药学数据分析助手 · STROBE规范完整工作流

定位（AI 必读）

本 skill 是 AI 执行药学真实世界研究数据分析的操作手册，覆盖从"多sheet Excel数据"到"STROBE规范Word报告"的完整流程。

• 用户：提供多sheet Excel数据文件（≥5个sheet：患者基本信息、用药记录、随访记录、实验室检查、结局事件，可选变量字典），提出分析要求
• AI：读本 skill → Step 1~8 依次执行 → 交付 Word 报告 + 4张图表
• 目标：一次交付药学期刊风格的 STROBE 规范分析报告

Overview

核心8步流程：

Step 1 数据读取 → Step 2 数据体检 → Step 3 数据清洗
→ Step 4 Table 1 三线表 → Step 5 主要结局分析 + PSM
→ Step 6 4张标准图表 → Step 7 中介效应 Bootstrap
→ Step 8 Word 报告生成

Step 1：读取多Sheet Excel数据

1.1 标准数据表结构

真实世界研究数据通常按以下结构组织：

1.2 读取代码

import pandas as pd, numpy as np

f = r'数据文件路径.xlsx'
xls = pd.ExcelFile(f)
print('Sheets:', xls.sheet_names)  # 先看有哪些sheet

df_basic   = pd.read_excel(f, sheet_name='01_患者基本信息')
df_med     = pd.read_excel(f, sheet_name='02_用药记录')
df_fu      = pd.read_excel(f, sheet_name='03_随访记录')
df_lab     = pd.read_excel(f, sheet_name='04_实验室检查')
df_outcome = pd.read_excel(f, sheet_name='05_结局事件')

1.3 必须先读变量字典

变量字典标注了各字段的坑（"⚠️ 个人标识"、"⚠️ 日期格式不同"、"⚠️ 单位不统一"），分析前不读变量字典 = 必然出错。

Step 2：数据体检

2.1 缺失值分析

逐Sheet逐列计算缺失数 + 缺失率：

for s in sheet_names:
    df = pd.read_excel(f, sheet_name=s)
    miss = df.isnull().sum()
    miss_pct = (miss / len(df) * 100).round(2)
    for col in miss[miss > 0].index:
        print(f'{s}.{col}: {miss[col]} ({miss_pct[col]:.1f}%)')

正常缺失模式（不是数据错误）：
- 结局事件表"事件类型"缺失 = 未发生事件的患者
- 失访原因缺失 = 未失访患者
- 随访MoCA缺失 = 电话随访无法做量表

2.2 异常值识别

必须逐列检查 min/max/mean，关注以下典型异常：

2.3 日期格式检查（必做！）

for s in ['02_用药记录','03_随访记录','04_实验室检查','05_结局事件']:
    df = pd.read_excel(f, sheet_name=s)
    for c in [c for c in df.columns if '日期' in c]:
        print(f'{s}.{c}:', df[c].dropna().head(8).tolist())

典型混用：YYYY-MM-DD / DD-MM-YYYY / YYYYMMDD

2.4 分类变量编码检查

性别编码常见混用：中文(男/女)、英文(M/F)、数字(1/2)。分组变量可能有空格/全角字符。

Step 3：数据清洗

3.1 日期统一解析

def parse_mixed_date(series):
    parsed = []
    for v in series:
        if pd.isna(v): parsed.append(pd.NaT); continue
        v = str(v).strip()
        try:
            if len(v) == 8 and v.isdigit():
                parsed.append(pd.to_datetime(v, format='%Y%m%d'))
            elif '-' in v:
                parts = v.split('-')
                parsed.append(pd.to_datetime(v, format='%Y-%m-%d' if len(parts[0])==4 else '%d-%m-%Y'))
            else:
                parsed.append(pd.to_datetime(v))
        except:
            parsed.append(pd.NaT)
    return pd.Series(parsed, index=series.index)

3.2 性别编码统一

sex_map = {'男':'M','女':'F','M':'M','F':'F','1':'M','2':'F',1:'M',2:'F'}
df_basic['性别_std'] = df_basic['性别'].map(sex_map)

3.3 血肌酐单位换算（药学专属）

数值<10的确认为mg/dL，换算公式：µmol/L = mg/dL × 88.4

mgdl_mask = df_lab['血肌酐'] < 10
df_lab.loc[mgdl_mask, '血肌酐'] *= 88.4
print(f'血肌酐单位换算: {mgdl_mask.sum()}条 (mg/dL→µmol/L×88.4)')

3.4 删除隐私字段

df_basic = df_basic.drop(columns=['患者姓名','身份证号','联系电话'])

3.5 清洗建议清单格式

完成后必须输出结构化清单，格式：

1. 统一日期为YYYY-MM-DD (已完成)
2. 血肌酐单位统一为µmol/L (已完成，共XXX条转换)
3. 性别编码统一为M/F (已完成)
4. 年龄>120视为录入错误，建议回查 (本次设为缺失)
...

