1. 临床研究数据管线全景

临床研究的数据从来不是“一份表格”那么简单。一个受试者签署知情同意书之后，他的信息会以多种形态在多个系统之间流转：病历里的原始记录、CRF 上的录入值、EDC 系统中的电子数据、实验室传来的外部文件、编码后的术语、最终进入分析数据集的一个个变量。数据管线工程要做的，就是让这条从“人”到“分析结论”的链路可控、可追溯、可复现。

理解管线，先要理解它的核心对象。管线的起点是源数据（Source Data），即所有原始记录和经认证的真实副本，包括医院 HIS/LIS 中的检验结果、影像报告、心电图纸质记录、受试者日记卡等。源数据经过采集进入采集层，常见形式是 EDC 系统录入、电子患者报告结局（ePRO）、中心实验室数据文件传输。采集层输出的数据往往带有结构差异、编码差异和缺失，需要经过清洗（Cleaning）处理：核查逻辑矛盾、处理缺失值、统一日期格式、执行医学编码（MedDRA、WHO Drug）。清洗后的数据进入转换（Transformation）阶段，按照 CDISC 标准映射为 SDTM（研究数据列表模型），再进一步衍生出 ADaM（分析数据模型）。最终，SDTM 与 ADaM 共同构成向监管机构递交（Submission）的数据包，并在研究结束后进入归档（Archiving），保留可追溯的审计轨迹。

这条链路有一个关键特征：每一次形态变化都必须留下痕迹。源数据到 SDTM 的映射规则、清洗时对异常值的处理决定、转换中衍生变量的计算逻辑，都属于管线工程需要管理的对象。换句话说，管线工程管理的不是数据本身，而是数据从一种形态变为另一种形态的过程与规则。

下面这张图展示了从受试者入组到分析数据集的端到端数据流。图中用不同颜色区分数据形态：蓝色代表源数据与采集，青色代表清洗，紫色代表标准转换，绿色代表递交与归档。箭头方向表示数据流动方向，旁注标出了每个阶段的关键产物与工程关注点。

从图中可以看到，管线并不是一条单向直线，而是一个多阶段、多产物、多标准约束的系统。每个阶段都有明确的输入和输出，阶段之间通过数据文件或接口传递。工程上最容易出问题的地方，往往不是某个阶段内部，而是阶段之间的衔接：外部实验室文件与 EDC 中的受试者标识对不上、清洗规则在 SDTM 映射时被重复执行、ADaM 衍生变量依赖了未锁定的 SDTM 版本。这些问题不会在单个阶段暴露，却会在最终分析时集中爆发。

因此，管线工程的第一项基本功是建立数据流图并标注每个节点的责任人、工具和标准。以一项多中心临床试验为例，源数据来自 15 家医院，EDC 系统每天接收录入数据，中心实验室每周以 CSV 格式传送一次检验结果。数据管理员需要确认：实验室文件中的受试者编号与 EDC 中的 Subject ID 是否使用同一套编码规则；如果不同，就需要在采集层建立交叉映射表，而不是等到清洗阶段再临时处理。这个映射表本身就是管线工程的一份关键文档。

第二项基本功是区分“数据形态”与“数据状态”。形态指数据以什么结构存在——原始记录、CRF 字段、SDTM 域、ADaM 数据集；状态指数据处于什么处理阶段——已录入、已核查、已编码、已锁定、已递交。同一个 SDTM 域，可能处于“已转换但未核查”状态，也可能处于“已核查待锁定”状态。管线工程需要同时管理形态和状态，才能回答“当前分析用的是哪个版本的数据”这个问题。