1. 数字疗法临床证据数据工程导论

数字疗法（Digital Therapeutics, DTx）是以软件为主要干预载体、以循证医学证据为支撑、用于预防、管理或治疗疾病的医疗产品。它与普通健康App的关键区别在于：DTx必须通过严格的临床试验证明其临床获益，并接受监管机构对适应症、有效性、安全性和质量体系的审查。因此，DTx的研发过程本质上是一条“证据生产线”，而数据工程正是这条生产线的底层基础设施。

数字疗法的定义边界与分类

理解DTx，首先要划清它与数字健康、数字医疗的边界。数字健康（Digital Health）是最大范畴，涵盖健康管理、远程医疗、可穿戴设备等；数字医疗（Digital Medicine）强调测量或干预的医学用途，但不一定具备治疗声称；DTx则进一步要求“治疗性声称+临床证据+监管准入”。

按干预对象与机制，DTx通常分为几类：一是行为认知类，如针对失眠的认知行为治疗（CBT-I）软件；二是疾病管理类，如糖尿病、高血压的数字化管理方案；三是神经与精神类，如注意缺陷多动障碍、抑郁症的数字化干预；四是康复训练类，如卒中后运动康复；五是药物辅助类，与药物治疗联合使用以提升依从性或疗效。分类不同，证据设计的终点、随访周期和数据采集频率差异显著。

临床证据等级体系

DTx的证据等级遵循循证医学的通用框架，但有其特殊性。传统证据金字塔从随机对照试验（RCT）系统综述、RCT、队列研究、病例对照研究到专家意见逐级递减。对DTx而言，还需额外关注数字干预特有的证据维度：软件版本与干预内容的一致性、用户依从性（engagement）、数字表型测量的信效度、以及真实世界证据（RWE）的补充作用。

监管层面，美国FDA对DTx的审查通常要求至少一项充分且良好的对照试验，部分适应症接受单臂试验加真实世界数据。中国NMPA对数字疗法类软件按医疗器械管理，证据要求依据风险等级和适应症而定。欧洲则通过CE认证与MDR法规约束。证据等级不是静态标签，而是随产品迭代、适应症扩展和真实世界数据积累动态演进的。

数据工程在证据生成中的角色

临床证据的生成过程，本质上是将受试者的临床状态、干预暴露、依从行为和结局指标转化为可分析、可审计、可复现的数据资产。数据工程承担四类核心任务：

• 数据采集与标准化：将电子病历、电子患者报告结局（ePRO）、可穿戴设备、App日志等多源异构数据映射到统一数据模型，如CDISC SDTM/ADaM或OMOP CDM。
• 数据质量与可追溯：建立从原始记录到分析数据集的审计追踪，确保每个派生变量可回溯到源字段，满足ALCOA+原则。
• 数据流与管道：设计从采集、清洗、转换、加载到统计分析的端到端管道，支持中期分析与锁库。
• 隐私与合规：在去标识化、访问控制、数据留存和跨境传输上满足HIPAA、GDPR及国内个人信息保护法要求。

如果数据工程缺位，常见后果包括：ePRO缺失率过高导致主要终点不可评估、设备时间戳与临床访视时间错位、派生变量口径不一致导致统计分析计划（SAP）无法执行。这些问题在传统临床试验中同样存在，但在DTx中因数据源更多、采集频率更高而放大。

课程项目场景设定

本课程以一个贯穿30章的模拟项目为背景：某团队开发一款用于成人失眠的CBT-I数字疗法软件，计划开展一项随机对照试验，对照组为睡眠卫生教育，主要终点为第8周失眠严重程度指数（ISI）较基线的变化，次要终点包括睡眠效率、入睡潜伏期和依从率。试验计划入组240例，1:1随机，随访12周。

数据来源包括：App内每日睡眠日记、可穿戴设备夜间活动记录、每4周一次的ePRO量表、以及研究中心录入的基线人口学和不良事件信息。课程将围绕这条数据链，逐步展开采集设计、标准映射、质量核查、管道实现、统计分析数据集构建和证据报告。