Step 4：Table 1 基线特征三线表

4.1 统计方法

正态性判断：scipy.stats.normaltest，P<0.05 或 n<30 用非参数方法。

4.2 P值格式（严格规范）

4.3 三线表格式

只有3条横线：顶线、表头下线、底线。没有任何竖线。

# 三线表关键代码
border = {style: BorderStyle.SINGLE, size: 1}
noB = {style: BorderStyle.NONE, size: 0}
borders_none = {top: noB, bottom: noB, left: noB, right: noB}

# 表头行：顶线+底线
# 数据行：无线
# 末行：底线

表题在表上方。表头灰底(F2F2F2)便于阅读。脚注标注检验方法。

4.4 代码参考

详见 references/full_analysis.py 中 table1_row_continuous() 和 table1_row_categorical()。

Step 5：主要结局分析

5.1 变化率计算

对于重复测量设计（如MoCA评分随访），计算每位患者的年均变化率：

first_moca  = df_fu.dropna(subset=['评分']).groupby('ID').first()['评分']
last_moca   = df_fu.dropna(subset=['评分']).groupby('ID').last()['评分']
first_time  = df_fu.dropna(subset=['评分']).groupby('ID').first()['距基线_年']
last_time   = df_fu.dropna(subset=['评分']).groupby('ID').last()['距基线_年']

time_diff = last_time - first_time
annual_change = (last_moca - first_moca) / time_diff  # 仅保留time_diff>0.1的

5.2 效应量

• Cohen's d：(mean1 - mean2) / pooled SD
• 95%CI：差值 ± 1.96 × SE_diff

5.3 次要结局（MCI转化率）

• 列联表 → χ²检验
• OR + 95%CI (Woolf法)

5.4 倾向性评分匹配（PSM）

from sklearn.linear_model import LogisticRegression
from sklearn.preprocessing import StandardScaler

# Step 1: 逻辑回归估计倾向性评分
X = df_psm[协变量列表]  # 含年龄/性别/BMI/病程/HbA1c/用药种数/基线评分
y = (df_psm['分组'] == '治疗组').astype(int)

scaler = StandardScaler()
logreg = LogisticRegression(max_iter=1000)
logreg.fit(scaler.fit_transform(X), y)
df_psm['ps'] = logreg.predict_proba(scaler.transform(X))[:, 1]

# Step 2: 1:1贪婪匹配，caliper = 0.2 × SD(ps)
# Step 3: 匹配后SMD报告，所有SMD<0.1视为平衡

PSM后必须输出平衡性报告：每个协变量的匹配前后SMD及变化量。

Step 6：4张标准图表

图1：KM生存曲线

from lifelines import KaplanMeierFitter, logrank_test

kmf = KaplanMeierFitter()
for grp in groups:
    kmf.fit(group_df['随访时长'], group_df['是否发生事件'], label=grp_name)
    kmf.plot_survival_function(ax=ax, ci_show=True)
# + logrank_test

格式要求：图题在图下方（"图1 两组XXX累积发生率比较(Kaplan-Meier曲线)"），标注Log-rank P值。

图2：亚组分析森林图

按年龄分层/性别/教育水平/HbA1c分层，计算各亚组Risk Ratio + 95%CI，绘制森林图。x=1.0处画红色虚线。

图3：随访变化箱线图/轨迹图

两组分面板，按随访次序展示评分分布。使用matplotlib.pyplot.boxplot，patch_artist=True。

图4：相关性热力图

import seaborn as sns
corr = df[变量列表].corr()
sns.heatmap(corr, annot=True, fmt='.2f', cmap='RdBu_r', center=0, mask=上三角)

包含：人口学、病程、化验指标、合并用药、结局事件的相关矩阵。

所有图表：dpi=300, bbox_inches='tight', 字体Arial, 中文用英文标签。

Step 7：中介效应分析（Bootstrap 5000次）

7.1 检验路径

X(分组) → M(中介变量如HOMA-IR/hs-CRP) → Y(结局如MoCA变化)

