2. 药物研发数据生态与质量挑战

药物研发从靶点发现到上市后监测，跨越十年以上周期，每个阶段都在产生结构迥异的数据。理解这些数据的来源、形态与质量约束，是建立数据质量工程体系的第一步。本节先梳理五个阶段的数据类型与流转关系，再归纳四类核心质量挑战，最后给出一个可落地的数据质量需求分析框架。

一、五阶段数据生态：从实验台到真实世界

药物研发的数据并非孤立存在，而是沿着"发现—临床前—临床—注册—上市后"形成一条证据链。上游数据的质量缺陷会向下游传导，最终影响监管决策与患者安全。

发现阶段以靶点确认和先导化合物筛选为核心，主要产生化合物结构数据（SMILES、InChI）、高通量筛选读数、构效关系（SAR）表、分子对接打分与专利文献数据。这类数据的特点是单次实验规模大、维度高，但重复性验证有限。

临床前阶段转向安全性、药效与药代动力学评价，数据包括细胞与动物实验记录、组织病理切片与影像、毒理剂量-反应曲线、ADME参数（Cmax、AUC、t₁/₂）以及生物标志物检测结果。此阶段数据需满足GLP规范，原始记录必须可追溯。

临床阶段数据来源最为复杂：电子病历（EMR）、电子数据采集系统（EDC）、实验室信息系统（LIS）、医学影像（CT/MRI/PET）、可穿戴传感器与患者报告结局（PRO）。多中心试验还引入不同机构、不同语言、不同设备的数据，异构程度最高。

注册阶段以汇总与递交为主，数据来自前述各阶段的整合，形成CTD模块中的数据集、统计分析报告与电子递交包（eCTD）。此阶段强调数据可追溯性与格式合规。

上市后阶段进入真实世界，数据包括自发报告的不良事件（ADR）、真实世界证据（RWE）、保险理赔数据、社交媒体信号与药物警戒数据库。数据量大但噪声高、缺失多、因果推断困难。

二、四类质量挑战的具体表现

多源异构是最普遍的挑战。同一"血压"字段，在EMR中可能是"收缩压/舒张压"两个数值，在EDC中是一个文本串，在传感器中是一串带时间戳的波形。单位可能是mmHg或kPa，编码可能是ICD-10或本地字典。若不做映射与标准化，跨源合并时会产生大量假匹配与丢失。

高维度在组学与影像数据中尤为突出。一次转录组测序可产生2万多个基因表达值，一次全基因组测序产生数百万变异位点，而样本量往往只有几十到几百。这种"宽而浅"的结构导致传统统计方法失效，也使得缺失值处理、批次效应校正成为质量控制的重点。

长周期带来的问题是标准漂移。一个2010年启动的项目，到2020年递交时，CDISC标准已从SDTM 1.2升级到1.7，实验室检测方法可能更换了试剂批次，参与人员也经历了更替。若没有版本管理与变更控制，早期数据与后期数据将无法直接合并。

强监管要求数据满足ALCOA+原则：可归属（Attributable）、清晰可读（Legible）、同步记录（Contemporaneous）、原始（Original）、准确（Accurate），以及完整、一致、持久、可获取。21 CFR Part 11进一步要求电子记录与电子签名具备审计追踪能力。这意味着任何数据修改都必须留下"谁、何时、为何、改了什么"的痕迹。

三、数据质量需求分析框架

面对上述挑战，不能对所有数据施加同一套质量标准。合理的做法是按四层递进分析：

1. 业务目标层：先明确数据用途。用于监管递交的关键终点数据，完整性要求接近100%；用于早期探索性分析的数据，可容忍一定缺失，但需记录缺失模式。
2. 数据资产层：识别关键数据元素（CDE）。例如肿瘤试验中，RECIST评估、生存状态、剂量调整记录属于关键变量，必须逐条核查；而一般性生命体征可抽样核查。
3. 质量维度层：为每个CDE定义可度量的质量指标。完整性=非空率；准确性=与源文件一致率；一致性=跨源同一字段的匹配率；及时性=从采集到入库的时间差；可追溯性=审计追踪覆盖率。
4. 控制措施层：将指标转化为具体控制。例如对"准确性"设置双人录入比对规则，对"及时性"设置EDC录入窗口提醒，对"可追溯性"启用系统审计日志并定期审阅。

四、从挑战到工程化应对

数据质量不是一次性检查，而是贯穿数据生命周期的工程活动。在发现与临床前阶段，重点建立原始记录规范与仪器数据直采；在临床阶段，重点建设CDISC标准映射、中央随机化与EDC校验规则；在注册阶段，重点做数据可追溯性审计与递交包一致性检查；在上市后阶段，重点建设信号检测的假阳性控制与因果推断的敏感性分析。

值得强调的是，质量需求分析框架的四个层次不是串行执行的，而是迭代的。当业务目标变化（例如从注册递交扩展到真实世界研究），数据资产层与质量维度层需要重新评估，控制措施也要相应调整。只有把质量需求当作动态文档来维护，才能适应药物研发长周期、多变更的现实。