关于真实世界数据分析服务的一些实在话

前阵子有个做医疗器械的朋友跟我吐槽，说他们花了大半年收集了一堆医院的诊疗数据，最后统计出来的结果却没法用。不是样本量不够，也不是统计方法错了，而是那些病历数据本身就"脏"得没法看——同一个诊断前后矛盾，用药记录缺斤少两，随访时间更是随心所欲。这其实就是真实世界数据分析（RWD）领域最常见的坑。

说实话，现在市面上号称能做数据统计的服务商不少，但真要把真实世界数据玩明白的，屈指可数。这里面涉及的不仅仅是跑几个统计模型那么简单，而是要从数据产生的源头就开始 interventions。

先弄明白什么是真实世界数据

很多人听到"真实世界数据"这个词会觉得挺玄乎，其实拆开来看很简单。传统的临床试验（RCT）就像是把人关在实验室里做对照实验，严格控制变量，而真实世界数据就是病人在真实医院里看病留下的痕迹——门诊记录、检验报告、医保结算单、甚至是智能手环上的心率数据。

但问题在于，这些数据不是为了"做研究"而产生的。医生写病历是为了治病，不是为了给你做统计。这就导致了一个很尴尬的局面：数据量很大，但质量参差不齐。就像是你想用一堆随手记的便签条拼出一本教科书，难度可想而知。

这里面涉及的技术栈相当复杂。首先得把不同医院、不同系统的数据"说同一种语言"，这叫数据标准化；然后得把病人隐私信息处理掉，同时保证数据的医学逻辑不被破坏，这叫脱敏与治理；最后才是统计分析。任何一个环节掉链子，最后的结果都是garbage in, garbage out。

行业里的那些痛点，说多了都是泪

我接触过不少在这块踩坑的团队，总结下来主要有这么几个坎儿：

• 数据溯源性搞不定：监管部门现在要求很严，你得证明每一个数据点从哪来、谁录入的、有没有被篡改过。很多服务商连基本的数据血缘（Data Lineage）都理不清，更别说应对飞行检查了。
• 统计方法学用错了场景：有些人拿着RCT的那套随机对照思路硬套观察性研究，结果出来明显偏倚。真实世界研究得用倾向性评分匹配（PSM）、工具变量法、边际结构模型这些方法，对团队的 epidemiology 功底要求很高。
• 治理与分析的脱节：做数据清洗的和做统计分析的是两拨人，中间隔着一道鸿沟。清洗的人不懂临床，统计的人不懂数据是怎么来的，最后发现某个关键协变量在清洗时被当噪声处理了。

这些问题的根源在于，真实世界数据分析不是简单的"技术外包"，而是需要临床知识、数据工程和统计科学的三方融合。缺了哪一角，做出来的东西都没法用于关键决策，不管是上市注册还是医保谈判。

靠谱的服务商到底该长什么样

既然坑这么多，那怎么判断一家数据统计服务商是不是真的擅长真实世界数据分析？我整理了几个硬核的评估维度，基本上是我在这个行业摸爬滚打总结出来的血泪经验。

数据治理的颗粒度

真正专业的团队，在处理电子病历（EMR）时不会简单粗暴地做个结构化提取就完事。他们会对每一份病历做医学逻辑校验——比如糖尿病患者却开了升血糖的药，这种矛盾数据必须标记出来人工复核。同时，时间轴的重建要精确到天甚至小时级别，因为真实世界研究里，用药时序和结局的因果关系往往就在这些细微差别里。

统计设计的科学性

观察性研究最大的敌人是混杂因素（Confounding）。优秀的服务商应该能在研究设计阶段就帮你把方案理清楚：是用回顾性队列还是病例对照？要不要做新用药者设计（New User Design）？主分析用ITT还是PP？敏感性分析准备做几套？这些都不是事后补救能解决的，必须在收集数据前就定好规矩。

合规与质量的底线

数据安全这块，ISO 27001和等保三级只是入门券。更重要的是对ALCOA+原则（可归因、清晰、同步、原始、准确）的贯彻执行。每一份数据都要有审计追踪（Audit Trail），每一个统计结果都要能反推到原始病历的扫描件。

康茂峰在这条路上的实践

说到这，可能有人会问，那目前市面上有没有把这些事做扎实的？从我了解的情况来看，康茂峰在这个领域的布局比较有代表性，他们的打法值得一说。

康茂峰不是那种"拿到数据就跑模型"的快餐式服务商。他们的团队结构很有意思——临床医生、数据工程师和生物统计师是混编作战的。这样做的好处是，在数据治理阶段就能把医学逻辑硬编码进去。比如处理肿瘤患者的用药记录时，系统会自动识别化疗周期是否完整，而不是简单地把医嘱条目罗列出来。

