利用医保数据或电子病历数据（EMR）开展的回顾性研究，需评估数据的完整性，确保随访时间窗内数据捕获的连续性；对于前瞻性研究，则应考虑利用移动医疗技术（mHealth）、可穿戴设备等手段进行电子化患者报告结局及生命体征数据的采集，提高随访依从性和数据密度。（三）样本量估算RWS的样本量估算不应简单照搬RCT公式。在观察性研究中，样本量需考虑混杂因素调整后的效应值损失、事件发生率以及数据缺失率。对于外部对照研究，需基于历史数据的变异度进行估算。建议在方案中列出详细的统计假设，包括I类错误和II类错误的控制标准，并说明样本量是否足以支持亚组分析的需求。三、数据源选择与数据治理高质量的数据是产生高质量证据的前提。RWD具有来源广泛、结构多样、异质性强等特点，必须经过系统、严谨的治理过程才能用于统计分析。（一）数据源的选择与评估国内常用的RWD来源包括医院信息系统（HIS）、电子病历（EMR）、医保支付数据库、药品登记数据库、公共卫生监测数据以及患者自报数据等。在选择数据源时，必须对其进行详尽的适用性评估，评估维度包括：1.相关性：数据是否包含研究所需的关键变量（如基线特征、诊疗过程、结局指标）。2.准确性：数据记录是否准确，是否存在系统性的录入错误。3.完整性：关键变量是否存在大量缺失，随访数据是否截尾。4.时效性：数据更新频率是否满足研究需求，特别是对于安全性信号的监测。5.标准化程度：不同来源数据的编码标准是否统一。下表总结了不同数据源的特点及适用场景：数据源类型主要优势主要局限性适用研究场景电子病历(EMR)包含详细的临床诊疗过程、检验检查结果，临床细节丰富数据非结构化程度高，不同医院系统异质性强，随访数据往往不全疗效评价、临床路径分析、安全性信号挖掘医保理赔数据库覆盖面广，样本量大，费用数据准确，随访时间相对完整缺乏详细的临床细节（如严重程度、影像学结果），存在编码滞后卫生经济学评价、长期安全性监测、大样本流行病学研究登记研究数据库针对特定疾病设计，变量定义统一，前瞻性收集质量高建立成本高，样本量相对较小，可能存在选择偏倚罕见病研究、特定器械临床评价、长期预后观察患者自报数据(PRO)直接反映患者感受，包含生活质量等软终点存在回忆偏倚，主观性强，脱落率高慢病管理、生活质量评价、依从性研究移动健康设备数据实时连续监测，客观指标丰富（如心率、步数）数据噪声大，设备间标准化程度低，数据传输安全性挑战数字疗法评价、生活方式干预研究（二）数据采集与提取对于回顾性研究，数据的提取应建立标准操作规程（SOP）。建议使用自然语言处理（NLP）技术从非结构化文本（如病程记录、手术记录）中提取关键信息。在数据提取过程中，需保留原始数据的痕迹，不得随意修改或剔除异常值，除非有明确的临床依据并记录在案。对于前瞻性研究，应采用电子数据采集系统（EDC），并设计合理的逻辑核查功能，确保数据录入的准确性。（三）数据治理流程数据治理是RWS实施中最耗时且技术含量最高的环节，其核心在于将多源异构的原始数据转化为可用于分析的科学数据集（AnalysisReadyDataset,ARD）。主要步骤包括：1.数据标准化：将不同来源的数据映射到统一的通用数据模型（CDM），如OMOPCDM或基于中国特点的本地化CDM。统一医学术语（如ICD-10,ICD-11,LOINC,ATC等），解决同义异名、同名异义的问题。2.数据清洗：处理缺失值、异常值和逻辑不一致。对于缺失值，应根据缺失机制（MCAR,MAR,MNAR）采用多重填补（MultipleImputation）或敏感性分析处理，严禁简单剔除。