真实世界临床研究实施指南（2025版）

真实世界临床研究实施指南（2025版）真实世界研究作为评估医疗干预措施在真实临床环境中效果的核心方法，已成为循证医学体系的重要组成部分。随着医疗数字化基础设施的完善以及数据科学的进步，真实世界证据在支持药品全生命周期管理、临床指南制定及医保决策中的应用日益广泛。为确保真实世界研究的科学性、严谨性和伦理合规性，本指南系统规范了从研究设计、数据治理、项目实施到统计分析的全流程操作标准。第一章研究顶层设计与方案构建真实世界研究的质量在很大程度上取决于前置设计的严谨性。不同于传统的随机对照试验（RCT），真实世界研究面临更为复杂的混杂因素和数据异质性问题，因此必须建立以目标为导向的研究设计框架。1.1研究问题的界定与PICOTS要素开展真实世界研究，首要步骤是明确研究问题，并运用PICOTS框架（人群、干预、对照、结局、时间、环境）进行细化。研究者需准确界定目标人群的特征，包括疾病诊断标准、疾病分期、既往治疗史等。干预措施的定义不仅包括药物剂量、给药途径，还需涵盖用药依从性评估。对照的选择应基于临床实际，可选用阳性对照、历史对照或同一队列内的不同暴露组。结局指标的设定必须兼顾临床终点（如总生存期、无进展生存期）和患者报告结局（PRO），并明确测量时间窗口及随访节点。1.2研究类型的选择路径根据研究目的和数据获取时态，真实世界研究设计主要分为前瞻性队列研究、回顾性队列研究、真实世界试验性研究及病例对照研究。研究设计类型适用场景核心优势潜在局限实施关键控制点回顾性队列研究评估已上市药物长期安全性及罕见不良反应研究周期短，成本相对较低，可利用现有电子病历数据存在信息偏倚，难以控制未知混杂因素暴露定义的准确性，缺失数据的科学处理前瞻性队列研究评估干预措施的长期有效性及预后因素数据收集针对性强，可纳入PRO变量，时间序列清晰随访周期长，失访率控制难度大标准化数据采集表（CRF）设计，随访依从性管理真实世界试验性研究比较不同治疗策略的临床效益及卫生经济学价值保留了真实临床环境，具备一定的随机化机制控制混杂临床实践中实施随机化存在操作障碍符合临床路径的随机化策略（如动态随机、整群随机）巢式病例对照研究探索生物标志物与疾病预后的关联适用于罕见结局，可节约样本量及检测成本存在选择偏倚风险，因果推断效力弱于队列研究匹配算法的合理性（如卡尺匹配、倾向性评分匹配）1.3样本量估算与把握度分析真实世界研究的样本量计算不能简单套用RCT的公式，必须考虑真实世界数据的特性。首先，需基于既往真实世界数据源估算暴露率或事件发生率。其次，必须将“不可归因数据比例”纳入考量，即由于数据缺失、错误或不可溯源导致无法纳入最终分析的数据比例，通常建议预留15%-20%的样本余量。此外，为了控制混杂因素引入的统计学效能衰减，需在设计阶段进行把握度模拟，评估在特定倾向性评分匹配比例或协变量调整数量下，检出预设效应量的概率。第二章数据源治理与质量控制体系真实世界数据质量直接决定了证据的可靠性。由于真实世界数据源于临床诊疗过程，并非为研究专门生成，因此存在高度的异质性、缺失和噪声。构建全生命周期的数据治理体系是实施指南的核心环节。2.1多源异构数据的整合策略现代真实世界研究往往需要整合电子病历（EMR）、医保理赔数据、实验室检测系统（LIS）、影像归档和通信系统（PACS）以及院外随访数据。多源数据整合需依托统一的底层术语标准，如ICD-10（疾病）、SNOMEDCT（临床概念）、LOINC（检验指标）及RxNorm（药物）。在构建研究数据库时，应采用ETL（提取、转换、加载）技术，建立映射规则库，将非结构化的临床文本转化为可用于统计分析的结构化变量。对于非结构化文本（如病程记录、出院小结），推荐采用基于自然语言处理（NLP）的技术进行实体识别和关系抽取，但必须保证NLP模型在特定疾病领域的召回率和精确率经过人工标注验证。2.2数据清洗与标准化规范数据清洗应遵循ALCOA+原则（可归因、清晰、同步、原始、准确、完整、一致、持久、可用），建立可执行的清洗规则集。