7.2 Bootstrap实现

def mediation_bootstrap(X, M, Y, n_bootstrap=5000):
    results = {'a':[], 'b':[], 'c':[], 'cp':[], 'ab':[]}
    n = len(X)
    for _ in range(n_bootstrap):
        idx = np.random.choice(n, n, replace=True)
        Xb, Mb, Yb = X[idx], M[idx], Y[idx]
        a_coef = np.polyfit(Xb, Mb, 1)[0]           # X→M
        X2 = np.column_stack([np.ones(n), Xb, Mb])
        beta = np.linalg.lstsq(X2, Yb, rcond=None)[0]
        b_coef, cp_coef = beta[2], beta[1]           # M→Y, X→Y(直接)
        c_coef = np.polyfit(Xb, Yb, 1)[0]            # 总效应
        results['a'].append(a_coef); results['b'].append(b_coef)
        results['c'].append(c_coef); results['cp'].append(cp_coef)
        results['ab'].append(a_coef * b_coef)

    ab_est = np.mean(results['ab'])
    ab_ci  = np.percentile(results['ab'], [2.5, 97.5])
    # P值：间接效应分布中≥0或≤0的比例 × 2
    return ab_est, ab_ci, p_value

7.3 报告格式

95%CI包含0 → 中介效应不显著 → 需讨论其他可能机制通路。

Step 8：Word报告生成（docx-js）

8.1 依赖与环境

cd 项目目录 && npm install docx

使用 Node.js 22+，docx npm 包。详见references/gen_report.js。

8.2 报告结构

按 STROBE 规范组织章节：

封面(标题+数据来源+样本量+日期)
一、数据体检报告(缺失/异常/日期/编码/清洗建议)
二、基线特征 Table 1(三线表)
三、主要结局分析(组间比较+PSM平衡性报告)
四、次要结局分析(MCI转化率+生化指标)
五、图表(4张，每张配解读段落)
六、中介效应分析(Bootstrap 5000次)
七、结论要点(3–5条)
八、图表清单(表1/表2/图1–4)

8.3 格式规范

• A4纸 (11906 × 16838 DXA)
• 页边距 1英寸
• 标题：一级#1F4E79 16pt加粗，二级#2E75B6 14pt加粗
• 正文：Arial 12pt
• 三线表：只有顶线+表头下线+底线，表头灰底
• 表题在表上方居中加粗，图题在图下方居中斜体
• 页眉：报告标题，页脚：页码

8.4 严格禁用词

报告中绝对不能出现这些措辞：
- "根据数据显示"
- "由此可见"
- "结果表明具有一定"
- "差异较为明显"
- "呈现出一定趋势"

替代方案：直接陈述数据结论（"XX组年均下降 X.XX分/年，YY组下降 X.XX分/年，组间差值X.XX"）。

8.5 图表插入

new Paragraph({
  alignment: AlignmentType.CENTER,
  children: [new ImageRun({
    type: "png",
    data: fs.readFileSync("fig1.png"),
    transformation: { width: 500, height: 380 },
    altText: { title: "图1", description: "图1", name: "图1" }
  })]
})

环境依赖

运行前确保已安装：

pip install pandas openpyxl matplotlib seaborn scipy statsmodels lifelines scikit-learn
npm install docx

Python 3.10+，Node.js 20+。

参考代码

完整可执行的分析脚本和Word生成脚本位于 references/ 目录：

• references/full_analysis.py — 数据分析全流程（数据体检→Table 1→PSM→图表→中介效应）
• references/gen_report.js — docx-js Word报告生成（三线表+图片插入+完整章节）

执行顺序（AI必读）

当用户触发本 skill 后，按以下顺序执行（不可跳步）：

1. Read 数据文件的变量字典sheet（如有），了解数据结构与注意事项
2. Bash 运行 references/full_analysis.py（先改 INPUT_FILE 路径为实际文件）→ 生成图表PNG + 报告数据JSON
3. Bash 运行 references/gen_report.js（先修改 report data 路径）→ 生成 .docx
4. present_files 交付 .docx 报告 + 4张图表

如果用户数据表结构与标准不同，先读数据理解结构，再按本 skill 流程适配；核心步骤和格式规范不变。