3.数据链接：当需要整合医院数据与医保数据、区域健康档案数据时，需通过唯一的身份识别符进行精准链接。在隐私保护前提下，可采用第三方加密匹配技术（如哈希算法）实现安全链接。4.质量控制核查：对治理后的数据进行逻辑核查、分布核查和一致性核查。生成数据质量报告，量化数据的完整性、准确性和一致性指标。四、统计分析策略鉴于RWS非随机化的特性，统计分析的关键在于如何有效控制混杂因素，模拟随机化的效果，从而推断因果关联。（一）基线特征分析与可比性评估在主要分析前，必须对试验组与对照组的基线特征进行详细的描述性统计。不仅报告均值和标准差，更应关注分布的偏态情况。通过标准化差异值（SMD）评估组间均衡性，通常认为SMD大于0.1提示存在临床意义上的不均衡，需在分析中进行调整。（二）混杂控制方法针对观察性研究，必须采用严谨的统计方法控制混杂偏倚。常用的方法包括：1.多元回归调整：将潜在的混杂因子作为协变量纳入回归模型。该方法适用于变量较少且模型假设满足的情况，但在变量较多时容易出现过拟合。2.倾向性评分方法：包括倾向性评分匹配（PSM）、倾向性评分分层（PSS）、倾向性评分加权（PSW，如IPTW）及将PS作为协变量纳入回归。其中，IPTW能够通过创建一个伪人群，使得处理组的分布与协变量独立，近年来被广泛应用。3.工具变量法（IV）：当存在未测量的混杂因素时，若能找到合适的工具变量（与干预因素相关但与结局无关的变量），可使用IV法进行因果推断。4.疾病风险评分（DRS）：类似于PS，DRS是基于结局变量预测模型的评分，适用于结局事件发生率较低的研究。对于不同分析方法的适用条件，建议参考下表进行选择：统计方法核心原理适用场景注意事项多元回归调整直接在模型中控制协变量混杂因素较少，事件数足够需检查模型假设及多重共线性倾向性评分匹配(PSM)选取评分相近的个体配对样本量较大，处理组与对照组重叠度高会损失部分样本量，需检查共同支撑假设逆概率加权(IPTW)利用权重创建虚拟随机人群希望利用全部样本，处理效应估计极端权重可能导致估计不稳定，需进行稳态修剪工具变量法(IV)利用外生变异分离因果影响存在无法观测的强混杂因素工具变量较难寻找，且需满足强相关性排他性假设（三）缺失数据与敏感性分析必须对所有缺失数据的模式进行探索。主要分析应基于合理的填补策略（如多重填补）。同时，必须进行多维度的敏感性分析，以评估结果对不可测混杂和模型假设的稳健性。推荐使用E-value量化未测混杂因素对结论的潜在影响。五、质量控制与风险管理体系与RCT相比，RWS的数据产生环境更为开放和复杂，因此建立一套适应RWS特点的质量管理体系尤为重要。（一）计算机化系统验证用于RWS数据采集、存储、处理和分析的所有计算机化系统（包括EDC、CDM系统、统计分析系统等）都必须进行严格的验证。验证生命周期应涵盖用户需求说明书（URS）、功能规格说明书（FS）、设计规格说明书（DS）、配置、测试、上线及维护等阶段。确保系统具有审计追踪功能，能够记录所有数据的创建、修改和删除操作，且任何修改都必须有理由和签名。（二）源数据核查（SDV）的演变传统的100%SDV在RWS中往往难以实现且效率低下。2026版共识建议采用基于风险的监查模式。对于回顾性研究，重点在于数据提取逻辑的验证和关键变量的抽样核查；对于前瞻性研究，可采用远程监查结合中心化监查的方式。利用统计学方法识别离群值和异常数据模式，针对性地进行溯源核查，而非盲目追求SDV的比例。