首先，进行逻辑校验，如检验日期不能早于出生日期，出院日期不能早于入院日期，药物停药日期不能早于用药开始日期。其次，进行极值与异常值检测，基于医学逻辑设定变量的合理区间，对超出区间的数据标记为存疑，并回溯原始病历进行核实。对于缺失数据的处理，需明确区分缺失机制（完全随机缺失MCAR、随机缺失MAR、非随机缺失MNAR）。严禁在未评估缺失机制的情况下直接删除缺失记录。应根据缺失特征采用多重插补法或基于模型的插补法，并在敏感性分析中评估不同插补策略对结论稳健性的影响。2.3数据质量评估指标体系项目团队需建立量化的数据质量评估指标，定期生成数据质量报告。核心指标包括：完整率：关键字段非空记录数占总记录数的比例，核心疗效指标要求达到95%以上。准确率：通过源数据核查（SDV）确认与原始病历一致的数据比例，关键安全性变量准确率需达到100%。一致率：同一变量在不同系统或不同时间点记录的吻合度。时效率：数据录入与临床事件发生的时间差，反映数据记录的及时性。第三章项目实施与过程管理规范真实世界研究的实施过程涉及多个利益相关方，包括研究者、临床医生、数据管理员、生物统计学家及伦理委员会。建立规范的项目管理流程和质量保证体系是确保研究落地的基础。3.1伦理审查与知情同意豁免机制真实世界研究必须严格遵循《赫尔辛基宣言》及当地伦理审查规范。对于回顾性观察性研究，若使用的是既往已合法收集的去标识化或匿名化数据，且不影响患者诊疗权益，研究者可向伦理委员会申请免除知情同意。伦理委员会重点审查数据脱敏方案、数据存储安全机制及数据使用范围限制。对于前瞻性真实世界研究，需获取患者书面知情同意。知情同意书应明确告知研究目的、数据用途、隐私保护措施以及患者随时退出研究的权利。若研究涉及基因测序或生物样本的长期保存，需单独制定生物样本库知情同意文件。3.2临床中心选择与研究者培训临床中心的筛选应综合评估其信息化建设水平、病种覆盖量及既往临床试验经验。对于依托医院EMR系统抽取数据的研究，需评估医院信息系统的接口开放程度、数据字典完整性及数据导出能力。研究启动前，必须对所有参与研究的关键人员进行系统性培训，培训内容涵盖研究方案、数据采集标准、安全性事件报告流程等。特别要强化临床医生对研究终点判定的标准化理解，确保不同中心、不同医生对同一结局指标（如疾病进展、不良反应分级）的判定具有高度一致性。3.3随访管理与失访控制长期随访是前瞻性真实世界研究的实施难点。失访不仅会降低统计效能，更可能引入失访偏倚，即失访患者的预后与未失访患者存在系统性差异。控制失访率需采取多维度策略：建立专职随访团队，采用电话、微信、门诊复查等多渠道随访模式；在基线信息收集时，详细记录患者及家属的多重联系方式，并定期更新；将随访节点与患者常规复查时间结合，减少额外负担。若失访不可避免，需在统计分析阶段进行敏感性分析，如采用多重插补法估算失访患者的结局，或采用逆概率加权法（IPW）校正失访偏倚。第四章统计分析与因果推断策略真实世界研究的统计分析不仅是参数估计的过程，更是因果推断的过程。由于缺乏随机化，混杂因素的识别和控制是统计分析的核心任务。4.1混杂因素的识别与有向无环图（DAG）应用在分析前，研究者需与临床专家深度合作，绘制有向无环图。DAG通过节点和箭头直观展示变量间的因果路径和混杂路径，帮助识别真正的混杂因素、中介变量及对撞变量。统计分析模型中纳入的变量必须是基于DAG理论识别出的混杂因素，而非盲目纳入所有基线变量。将中介变量（如治疗后的血压下降）作为协变量调整会引发“中介偏倚”，将对撞变量（如转诊条件）纳入模型则会引入“对撞偏倚”，这些错误操作会导致效应估计值的真实关联被掩盖或夸大。4.2倾向性评分及其衍生方法应用倾向性评分是控制已测量混杂因素的主流方法，其核心思想是将多个协变量的综合效应压缩为一个单一得分，从而在暴露组与非暴露组之间构建类似于随机化的平衡条件。