临床研究人员的神器！Clinical Decision Support一键生成临床决策文档，GRADE分级+生存分析太实用🔥

这个Skill在做什么

做过临床研究的人都知道，一份合格的患者队列分析报告有多难写——生物标志物分层、Kaplan-Meier生存曲线、GRADE证据分级、TikZ流程图……每一项单独拿出来都够折腾半天。Clinical Decision Support这个Skill就是专门为这个场景设计的，面向制药公司、临床研究人员和医学事务团队，把这些繁琐的文档生成工作自动化。

核心功能

这个Skill主要生成两类文档：

• 患者队列分析报告：支持按生物标志物（PD-L1表达、HER2状态、分子亚型等）对患者进行分层，自动计算ORR、PFS、OS等疗效指标，输出带有风险表的Kaplan-Meier曲线、瀑布图、森林图，以及Cox回归和log-rank检验结果。
• 治疗推荐报告：基于GRADE方法学（1A/1B/2A/2B/2C）对证据进行分级，生成按治疗线序排列的推荐方案，并自动生成TikZ决策算法流程图，覆盖NCCN、ASCO、ESMO等主流指南。

输出格式是LaTeX/PDF，0.5英寸页边距，第一页强制生成包含3-5个彩色信息框的执行摘要，直接达到监管提交和期刊发表的排版标准。

适用平台

Clinical Decision Support Skill完美适配当前主流AI编程助手和智能IDE，包括Cursor、GitHub Copilot、Claude Code、OpenAI Codex、Gemini Code Assist、文心快码、腾讯云CodeBuddy、华为云CodeArts等。将这个Skill加载到你的AI工具中，相当于给它装上了一套完整的临床研究文档知识库，AI对医学术语、统计方法、监管合规要求的理解能力会显著提升，生成的内容不再是泛泛而谈的模板，而是真正符合制药行业标准的专业文档。

实操代码示例

生成生存分析图表，直接调用内置脚本：

pip install pandas numpy scipy lifelines matplotlib pyyaml

生成Kaplan-Meier曲线：

python scripts/generate_survival_analysis.py

构建决策树流程图：

python scripts/build_decision_tree.py

验证文档合规性（HIPAA去标识化、统计报告标准）：

python scripts/validate_cds_document.py

一个典型的自然语言指令长这样：

> Analyze a cohort of 45 NSCLC patients stratified by PD-L1 expression 
  (<1%, 1-49%, ≥50%) including ORR, PFS, and OS outcomes

Skill会自动理解意图，调用对应模板和脚本，生成完整的分析报告。

优势分析

市面上不缺医学文档模板，但Clinical Decision Support的差异化在几个地方：

• 统计方法内置：不只是填表，hazard ratio、95% CI、log-rank p值都是计算出来的，不是手填的。
• GRADE分级自动化：grade_evidence.py脚本辅助完成证据质量评估，减少主观判断误差。
• 监管合规开箱即用：HIPAA Safe Harbor去标识化、ICH-GCP对齐、保密声明头部，这些在制药公司是硬需求，这里都内置了。
• 与scientific-schematics集成：复杂的临床决策算法流程图可以直接用AI生成，不需要手动画TikZ。

应用场景

几个最典型的使用场景：

• II/III期临床试验分析：生物标志物分层的疗效和安全性分析，直接用于IND/NDA监管提交材料。
• 医学事务KOL教育材料：给思想领袖准备的循证治疗算法