一、RWS 数据采集：看似数据丰富，实则困难重重
真实世界研究（Real World Study, RWS）使用的是来自真实临床实践的数据，而非传统随机对照试验（RCT）中严格控制条件下产生的数据。理论上，电子病历（EMR）、医保数据库、患者登记数据库等数据源包含了海量的临床信息，但在实际操作中，将这些数据转化为可用于研究的高质量数据集，面临着多重挑战。
1.1 RWS 数据与 RCT 数据的本质差异
- RCT 数据：按预设方案采集、标准化程度高、数据完整性有保障、但样本量有限且人群代表性受限
- RWS 数据：来自日常诊疗、数据量大、人群代表性强、但标准化程度低、数据质量参差不齐
这个本质差异决定了 RWS 数据采集不是简单的「收集数据」，而是一个需要系统性规划和质量管控的工程。
二、难题一：数据来源碎片化
2.1 问题描述
一个完整的 RWS 通常需要整合多种数据源：
- 电子病历（EMR）：诊断、处方、检查检验、手术记录
- 医保结算数据：费用、报销、药品使用
- 患者自报数据（PRO）：症状、生活质量、满意度
- 影像数据：CT、MRI、X光等影像资料
- 基因组数据：基因检测结果
这些数据分散在不同的系统中，格式不统一、标准不一致，难以直接整合。
2.2 碎片化的具体表现
- 系统孤岛：医院内部的 HIS、LIS、PACS、EMR 系统之间数据不互通
- 编码不统一：疾病诊断编码（ICD-10 vs 医院自定义编码）、药品编码（ATC vs 院内编码）差异大
- 跨院数据断裂：患者在多家医院就诊，各院数据无法关联
- 时间轴不连续：患者在院内的数据相对完整，院外的随访和用药数据缺失
2.3 解决思路
数据标准化映射：
- 建立统一的数据字典，将各数据源的编码映射到标准编码体系（如 ICD-10、ATC、LOINC）
- 开发自动化的编码映射工具，减少人工映射的工作量和错误率
患者唯一标识：
- 在合规前提下，通过患者身份证号/医保号/手机号等信息建立跨系统的患者唯一标识
- 利用概率匹配算法处理标识信息不完整的情况
数据平台建设：
- 建设研究级数据平台（Research Data Platform），将多源数据汇聚、清洗、标准化后统一存储
- 平台支持数据的版本管理和溯源追踪
三、难题二：数据质量不可控
3.1 问题描述
RWS 数据来自日常诊疗活动，不像 RCT 那样有严格的数据采集规范和质量控制流程。数据质量问题是影响 RWS 研究可靠性的最大障碍。
3.2 常见的数据质量问题
- 缺失值：关键变量（如吸烟史、体重、合并用药）缺失率高，因为临床医生不是为了研究在记录数据
- 不准确：诊断编码可能不精确（如用上级编码代替具体诊断），检查结果可能存在录入错误
- 不一致：同一患者在不同时间点的记录可能存在矛盾（如体重从 70kg 突然变成 170kg）
- 非结构化：大量有价值的信息隐藏在自由文本中（如病程记录、出院小结），难以直接用于统计分析
- 选择偏倚：电子化程度高的医院和科室数据更完整，可能导致样本不具代表性
3.3 解决思路
数据质量评估框架：
- 在研究启动前，对目标数据源进行系统性的数据质量评估
- 评估维度：完整性（缺失率）、准确性（与金标准对比）、一致性（逻辑校验）、时效性（更新频率）
- 根据评估结果判断该数据源是否适合用于目标研究
非结构化数据处理：
- 优先通过标准化的电子数据采集表（eCRF）收集结构化数据，减少对非结构化文本的依赖
- 对于必须从病历文本中提取的信息，采用「人工提取 + 双人核查」的质控模式
- 行业趋势方面，NLP（自然语言处理）技术正在逐步成熟，未来有望辅助文本信息的自动化提取，但目前仍需人工验证
缺失数据处理策略：
- 明确区分「数据确实不存在」和「数据存在但未记录」
- 对于关键变量缺失率超过阈值的研究中心，考虑补充采集
- 统计分析时采用合适的缺失数据处理方法（如多重插补），并在报告中透明披露
四、难题三：患者隐私与合规约束
4.1 问题描述
RWS 数据涉及大量的患者个人健康信息，受到越来越严格的数据保护法规约束。
4.2 关键合规要求
- 《个人信息保护法》：个人健康信息属于敏感个人信息，处理需要取得个人单独同意
- 《数据安全法》：对医疗健康数据的分类分级管理和安全保护提出要求
- 《科学数据管理办法》：涉及人类遗传资源的研究数据有特殊管理要求
- 医院伦理委员会审批：使用患者数据进行研究需要通过伦理审批
4.3 隐私保护与研究需求的矛盾
- 知情同意：回顾性研究中，逐一联系历史患者获取知情同意不现实
- 数据脱敏：过度脱敏可能导致数据失去研究价值（如将年龄脱敏为年龄段后无法做精确分析）
- 数据出院：医院出于数据安全考虑，往往不愿意让原始数据离开院内环境
4.3 解决思路
数据安全保障：
- 院内分析模式：在医院内部完成数据分析，仅导出汇总统计结果，原始数据不出院
- 安全数据环境：建立符合等保要求的安全数据分析环境，传输加密（TLS 1.3）+ 存储加密（AES-256）
- 前沿方向：联邦学习、安全多方计算等隐私计算技术正在行业探索中，未来有望实现「数据不出院、模型到各院」的分布式分析模式
数据脱敏策略：
- 制定分级脱敏标准：直接标识符（姓名、身份证号）必须删除，准标识符（年龄、地址）进行泛化处理
- 采用 k-匿名、l-多样性等技术确保脱敏后数据的安全性
- 脱敏策略需要在隐私保护和数据可用性之间取得平衡
合规流程优化：
- 建立标准化的伦理审批模板和流程，缩短审批周期
- 与医院签订数据使用协议，明确各方的权利和义务
- 建立数据使用的审计追踪机制，确保数据使用符合审批范围
五、从难题到解决方案：RWS 数据采集的最佳实践
5.1 研究设计阶段
- 在研究方案设计阶段就充分考虑数据可获得性和质量
- 对拟使用的数据源进行前期可行性评估
- 制定详细的数据管理计划（DMP），明确数据采集、清洗、存储、使用的全流程规范
5.2 数据采集阶段
- 优先使用已有的电子化数据源，减少重复采集
- 对于 EMR 中缺失的关键变量，设计补充采集方案（如 eCRF 补录）
- 建立数据质量的实时监控机制，及时发现和纠正问题
5.3 数据治理阶段
- 建立研究级数据仓库，统一管理多源数据
- 执行标准化的数据清洗和转换流程
- 保留完整的数据处理日志，确保研究结果可追溯、可复现
RWS 数据采集的三大难题——碎片化、质量不可控、隐私合规——不是无解的，但确实需要系统性的规划和投入。随着数据标准化工具和安全数据管理技术的不断成熟，RWS 数据采集的效率和质量将持续提升。对于药企而言，尽早建立 RWS 数据采集和管理的核心能力，将在新药上市后研究、适应症拓展、医保准入等场景中获得显著的先发优势。