clinical-research

clinical-research skill 概览

clinical-research 适合解决什么问题

clinical-research 是一个面向研究设计的支持型 skill，适用于团队在提交方案前打磨前瞻性临床研究。它可以帮助梳理终点选择、双臂研究的样本量与把握度估算，以及可行性阶段门控决策。它的核心价值不是“写出一份方案”，而是把早期研究想法转化为一份经得起讨论的设计概要，明确列出假设、风险和需要负责确认的人。

最适合的用户与决策场景

clinical-research skill 适合临床运营、R&D、医学监察、biostatistics 和产品团队，用于药物、器械、生物制品、诊断产品或 digital-therapeutic 研究。它在这些场景中最有价值：比较候选终点、检验假设效应量是否站得住脚、估算入组负担，或判断当前计划应进入 GO、GO-WITH-CONDITIONS、REDESIGN 还是 NO-GO。

它和通用 prompt 有什么不同

这个 skill 不只是提供操作说明，还包含确定性的 Python 工具。endpoint_selector.py 会为候选终点评分，sample_size_estimator.py 会估算均值、比例和生存设计所需的样本量，phase_gate_scorer.py 会评估可行性。参考文件还会强化临床研究中很关键的工作纪律：先定义 estimand、谨慎使用替代终点、明确 owner 签核，以及对入组现实性保持清醒判断。

采用前需要了解的重要边界

输出结果是估算和决策支持，不是医学建议、临床事实、统计签核，也不是可直接提交的方案。最终决策必须由临床医生、biostatistician 和法规负责人审阅。如果你的实际需求是法规质量管理、ISO 13485、EU MDR、FDA 510(k)、PMA 或 QSR 提交规划，这个 skill 只能算相邻能力，并不是合适的主流程工具。

如何使用 clinical-research skill

clinical-research 安装与优先阅读的文件

在兼容 Claude/Codex 风格 skills 的环境中安装：

npx skills add alirezarezvani/claude-skills --skill clinical-research

然后查看 skill 目录 research-ops/skills/clinical-research。先阅读 SKILL.md，了解工作流范围；再阅读 assets/protocol_synopsis_template.md，明确需要提供哪些输入。若要理解决策逻辑，阅读 references/endpoint_and_power.md、references/study_design_canon.md 和 references/trial_operations.md。脚本建议最后再看，这样你可以区分哪些输出来自规则生成，哪些来自语言模型判断。

skill 需要哪些输入才能产出有用结果

在请求分析前，先准备一份简短的 protocol synopsis。高质量输入通常包括：研究阶段、产品概况、适应症、研究人群、分组、分配比例、候选终点、是否存在 surrogate 或 PRO 终点、验证证据、带引用来源的假设效应量、alpha、目标 power、脱落率、入组月数、中心数量、合格人群规模、访视安排、侵入性操作和预算。最容易削弱结果的两个输入问题，是缺少效应量依据，以及招募假设不现实。

把粗略目标改写成完整 prompt

较弱的 prompt 是：“Help design my trial.” 更适合 clinical-research 的用法是：

“Use the clinical-research skill to evaluate this phase 2 parallel-group RCT synopsis for a drug in [indication]. Candidate endpoints are [list], including [surrogate/PRO status and validation]. Assumed treatment difference is [value] based on [citation/source]. Alpha is 0.05, power 0.80, dropout 15%. We plan [sites] sites, [months] enrollment, eligible pool [number], budget [amount]. Classify endpoints, estimate sample size for [means/proportions/survival], score feasibility, and list assumptions requiring clinician, biostatistician, or regulatory owner review.”

这样的上下文足够完整，可以让 skill 连贯地调用终点评分、样本量估算和阶段门控推理。

配合脚本的实际工作流

先从 protocol synopsis template 开始，然后运行相关脚本，或要求 agent 使用相关脚本。用 python3 endpoint_selector.py --sample 查看终点输入格式，再通过 --input 提供你自己的 JSON。若终点和效应指标已经明确，使用 sample_size_estimator.py。当入组、中心、受试者负担和预算假设都已具备后，再使用 phase_gate_scorer.py。如果团队使用已保存的默认值，config_loader.py 支持项目配置 .research-ops/clinical-research.json，也支持全局配置 ~/.config/research-ops/clinical-research.json。

clinical-research skill 常见问题

clinical-research 适合 Clinical Research 初学者吗？

适合，但前提是把它当作带引导的检查清单，而不是权威结论来源。参考资料会用偏实务的语言解释终点层级、estimands、试验设计、可行性和运营负担。初学者仍应尽早让 biostatistician 参与，尤其是在选择效应量、多重性策略、自适应设计假设或生存分析参数时。

什么时候不应该使用这个 skill？

不要用它来诊断患者、选择治疗方案、宣称法规可接受性、定稿方案，或替代统计分析计划。它也不太适合回顾性数据库研究、真实世界证据研究、定性研究或复杂自适应模拟，除非你扩展工作流。内置估算器最擅长的是结构化、前瞻性、双臂设计问题。

这和直接问 LLM 有什么区别？

直接 prompt 往往能生成看似合理的叙述，但经常隐藏关键假设。clinical-research skill 会强制显式进行终点分类、surrogate 标记、样本量假设说明、可行性评分和 owner 路由。这种结构更便于审阅，也能降低接受一份文字漂亮但 power 不足或运营上不可行方案的风险。

它适合受监管的临床开发吗？

它适合提交前的设计讨论，不适合作为最终受监管交付物。参考资料与 ICH E9(R1)、GCP、终点验证、基于风险的监查和可行性门控等概念保持一致，但你所在组织的 SOP、统计标准、医学治理和法规策略仍然具有控制性。

如何改进 clinical-research skill

用更好的假设提升 clinical-research 结果

最重要的改进，是为效应量提供更有力的证据。不要只写“expected medium effect”，而应替换为有引用的最小临床重要差异、既往试验结果、已验证的生物标志物关系，或自然病程基准。对于比例结局，提供基线事件率和目标绝对差异。对于生存结局，提供 hazard ratio、事件假设和随访预期。更好的假设会同时提升样本量估算质量和阶段门控结论的可信度。

需要重点检查的常见失败模式

注意这些问题：终点可测量但临床意义不足；未经验证的 surrogate 被提议为主要终点；入组速度过于乐观；访视过多且负担太重；estimands 定义不足；样本量是从预算倒推出来的。这个 skill 可以标记这些风险，但如果你不提供相关背景，它无法判断你的引用质量、中心网络或竞争性试验格局是否真的足够支撑计划。

首次输出后继续迭代

不要停在第一次结论。可以要求做敏感性分析：“Re-run the design with 10%, 15%, and 25% dropout,” 或 “Compare feasibility if enrollment takes 9 vs 15 months.” 也可以要求 agent 将设计风险拆分到 clinical、statistical、regulatory 和 operational owners。这样可以把一次 clinical-research guide 输出，转化为管理层可以据此行动的决策备忘录。

按组织需求定制工作流

使用配置机制设置默认 alpha、power、脱落率、产品概况和具名 owners。加入组织内部对于可行性、终点证据要求、监查复杂度或预算门控的阈值。如果你的项目反复使用同一适应症或同一设计类型，可以把示例和已验证假设加入本地参考资料，让未来的 clinical-research 输出更少泛化、更容易审计。