（三）偏倚控制清单在实施过程中，项目团队应动态维护一份偏倚控制清单。清单应涵盖选择偏倚（如入院率偏倚、存活者偏倚）、信息偏倚（如分类错误、回忆偏倚）和混杂偏倚的所有潜在来源及相应的控制措施。在研究中期分析时，需重新评估偏倚风险，必要时调整研究方案或统计分析计划。六、伦理审查与患者隐私保护虽然RWS多利用既有数据，但这并不豁免伦理审查的责任。相反，在数据大规模互联的背景下，伦理合规与隐私保护面临更大挑战。（一）伦理审查的分级管理对于利用完全去标识化数据且无法重新识别个体的回顾性研究，经伦理委员会批准后，可申请免除知情同意。但对于涉及生物样本采集、需主动联系患者或进行前瞻性随访的研究，必须获得知情同意。鼓励伦理委员会设立专门的真实世界研究审查通道，关注数据的安全性和科学价值。（二）数据脱敏与隐私计算在数据离开数据产生机构（如医院）进行治理或分析前，必须进行严格的数据脱敏处理。脱敏应遵循“最小够用”原则，仅导出与研究相关的变量。对于高敏感数据，建议采用隐私增强技术，如联邦学习。该技术允许模型在本地数据上训练，仅交换加密的模型参数，从而实现“数据可用不可见”，极大降低隐私泄露风险。（三）数据安全与共享研究数据的存储应符合国家网络安全法及数据安全法的要求，实行分级分类管理。建立数据访问权限控制机制，所有访问均需记录日志。若需进行跨机构数据共享，必须签署数据共享协议（DSA），明确数据使用的目的、范围及各方的责任义务。七、结果报告与监管递交真实世界证据的报告应遵循透明化原则，便于同行评议和监管决策。（一）报告规范研究报告应参照相关声明的指南进行撰写。报告必须详尽描述研究设计、数据来源及筛选流程、数据治理方法（包括具体的算法和参数设置）、统计分析计划及其执行情况。对于未注册的回顾性研究，建议在研究开始前或在统计分析锁定前在公开平台注册研究方案，减少研究报告偏倚（如P值操纵）。（二）与监管机构的沟通当RWE用于支持药品和医疗器械的注册决策（如新增适应症、上市后安全性评价等）时，建议申办方在研究关键节点与监管机构进行沟通。特别是在研究设计阶段和主要分析（锁库）前，应就研究设计的科学性、数据质量的接受度及统计分析策略达成共识。（三）证据体构建单一RWS往往不足以支持确证性的结论。共识鼓励构建证据体，将RWS与RCT证据、机制研究证据、非临床证据等进行整合。采用贝叶斯统计方法或Meta分析等手段，综合评估产品的获益-风险比，提高决策的科学性。八、多方协作与未来展望（一）多方协同机制RWS的实施涉及医疗机构、高校科研院所、制药企业、CRO公司及监管部门等多方主体。建立高效的协同机制是推动RWS发展的关键。鼓励成立区域性的临床数据研究中心，打破数据孤岛，实现数据的标准化汇聚与合规使用。医疗机构应加强临床研究团队建设，培养既懂临床又懂数据科学的复合型人才。（二）人工智能与自动化技术的深度融合展望未来，AI技术将深度赋能RWS全流程。从设计阶段的自动方案生成，到数据治理阶段的智能语义映射、异常值自动清洗，再到统计阶段的自动变量筛选和因果推断模型构建，AI将显著提升研究效率。同时，利用生成式AI进行患者招募和随访也将成为常态。研究者应积极拥抱这些技术，但同时需警惕AI算法本身的“黑盒”性质，确保算法的可解释性和透明度。（三）数字化终点的认可随着可穿戴设备和数字生物标志物的成熟，数字化终点将在RWS中扮演更重要的角色。监管机构应加快建立数字化终点的审评标准和技术指导原则，明确其临床意义和验证要求，推动RWS向更加精准、实时的方向发展。九、实施路径与操作建议为确保本共识落地，特提出以下实施路径