1. 临床研究队列构建工程导论

临床研究队列构建，本质上是把“临床问题”翻译成“可被数据库执行、可被统计软件消费、可被审阅者复核”的数据资产。它既不是单纯的 SQL 查询练习，也不是脱离数据结构的统计建模，而是一项横跨研究设计、数据工程与临床语义的交叉工作。本节先建立三个基础认知：队列研究有哪些设计类型、SQL 在真实世界数据（RWD）中扮演什么角色、以及如何把研究问题工程化为可执行 SQL。

一、队列研究的设计类型：先定“时间轴”，再定“比较结构”

队列研究的核心特征是“先暴露、后结局”的时序关系。按时间方向可分为三类：前瞻性队列在暴露发生后向前追踪结局，数据质量高但周期长；回顾性队列利用既有电子病历或理赔数据，从历史时点向后重建暴露与结局，是真实世界研究中最常见的形式；双向队列则结合两者，既回溯历史暴露，又向前补充随访。按比较结构又可分为暴露对照队列（如用药组 vs 未用药组）与单臂队列（仅描述某类患者的自然史或治疗模式）。

设计类型直接决定 SQL 中的三个关键量：索引日期（index date）、基线期（baseline period）与随访窗（follow-up window）。例如一项回顾性暴露对照队列，若以“首次使用二甲双胍”为索引事件，则基线期通常取索引日前 180 天用于评估合并症与既往用药，随访窗从索引日次日起算至结局事件、失访、死亡或研究截止日中最早发生者。这些定义一旦确定，就应固化为 SQL 中的日期参数，而不是散落在各段查询里。

二、SQL 在真实世界数据中的角色

真实世界数据通常分布在患者主索引、就诊记录、诊断、检验、处方/医嘱、生命体征等多张表中，且存在同一患者多次就诊、同一诊断多次记录、检验结果单位不统一等情况。SQL 在这里承担四类不可替代的职责：

• 人群筛选：用诊断编码、药品编码、检验阈值等条件圈定目标人群，并施加年龄、性别、连续参保等纳入排除标准。
• 时间对齐：把分散在不同表中的事件按患者和时间排序，计算索引日期、基线窗与随访窗，这是队列构建中最容易出错的部分。
• 变量派生：把原始记录聚合为分析变量，如 Charlson 合并症指数、既往用药种类数、随访期间是否发生结局。
• 可复现交付：以脚本形式保存全部逻辑，使队列可被重新生成、审计与版本管理。

需要强调的是，SQL 负责“把数据整理成分析就绪的宽表”，而生存分析、倾向性评分等统计推断仍由 R、Python 或 SAS 完成。二者边界清晰，才能避免在 SQL 中硬编码统计模型。

三、从研究问题到可执行 SQL 的工程化思维

工程化思维的关键，是把一句临床问题拆解为可验证的“结构化规格”。以“二甲双胍使用者相比磺脲类使用者，是否具有更低的 2 型糖尿病患者全因住院风险”为例，可拆解为如下规格：

规格确定后，SQL 实现通常遵循“分层构建”而非“一条大查询”。推荐把脚本组织为若干可独立验证的 CTE 或临时表：cohort_base（候选人群）→ index_events（索引事件）→ baseline（基线特征）→ followup（随访与结局）→ analysis_ready（分析宽表）。每一层都可单独计数、抽样核对，从而把“结果不对”定位到具体环节。

-- 示例：索引事件层（示意，字段名按实际库表调整）
WITH index_events AS (
  SELECT patient_id,
         MIN(prescribe_date) AS index_date,
         CASE WHEN drug_code IN ('MET') THEN 'metformin'
              WHEN drug_code IN ('SU')  THEN 'sulfonylurea' END AS exposure
  FROM prescriptions
  WHERE drug_code IN ('MET','SU')
    AND prescribe_date BETWEEN '2019-01-01' AND '2022-12-31'
  GROUP BY patient_id, exposure
)
SELECT exposure, COUNT(DISTINCT patient_id) AS n
FROM index_events
GROUP BY exposure;

这段查询只解决“谁在何时进入队列”，但已经体现了工程化要点：用 MIN 取首次处方、用 CASE 明确暴露映射、用 GROUP BY 保证每位患者每个暴露组只保留一条索引记录。后续再与诊断表、住院表连接，即可逐步扩展为完整队列。

四、本节知识结构总览

下图把“研究设计类型—SQL 职责—工程化落地”三者的关系压缩为一张结构图，帮助建立整体框架：左侧是设计选择，中间是 SQL 承担的数据加工职责，右侧是最终交付的分析就绪队列。

把这张图记在脑中，后续每一节都可以定位到它的某个局部：设计类型决定时间轴，SQL 职责决定加工步骤，分析就绪队列决定最终交付形态。工程化的价值，正在于让这三者始终对齐、可追溯、可复现。