2. 真实世界数据源与队列构建场景

构建真实世界研究队列时，最先要回答的不是“用什么统计方法”，而是“数据从哪里来、它天然能回答什么问题、又天然回答不了什么问题”。不同数据源在采集目的、颗粒度、时间对齐方式、随访完整性和可及性上差异极大，直接决定了队列的纳排标准、暴露与结局定义、混杂控制策略乃至研究结论的外部效度。本节围绕四类最常见数据源展开：电子病历（EHR）、医保理赔（claims）、注册登记（registry）和可穿戴设备（wearable），重点讲清它们的数据特征与适用边界。

一、四类数据源的核心特征

电子病历产生于临床诊疗过程，包含诊断、检验、影像、医嘱、病程记录等，颗粒度最细，能拿到血压、糖化血红蛋白、肌酐等连续测量值，也能读到症状描述和用药调整原因。它的短板是：数据为“诊疗驱动”而非“研究驱动”，患者只在就诊时产生记录，失访与转诊会造成随访断裂；不同医院编码口径、检验单位、参考区间不一致；自由文本占比高，结构化程度参差。

医保理赔覆盖就诊、住院、药品、耗材的结算记录，人群覆盖面广、随访相对连续，适合做长期结局（如再入院、手术、死亡）和费用分析。但它只有“发生了并报销了”的事件，缺少检验值、生命体征和未就诊的病情变化；诊断编码受报销规则影响，存在“高编”“低编”倾向；药品只有发放/结算记录，无法确认患者是否真正服用。

注册登记为特定疾病或特定治疗而设，字段经过预先定义，变量一致性高，随访有主动提醒机制，适合做特定病种的长期自然史或器械/药品上市后评价。其边界在于：入组依赖上报，可能存在选择偏倚；覆盖人群有限，外推需谨慎；登记字段固定，临时新增变量往往无法回溯。

可穿戴设备以高频、连续、被动采集为特征，能获得步数、心率、睡眠、血氧等时序数据，适合研究行为、生理波动与昼夜节律。但设备型号、佩戴依从性、算法版本都会影响数值；数据缺失常与用户状态相关（如未佩戴、充电），并非随机缺失；且多数设备数据难以直接对应临床诊断。

二、从数据特征到队列构建场景

把数据源特征落到队列构建上，核心是“研究问题—数据能力”的匹配。若研究目标是评估某降糖药在真实临床中的心血管结局，EHR 能提供基线糖化血红蛋白、血压、合并用药，但单中心样本量有限、失访多；此时可考虑 EHR 与医保理赔链接：用 EHR 定义暴露与基线协变量，用理赔数据补全住院、再入院和死亡结局，从而兼顾颗粒度与随访完整性。若研究的是某罕见病自然史，注册登记往往是唯一可行来源，因为病例集中、字段统一，但需在方案中说明入组偏倚对结论外推的限制。

可穿戴设备更适合作为“暴露增强”或“结局增强”模块，而非独立队列底座。例如在高血压队列中，让部分患者佩戴腕式设备连续采集夜间心率与睡眠，用于研究血压波动与睡眠结构的关系。此时必须处理设备型号差异、佩戴时长阈值（如每日有效佩戴≥10 小时才纳入当日分析）以及缺失机制，否则高频数据反而会引入新的偏倚。

三、适用边界与常见误用

边界意识是队列构建工程的关键。EHR 不适合直接回答“某药在全体人群中的发生率”，因为就诊人群不等于目标人群；Claims 不适合做需要实验室指标的剂量-反应分析；Registry 不适合临时增加未预设的暴露变量；Wearable 不适合单独用于诊断确认。常见误用包括：把理赔中的“诊断编码”直接当作临床确诊、把可穿戴的“心率异常”直接当作心律失常事件、把注册登记的入组人群直接外推到全人群。

四、多源链接的实操要点

当单一数据源无法满足需求时，多源链接是常见路径。实操中先建立患者主索引：以身份证号、医保号、住院号等做确定性匹配，再对姓名+出生日期+性别做概率匹配，设定匹配阈值并人工复核高风险记录。时间对齐上，以研究索引日期为锚点，向前回溯基线窗口（如 365 天），向后观察结局窗口（如 730 天），并明确每个数据源的时间戳含义（就诊日期、结算日期、设备记录日期）。

链接后需做一致性检查：同一患者在 EHR 与 Claims 中的诊断是否一致、用药记录是否互补、死亡日期是否冲突。对冲突字段，应预先规定优先级规则（如以 EHR 临床记录优先，Claims 仅作补充），并在分析中做敏感性分析。只有把数据特征、链接规则和边界条件写进方案，队列才具备可复现性和可解释性。