1. 数字生物标志物工程导论

数字生物标志物（digital biomarker）是指通过可穿戴设备、智能手机、植入式传感器或环境感知系统等数字测量工具，采集并量化个体生理、行为或功能状态的客观指标，用于疾病风险的识别、诊断、监测或治疗反应的评估。它与传统生物标志物最根本的区别在于：测量对象从血液、组织、影像等生物样本，转向了以时间序列形式连续记录的数字化信号。这一转变不仅改变了数据形态，也重塑了从测量到临床决策的整条证据链。

一、定义与范畴

理解数字生物标志物，需要区分三个常被混用的概念。数字生物标志物是经过验证、具有明确临床意义的测量指标，例如通过腕部加速度计估算的步态速度、通过语音声学特征提取的抑郁评分。数字表型（digital phenotype）范围更宽，指从数字设备中获得的任何与健康相关的行为或生理特征，尚未必经过临床验证。数字终点（digital endpoint）则强调其在临床试验中作为主要或次要终点的地位，需要满足监管机构对可靠性与临床获益的要求。三者构成从原始信号到临床证据的递进关系。

按测量维度，数字生物标志物可归为几类：运动与活动类（步数、步态、姿势稳定性）、心血管类（心率、心率变异性、血压趋势）、睡眠类（睡眠分期、入睡潜伏期）、认知与情绪类（反应时、语音、打字节律）、以及环境暴露类（空气质量、光照）。按使用场景，又可分为风险分层、早期筛查、疾病进展监测、治疗反应评估和远程随访等。

二、与传统生物标志物的区别

传统生物标志物通常来自离散采样，如一次抽血得到一个浓度值，测量误差主要来自实验室分析。数字生物标志物的数据是高频、连续、个体化的，其挑战从“分析误差”转向“测量条件与行为变异”。同一受试者在不同设备佩戴位置、不同日常活动状态下，得到的步态速度可能相差显著。因此，数字生物标志物的开发必须同时解决技术有效性（设备能否稳定测到目标信号）和临床有效性（该信号是否真正反映疾病状态）两个层面的问题。

另一个关键差异是数据的所有权与隐私属性。连续行为数据可以推断出睡眠、情绪、社交甚至地理位置，这使伦理审查、数据治理和受试者知情同意成为开发流程中不可省略的环节，而非事后补充。

三、开发流程总览

数字生物标志物的开发不是“采集数据—训练模型—发表论文”的线性过程，而是一个需要反复迭代的证据构建过程。下图给出从概念到监管提交的核心链路，其中每一环都可能触发回溯。

图中虚线回退路径是实际项目中最常被低估的部分。例如，当分析验证发现某特征在不同设备间不可迁移时，必须回到技术验证阶段重新评估传感器规格或佩戴方案，而不是继续在错误信号上叠加模型复杂度。

四、监管科学概览

在主要监管体系中，数字生物标志物通常以医疗器械软件（SaMD）或体外诊断类软件的形式接受审查。美国FDA通过510(k)、De Novo和PMA三条路径管理不同风险等级的SaMD；欧盟则依据MDR和IVDR，结合CE标记与公告机构审查。无论路径如何，监管关注的核心问题是一致的：预期用途是否明确、分析验证是否充分、临床验证是否支持所声称的用途、以及软件生命周期与网络安全是否有持续保障。

值得强调的是，监管科学并非开发完成后的“合规包装”，而是贯穿全程的设计约束。例如，若预期用途声明为“辅助诊断轻度认知障碍”，则临床验证必须纳入相应严重程度的受试者，并报告与神经心理测评金标准的一致性；若声明为“监测治疗反应”，则需要纵向重复测量数据来证明对变化的敏感性。预期用途一旦改变，验证方案和证据要求也随之改变。

五、工程视角下的核心挑战

从工程实现角度看，数字生物标志物开发面临四类典型问题。第一是信号质量与依从性的矛盾：提高采样率可改善分辨率，但会加速电量消耗、降低佩戴意愿。第二是批次效应与设备异质性：不同厂商的加速度计在相同动作下输出可能不同，需要在特征层或原始信号层做对齐。第三是缺失数据机制：设备未佩戴、充电或脱落造成的缺失往往与受试者状态相关，简单删除会引入偏倚。第四是模型可解释性与临床采纳：临床医生更愿意接受能对应到具体行为或生理机制的指标，而非纯黑箱评分。