分析方法核心原理优势局限性临床场景应用建议倾向性评分匹配（PSM）为暴露组寻找协变量分布相似的非暴露组进行配对直观易懂，平衡效果好，结果解释性强可能丢弃大量未匹配成功的样本，降低统计效能适用于样本量充足且组间比例严重失衡的数据倾向性评分加权（PSW/IPTW）根据倾向性评分赋予不同权重，构建伪队列利用全部样本，不损失数据量，统计效能高极端权重可能导致方差膨胀，需进行权重截断适用于大样本队列及多种暴露水平的比较倾向性评分分层按倾向性评分将样本分层，在层内比较及合并计算简便，适合作为主要分析的补充验证残余混杂控制效果弱于匹配和加权适用于探索性分析及亚组效应的一致性评估双稳健估计（DR）结合倾向性评分模型和结局回归模型对模型设定误差具有稳健性，偏倚更小计算复杂，对多重共线性敏感推荐作为核心结论的敏感性分析，验证结果稳定性4.3目标试验仿真目标试验仿真是一种新兴的因果推断框架，旨在通过将观察性数据“伪装”成RCT来规范分析流程。TTE要求研究者首先设定一个假设的“目标随机对照试验”，明确其入排标准、治疗策略、分配规则、随访起点（基线）、结局及因果对比。随后，利用真实世界数据构建一个“仿真试验”，使其尽可能贴合目标试验的设计。TTE有效避免了传统的“表1变量不平衡就调整”的盲目性，特别是在处理时变混杂因素（如治疗切换、停药）时，TTE结合克隆-删失法及权重调整，能更准确地估算治疗策略的因果效应。4.4生存分析与竞争风险模型在评估临床终点（如生存期）时，传统Kaplan-Meier法和Cox比例风险模型假设删失是独立非信息性的。但在真实世界中，患者可能死于非目标疾病原因（如心血管疾病患者死于意外），这构成了竞争风险事件。若直接将竞争事件作为删失处理，会高估目标事件的累积发生率。此时应采用Fine-Gray子分布风险模型，将竞争事件考虑在内，以获得更贴近临床实际的净终点发生率估计。第五章真实世界证据的外推性与局限性评估真实世界研究得出的结论能否推广到更广泛的患者群体，是监管机构和临床指南制定者关注的焦点。5.1外部真实性的系统评价评估真实世界证据的外部真实性，需重点考察研究人群与目标人群的临床特征分布是否一致，临床实践环境（如医疗设备、医生经验）是否具有代表性。若研究基于单中心或特定区域数据，需谨慎对待结论的推广性。研究者在撰写报告时，必须明确列出研究的适用人群范围及不适用人群，并说明临床路径差异对结果可能产生的影响。5.2未测量混杂的敏感性分析无论统计方法多么精密，真实世界研究中始终存在未测量或不可测量的混杂因素（如患者社会经济地位、基因背景）。必须开展定量偏倚分析，如利用E-value评估未测量混杂需要达到多大的强度，才能完全解释掉观察到的治疗效果。如果E-value较大，说明未测量混杂对结论的颠覆性影响较小，证据的稳健性较高。5.3证据等级与监管应用转化真实世界证据在监管决策中的地位取决于研究设计的严谨性和数据质量。高质量的前瞻性真实世界研究或经过严格控制混杂因素的回顾性研究，可作为支持药品扩大适应症、修改说明书或加速审评审批的辅助证据。但在涉及药品初始上市许可时，真实世界证据通常只能作为RCT数据的补充，除非在罕见病等缺乏可行RCT条件的特殊领域。第六章智能化与数字化技术在RWS中的应用前瞻随着技术演进，真实世界研究的实施模式正在发生深刻变革。数字化工具的引入大幅提升了研究效率和数据维度。6.1真实世界数据源与智能采集网络传统的人工录入数据模式已逐渐被自动化数据采集取代。通过部署院内临床数据仓库（CDR），研究系统可直接与HIS、LIS对接，实现数据的自动抓取与结构化转换。基于自然语言处理的医学文本挖掘模型，能够从大量非结构化病程记录中提取关键临床信息（如不良反应症状描述、用药调整原因），极大丰富了可用数据的信息密度。在院外数据层面，移动医疗设备和可穿戴设备的普及，使得连续性生理数据（如持续心率监测、活动量追踪）的获取成为可能。这些高频维度数据为评估患者长期服药后的功能状态和生活质量提供了全新视角，丰富了真实世界结局指标体系。6.2联邦学习打破数据孤岛与隐私限制面对多中心真实世界研究中的数据共享难题与严格的隐私保护法规，联邦学习技术提供了解决方案。联邦学习允许各参研医院在本地服务器上利用自有数据训练模型，仅将加密后的模型参数上传至中央服务器进行聚合，从而实现“数据可用不可见”。该技术有效打