1. 课程导入与验证工程定位
真实世界研究（Real-World Study, RWS）已经从“补充性证据”走向监管决策链条的核心位置。当一项基于电子病历、医保理赔、注册登记或可穿戴设备数据的研究得出“某药在真实人群中有效且安全”的结论时，监管机构、申办方和临床团队真正关心的问题并不是结论本身，而是：这个结论能否被独立复现？换一批数据、换一套分析代码、换一个统计师，结果是否依然成立？这正是真实世界研究结果验证工程要解决的问题。
本课程将“验证”从一次性的复核动作，提升为一套可设计、可执行、可审计的工程体系。它不是统计学课程的附属章节，也不是数据管理的延伸，而是一门横跨数据治理、流行病学设计、统计编程、质量管理和监管科学的交叉工程学科。
一、什么是真实世界研究结果验证工程
真实世界研究结果验证工程，是指围绕真实世界研究产出的核心结果（效应估计、置信区间、亚组结论、安全性信号等），通过独立数据源、独立分析路径、独立执行主体，系统性地确认结果的可重复性、稳健性与可解释性，并形成可追溯证据链的一整套方法、流程与工具。
这里需要区分三个容易混淆的概念：
- 数据验证（Data Validation）：关注数据本身是否正确，例如变量取值范围、逻辑一致性、缺失率、编码映射是否符合CDISC或OMOP规范。
- 结果验证（Result Validation）：关注从数据到结论的计算链路是否可复现，包括队列定义、暴露窗口、混杂调整、模型设定和代码执行。
- 结论验证（Conclusion Validation）：关注结论在更广情境下是否稳健，例如换用不同数据库、不同偏倚校正方法、不同敏感性分析后，效应方向与量级是否保持一致。
验证工程覆盖以上三层，但重心在第二层和第三层。数据验证是前提，结论验证是目标，而结果验证是连接两者的工程主体。
二、边界：验证工程不做什么
明确边界比堆砌定义更重要。验证工程不负责重新设计一项全新的研究，也不替代申办方的质量保证体系，更不是对原始研究者的“审计追责”。它的核心任务是：在既定研究方案和数据结构下，判断结果是否可被独立重建，以及这种重建在多大范围内成立。
具体而言，验证工程不改变原始研究的主要终点定义，不重新选择研究人群，也不以“验证”为名进行事后假设挖掘。它允许并鼓励的是：在预设的敏感性分析框架内，改变模型形式、调整协变量集合、替换数据源、更换实现工具，从而观察结论的稳定边界。
三、核心目标：从“可复现”到“可监管”
验证工程的核心目标可以概括为四个递进层次：
- 可复现（Reproducible）：同一数据、同一代码、同一环境下，结果可被重新生成。
- 可重复（Replicable）：不同分析人员、不同实现路径下，结果方向与量级一致。
- 稳健（Robust）：在合理改变设计参数、模型设定或数据来源后，结论不发生方向性翻转。
- 可监管（Regulatory-ready）：验证过程与差异处理形成完整证据链，能够回应监管问询，支持获益-风险评价。
这四个层次不是并列关系，而是逐级递进。可复现是底线，可监管是最终交付形态。很多真实世界研究卡在第二层和第三层之间：代码能跑通，但换一个人跑结果就变了；或者主分析显著，敏感性分析却出现相反趋势。
四、与真实世界证据监管要求的衔接
近年来，FDA、EMA、NMPA等监管机构陆续发布真实世界证据（RWE）相关指南，核心要求高度一致：数据适用性、研究设计透明度、偏倚控制、分析可追溯、结果可解释。验证工程正是把这些要求落到操作层面的抓手。
以FDA的RWE框架为例，其强调“数据可靠性”和“研究可靠性”两个维度。验证工程中的独立数据提取、代码审查、敏感性分析矩阵和差异日志，恰好对应这两个维度的证据产出。NMPA在真实世界数据指导原则中同样要求“数据治理、混杂控制、结果稳健性评价”，验证工程提供的正是可审计的执行记录。
五、全课程任务地图
本课程共30章，按照“数据—设计—统计—稳健—监管”五段递进组织。前六章建立验证工程的基本概念、边界和监管语境；第七至十二章聚焦数据治理与变量映射，解决“输入是否可信”；第十三至十八章进入研究设计与队列定义验证，解决“问题是否问对”；第十九至二十四章深入统计复现、代码审查与模型验证，解决“计算是否可重复”；第二十五至二十八章处理稳健性、敏感性分析与差异处置，解决“结论是否站得住”；最后两章回到监管应答与证据链归档，完成“交付是否可监管”的闭环。
每一章都会围绕一个可执行的核心任务展开，并配套真实世界研究中常见的对象、参数和判断依据。例如在数据治理部分，会具体讨论OMOP CDM中PERSON、DRUG_EXPOSURE、CONDITION_OCCURRENCE等表的字段映射与验证规则；在统计复现部分，会给出倾向性评分匹配、逆概率加权、Cox比例风险模型等具体实现路径和结果比对方法。
接下来的章节将从数据治理开始，逐步展开这条工程链路上的每一个关键环节。你需要带着一个核心问题进入后续学习：如果换一个人、换一套代码、换一个数据库，我今天的结论还成立吗？