1. RWE分析设计与数据处理工程导论

真实世界证据（Real-World Evidence，RWE）是指基于真实世界数据（Real-World Data，RWD）经过系统分析后，得出的关于医疗产品使用、获益或风险的临床证据。理解RWE，关键要抓住两个层次：RWD是原料，RWE是结论。医院电子病历、医保理赔数据库、药品不良反应监测系统、可穿戴设备、患者登记研究等产生的数据，本身只是RWD；只有经过数据治理、研究设计、统计分析和因果推断，形成可解释、可复核的证据，才成为RWE。

RWE与传统随机对照试验（RCT）并非替代关系，而是互补关系。RCT通过随机化控制混杂，内部真实性高，但入选标准严格、样本代表性有限、随访时间短、成本高，难以回答“在真实临床中广泛人群长期使用会怎样”。RWE的优势在于外部真实性和人群广度，能观察实际诊疗路径下的依从性、联合用药、长期结局和罕见不良反应，但必须面对混杂、缺失、测量误差和信息偏倚。二者的核心差异可归纳为下图。

从应用场景看，RWE已覆盖药品全生命周期。在研发与注册阶段，可用于单臂试验的外部对照、罕见病自然史研究、适应症人群扩展；在上市后阶段，可用于安全性主动监测、长期疗效评价、剂量优化、联合用药效果比较；在卫生决策阶段，可用于医保准入谈判、真实世界成本效果分析、临床路径优化。例如，某降糖药上市后利用医保数据库开展回顾性队列研究，比较真实患者中该药与对照药的心血管结局，若采用倾向性评分匹配控制年龄、合并症、用药史等混杂后，风险比HR为0.82（95%CI 0.71–0.95），则提示真实世界使用中可能具有心血管获益信号，但仍需结合敏感性分析和阴性对照进一步验证。

本课程围绕“从数据到证据”的完整工程链路展开，整体框架分为五个模块。第一模块是基础与法规，包括RWE定义、监管指南（如FDA、NMPA相关指导原则）、伦理与隐私合规。第二模块是数据工程，涵盖多源数据接入、标准化（如OMOP CDM）、数据质量评估、缺失值处理与变量构建。第三模块是研究设计，包括目标试验模拟、队列与病例对照设计、倾向性评分、工具变量、阴性对照等因果推断方法。第四模块是统计分析与验证，涉及生存分析、亚组分析、敏感性分析、偏倚定量分析。第五模块是证据转化与交付，包括结果可视化、报告撰写、监管递交与决策沟通。

需要特别强调的是，RWE的质量取决于数据质量和设计严谨性，而非数据量大小。一个常见误区是“数据越大越可信”。实际上，若暴露定义错误、结局漏报严重、混杂未控制，再大的样本也只会放大偏倚。因此，本课程将反复训练“先定义、再治理、后分析、必验证”的工作习惯。例如，在构建“糖尿病肾病”结局变量时，不能仅凭一次尿蛋白检测，而应结合诊断编码、检验阈值、重复测量和用药记录综合判定，并输出变量定义表供复核。