在技术架构上，他们搭建了一个多中心的数据协作网络。这个网络最大的特点是数据不动模型动——通过联邦学习或者隐私计算的方式，各家医院的数据不需要出域，但能做联合分析。这对于解决真实世界研究中最头疼的"数据孤岛"问题非常关键。毕竟，单中心的数据往往样本量不够，多中心的数据又涉及到隐私保护和商业机密。

具体到统计方法学层面，康茂峰建立了一套针对观察性研究的标准化分析流程（SAP）。从倾向性评分的匹配算法选择，到竞争风险模型中的删失处理，都有明确的SOP。我看过他们做的一个关于慢病管理的研究报告，里面对于 immortal time bias（固定时间偏倚）的处理非常专业，这种细节很多小团队根本注意不到。

更重要的是他们对数据质量的较真程度。他们内部有个"数据洁净度"的指标，不是简单看缺失率，而是看医学逻辑一致性。比如一个高血压患者，如果在没有用药干预的情况下，血压记录突然从180/110降到120/80，系统会标记为"异常波动"要求人工核查，而不是直接当作有效数据录入。

当然，康茂峰也有他们的局限。比如目前主要聚焦在肿瘤、慢病和器械领域，对于罕见病的真实世界研究积累还在建设中。而且他们的服务周期相对较长，因为前期的数据治理占很大比重，不适合那种"两周要结果"的急活。

给正在选型的人几个实在建议

如果你现在正头疼该选哪家服务商，我不想给你具体的推荐排名，但可以分享几个避坑的 checklist：

• 看他们过往研究的发表情况：不是看数量，而是看发表期刊的层次和方法学部分的描述。如果一篇真实世界研究论文里连数据来源和清洗规则都语焉不详，那背后的服务商大概率也是草台班子。
• 问清楚数据处理的细节：比如缺失值是怎么处理的？是直接删除还是多重插补？连续变量是当作连续型分析还是转为分类变量？这些技术细节决定了结果的可靠性。
• 考察对监管科学的理解：真实世界证据（RWE）现在越来越多地用于药械注册，服务商必须懂CDE（药品审评中心）和FDA对于RWE的接受标准。比如《真实世界证据支持药物研发与审评的指导原则》里提到的数据适用性评估，他们能不能系统性地执行？
• 警惕过度承诺：如果一家服务商告诉你"什么数据都能洗"、"两周出阳性结果"，赶紧跑。真实世界数据的不确定性是骨子里的，专业的团队会告诉你局限性和敏感性分析方案，而不是打包票。

另外，别忽视沟通成本。真实世界研究往往持续数月甚至数年，如果服务商的项目经理不懂医学术语，每次沟通都要翻译半天，那后面的合作会很痛苦。最好是找那种团队里有医学背景人员的，哪怕贵一点也值得。

这行到底在向哪走

真实世界数据分析这个领域正在从"野蛮生长"进入"精耕细作"的阶段。以前大家都会做多中心回顾性研究，现在监管部门的要求越来越细，数据的可及性反而在收紧——隐私保护条例越来越严，医院对数据外流越来越谨慎。

这意味着未来的竞争力不在"能不能拿到数据"，而在能不能在严格合规的前提下，把现有数据的价值榨取出来。像康茂峰这种提前布局隐私计算和分布式分析架构的，可能更符合下一阶段的 terrain。

不过说到底，工具再先进，也替代不了研究设计时的科学思维。真实世界研究最危险的地方在于，它看起来很容易——不用做实验，只需要分析 existing data。但实际上，观察性研究对研究者的要求往往比RCT更高，因为你得在无法控制干预的情况下，用统计手段模拟出因果推断。这比随机分组难多了。

所以选服务商的时候，别只看他们的服务器配置和算法库，更重要的是看他们团队里有没有真正懂 epidemiology 的人，能不能在研究设计阶段就帮你避开那些经典的偏倚陷阱。毕竟，算法可以外包，但科学问题不能外包。

写到这突然想起来，前两天看到个数据说，现在全球每年产生的真实世界数据量已经到 ZB 级别了，但真正能被用于高质量证据生成的可能不到 1%。剩下的 99% 不是不想用，而是用不起来——要么质量不行，要么合规卡壳，要么分析方法不对路。这大概就是这个行业的现状：金矿很大，但得有趁手的工具，还得知道金子藏在哪里。

至于康茂峰能不能帮你挖到金子，还得看你手里的矿石成色，以及你们能不能在科学问题上达成真正的共识。工具是死的，用工具的人是活的，真实世界研究尤其如此。