4. 纵向数据与组学数据的对齐策略

纵向EHR数据与组学数据来自两套完全不同的采集体系：EHR由临床业务系统按就诊事件驱动产生，组学数据由实验室按样本批次驱动产生。两者要在同一个分析框架下联合使用，第一步不是建模，而是对齐。对齐做错，后续所有统计推断都会建立在错误的样本—时间—患者对应关系上。本节围绕四个必须解决的问题展开：患者标识如何映射、时间轴如何统一、采样窗口如何定义、批次效应如何在对齐阶段就被记录和控制。

一、患者标识映射：从多源ID到稳定主键

EHR侧通常存在多个标识：院内病案号（MRN）、住院号、门诊号、医保号、身份证号哈希；组学侧则常见样本编号（SampleID）、受试者编号（SubjectID）、测序文库号（LibraryID）。这些标识之间并非天然一一对应。实际工程中，第一步是建立一张患者主索引映射表，字段至少包括：global_patient_id（全局唯一主键）、source_system、source_id、id_type、valid_from、valid_to、match_confidence。

映射策略分三层：确定性匹配（身份证哈希、医保号完全一致）、概率匹配（姓名+出生日期+性别+邮编的相似度打分）、人工复核（低置信度或冲突记录）。示例参数：概率匹配得分≥0.95自动合并，0.80～0.95进入人工队列，<0.80不合并。需要特别注意的是，MRN可能因系统迁移而变更，因此映射表必须带时间有效期，不能只存当前值。组学样本一旦与错误患者绑定，属于不可逆污染，必须在入库前用match_confidence字段拦截。

二、时间轴对齐：事件时间、记录时间与样本时间

纵向EHR至少有三类时间：事件时间（症状发生、用药开始）、记录时间（医嘱录入、检验报告生成）、系统时间（数据入库）。组学侧有采样时间（血液/组织采集）、处理时间（核酸提取、建库）、测序时间。对齐时应以采样时间作为组学锚点，以事件时间作为临床锚点，而不是记录时间。

时间轴统一需要处理三个问题：时区（统一为UTC+8并保留原始时区字段）、精度（EHR常精确到分钟，组学常精确到日，统一到日粒度并保留原始精度标记）、相对时间（以基线访视或首次采样为t=0，计算days_from_baseline）。示例：某患者首次采样为2023-03-15，则2023-04-20的随访记为days_from_baseline=36。相对时间比绝对时间更适合跨患者联合建模，因为它消除了入组时间差异。

三、采样窗口定义：把离散事件映射到统一时间格

组学采样是离散的，EHR事件是连续的。对齐的核心操作是窗口化：为每个组学采样点定义一个时间窗口，把窗口内的EHR事件聚合为该采样点的临床特征。窗口定义有三种常见方式：

• 对称窗口：采样日±7天，适合稳定指标（如白蛋白、血红蛋白）。
• 前向窗口：采样前14天至采样日，适合反映采样时状态的指标（如炎症因子、用药暴露）。
• 后向窗口：采样日至采样后30天，适合结局事件（如疗效评价、复发）。

窗口内多条记录需定义聚合规则：连续变量取均值或最接近采样日的值，分类变量取窗口内最高严重度或最近一次。示例参数：白细胞计数窗口内取最接近采样日的值；合并症取窗口内出现即标记为1。窗口宽度不是越宽越好——过宽会引入时间混杂，过窄会导致大量缺失。建议对每个指标单独配置窗口，并在元数据中记录window_type、window_days、aggregation。

四、批次效应考量：在对齐阶段就留下可校正的痕迹

组学数据的批次效应来源包括：测序批次、试剂批号、核酸提取日期、操作人员、仪器型号、甚至样本在板上的位置。批次效应与生物学信号混杂时，事后很难分离。因此对齐阶段必须做两件事：记录和检查。

记录方面，每个样本必须携带完整的批次元数据：batch_id、reagent_lot、extraction_date、operator、instrument、plate_position。检查方面，对齐后应立即做批次—分组交叉表，判断批次是否与疾病分组、时间点严重混杂。示例：若批次B01全部为对照组、B02全部为病例组，则批次与分组完全共线，任何校正方法都无法可靠分离。此时应优先调整实验设计或重新采样，而不是强行校正。

当批次与分组不完全共线时，可将batch_id作为协变量纳入模型，或使用ComBat、limma的removeBatchEffect进行校正。但需注意：校正后的数据不应再用于批次相关的差异检验，且校正前后都应保留原始矩阵以备审计。

对齐不是一次性动作，而是随数据更新持续维护的过程。建议将对齐逻辑固化为可重复执行的管道：ID映射表版本化、时间轴转换函数化、窗口配置参数化、批次元数据强制校验。这样当新增一批样本或EHR数据刷新时，只需重新运行管道，即可得到一致的对齐结果，而不是依赖人工记忆和临时脚本。