2. 真实世界数据来源与治理

真实世界研究（RWE）的结论是否可信，首先取决于数据来源是否与所研究的问题匹配。不同数据源在采集目的、颗粒度、时间密度、覆盖人群、变量可得性和偏倚结构上差异极大。理解这些差异，是设计分析方案、定义队列、选择终点和制定治理策略的前提。本节围绕五类常见数据源展开，重点说明它们的特征、适用场景与治理原则，并给出可操作的判断依据。

一、五类数据源的核心特征

电子健康记录（EHR）以临床诊疗为目的产生，包含诊断、检验、影像、用药、生命体征、病程记录等。其优势是临床细节丰富、可获取实验室值和影像结论，适合研究疗效、安全性、疾病进展与真实诊疗路径。局限在于：数据因就诊行为而产生，患者离开系统即失访；不同医院编码口径、检验单位、参考区间不一致；关键结局常散落在自由文本中，需要自然语言处理抽取。

医保理赔数据以费用结算为目的，覆盖诊断编码、手术操作、药品与耗材、住院与门诊次数、费用金额。优势是覆盖人群广、随访相对完整、适合研究医疗资源使用、成本、依从性和大样本安全性信号。局限是缺乏临床检验值和生活质量信息，编码存在“为报销而记录”的倾向，诊断可能被高估或漏记，且药品仅有发放或结算记录，无法确认实际服用。

疾病登记围绕特定疾病或人群系统收集数据，变量经过预先定义，随访主动且规范。优势是队列定义清晰、终点标准化、适合罕见病和特定病种的长期预后研究。局限是覆盖范围有限、可能存在选择偏倚（只有进入登记中心的患者被纳入），且登记之间的变量定义不统一，跨登记合并困难。

患者报告结局（PRO）直接来自患者，测量症状负担、功能状态、生活质量与治疗满意度。优势是捕捉临床指标无法反映的主观体验，适合以患者为中心的疗效评价。局限是依赖患者依从性，存在回忆偏倚和报告偏倚，量表版本与计分规则必须严格一致，缺失机制往往非随机。

可穿戴设备通过传感器连续采集步数、心率、睡眠、血氧、心律等高频数据。优势是时间密度高、可捕捉动态变化、支持远程监测。局限是设备算法与采样频率各异、数据量大且噪声高、佩戴依从性随时间下降，且不同设备间指标不可直接比较。

二、数据源适用性的判断逻辑

选择数据源不是“哪个数据多就用哪个”，而是从研究问题反推所需变量。一个实用的判断顺序是：先明确目标人群与暴露/干预，再确定主要终点及其测量方式，最后检查候选数据源能否同时满足人群识别、暴露刻画、终点测量和混杂控制四项要求。若主要终点是实验室指标变化，EHR 通常优于理赔；若终点是住院率或费用，理赔数据更完整；若研究罕见病自然史，登记数据往往不可替代；若关注症状负担，PRO 是必要补充；若需要连续生理变化，可穿戴设备提供其他来源无法给出的时间密度。

多源链接是常见策略。例如将 EHR 与理赔链接，可同时获得临床细节和完整随访；将 PRO 与 EHR 链接，可把主观体验与临床事件对齐。但链接会引入新的治理问题：患者标识匹配的准确率、链接后数据的时间对齐、以及不同来源对同一变量的定义冲突。链接前必须明确匹配键（如身份证哈希、医保号、住院号组合）、匹配阈值和人工复核规则，并记录链接成功率。

三、治理原则与可执行要点

治理的目标是让数据“可追溯、可解释、可复现”。以下原则适用于上述所有数据源：

• 目的限定与最小必要：仅采集和保留与研究问题直接相关的变量，避免无边界的数据囤积。
• 变量字典先行：在提取数据前定义每个变量的名称、类型、单位、取值域、缺失编码和来源字段，形成可执行的变量字典。
• 编码与术语标准化：诊断、手术、药品分别映射到统一术语体系（如 ICD-10、ICD-9-CM-3、ATC），并保留原始编码以便回溯。
• 时间锚点统一：明确索引日期（如首次诊断日、首次用药日），并据此定义基线期、洗脱期和随访窗，避免各数据源时间口径不一致。
• 质量核查可量化：对关键变量计算完整率、逻辑一致率、时间顺序合理率和重复记录率，设定阈值并记录处置方式。
• 隐私与合规：去标识化、访问权限分级、审计日志留存，确保符合伦理与法规要求。

四、一个可参考的治理检查表示例

下表给出一个简化的治理检查表，可用于单个数据源进入分析前的自检。字段和阈值可根据研究类型调整，但检查项本身应保持完整。

需要强调的是，表中阈值仅为示例，实际研究中应根据疾病、数据源和终点特性设定，并在方案中预先说明。治理的价值在于把“数据能不能用”转化为“在什么条件下、以什么代价、达到什么质量水平可以用”，从而使后续的分析设计建立在可验证的基础之上。