shield_lock
JinDaGe
← Back to skills
extension
Category: Data & AnalyticsNo API key required

红曲数据分析助手

【世界药师节·AI药学技能大赛参赛作品】帮临床药师/中药师把一份药学研究数据（红曲制剂/血脂康 vs 他汀类 RCT 或真实世界数据）按 STROBE 规范跑成可发表的"数据分析报告"——依次完成数据体检、Table 1 基线三线表、主要结局（含 PSM 与效应量）、≥4 张期刊图表、结论要点，并强制保留三线表/ P 值/单位换算等格式规范。当学员给出红曲/血脂康/他汀类课题的 Excel 数据集并要求"出分析报告、STROBE 报告、基线表、KM 曲线、PSM、森林图"时触发。

personAuthor: user_ac76f862hubcommunity
downloadDownload package

红曲数据分析助手

定位（AI 必读）

本 skill 是 AI 的工作手册，把"一份药学研究 Excel 数据 → 一份药学期刊风格 STROBE 数据分析报告（Word，含三线表+图表）"的全流程固化。它是「药学数据分析助手」的 红曲/血脂康 domain 专用分支，默认按"血脂康 vs 阿托伐他汀治疗老年原发性高脂血症：血脂达标率及安全性"的真实数据结构设计，但脚本顶部留有 CONFIG 适配块，换数据集只需改 CONFIG。

完整工作流（六步，必须按顺序执行）：

Step 1  数据体检      缺失率 / 异常值 / 日期格式 / 单位一致性 / 清洗建议清单
   ↓
Step 2  Table 1       两组基线可比性（连续:均值±SD 或 中位数(IQR);分类:n(%)）；每行给统计量+ P 值
   ↓
Step 3  主要结局      达标率 χ²+RR/RD(95%CI)；MACE 用 Cox+KM；安全性(肝酶异常)；PSM 匹配后平衡性
   ↓
Step 4  图表(≥4)      KM 生存曲线(含 risk table) / 亚组森林图 / 随访轨迹或箱线图 / 相关性热力图 / PSM Love plot
   ↓
Step 5  中介效应      任务书缺变量时→机制替代变量；Bootstrap 5000 次，报间接/直接/总效应+95%CI
   ↓
Step 6  结论要点      3–5 条，数据驱动；文末附【图表清单】+【方法学说明】+【需人工确认事项】

通用统计规则（正态性判定、检验选型、PSM、Cox、Bootstrap）继承「药学数据分析助手」，本 skill 仅补充 红曲课题的已知数据陷阱 与 格式铁律。

开工前：材料矛盾核查（红曲课题特有，必须先做）

红曲课题的数据集常被套用错模板，开工前必须核对两项结构性冲突，否则整份报告建立在错误假设上：

| # | 冲突点 | 核查动作 | 处理 | |---|---|---|---| | 1 | 分组数不符：任务书常写"两组"，但真实数据可能是三组（血脂康单药 / 阿托伐他汀单药 / 血脂康联合） | 跑 value_counts(分组列) 看真实组数 | 与研究者确认主分析分组。默认"两单药组对照"，第三组仅作描述+敏感性分析 | | 2 | 结局变量不存在：任务书常把"认知队列"模板（MoCA/MCI/hs-CRP/HOMA-IR）错贴到高脂血症数据 | 检查数据集列名是否含这些变量 | 不存在则改用真实结局（LDL-C 达标、MACE、肝酶异常），并在报告"研究背景与数据说明"透明披露 |

PII 处理：数据集若含姓名/身份证号/联系电话，分析前必须删除（即使标注为虚构标识），并在体检清单中登记。

单位一致性：高脂血症数据的血脂多为 mmol/L、酶为 U/L、肌酐为 μmol/L。开工前全表扫描"同一指标是否混用两种单位"，若混用，必须先换算再分析，并在报告中注明换算关系。

Step 1 · 数据体检

输出内容（写入 results.json 的 qc 键）：

  1. 样本量与中心数：len(df)、就诊中心.nunique()、分组计数、入组日期跨度。
  2. 缺失率：对所有列算 isna().mean()*100，仅列出 >0% 的字段。注意区分"真缺失"与"设计性缺失"（如把第三组排除于两组对照导致的 group2 缺失）。
  3. 异常值：对年龄/BMI/血脂/CK/肌酐按生理合理范围扫描（outlier_count(s, lo, hi)），超界计为异常。
  4. 日期格式：所有日期列 pd.to_datetime，检查是否混用 YYYY-MM-DD / YYYY/MM/DD / 含时间。统一为 YYYY-MM-DD。
  5. 变量类型判断表：标识/日期/连续/二分类/有序分类/多中心分类 → 决定后续检验方法。
  6. 清洗建议清单（表 0）：个人标识、缺失值、单位、日期、异常值、变量类型 → 每项给"结果+处理建议"。

Step 2 · Table 1 基线特征三线表

  • 连续变量：先 Shapiro–Wilk 正态性检验。
    • 正态 → 均数±标准差 + 独立样本 t 检验（Welch 校正），统计量记 t=xx.xx。
    • 偏态 → 中位数(四分位距) + Mann–Whitney U 检验，必须报标准化 Z（见 Pitfalls①），统计量记 Z=xx.xx。
  • 二分类：n(%)；理论频数≥5 用 Pearson χ²（记 χ²=xx.xx），<5 用 Fisher 精确检验（记 Fisher）。
  • 有序/多分类（如 ASCVD 危险分层）：行×列 χ²，结果写各层 n(%)。
  • 每行必须给 统计量 + P 值（P 值格式见格式铁律）。
  • 三线表格式：仅 3 条横线（顶线/栏目线/底线），无竖线（实现见 references/format_spec.md）。

Step 3 · 主要结局分析 + PSM

  • 主要疗效（二分类达标率）：χ² 比较率，计算 RR、RD 及其 95%CI（公式见脚本 risk_ratio/risk_diff）。
  • 安全性：肝酶异常（ALT>3×ULN）同法。
  • 硬终点（时间-事件）：Cox 比例风险回归报 HR + 95%CI，KM 法 + log-rank 检验，KM 必须含 at-risk 表（Pitfalls⑤）。
  • PSM（控制混杂）：
    • Logistic 回归估 PS；协变量含人口学+基线血脂+肝功能+合并用药+中心。
    • 1:1 最近邻匹配，卡钳 = 0.2 × SD(logit PS)。
    • 必须保留原始索引（Pitfalls②），否则 SMD 错位。
    • 报告匹配前后各 n、最大 |SMD|（目标 <0.10），并画 Love plot。
    • 匹配后重跑 Table 1（含匹配前失衡的变量）与主要结局。

Step 4 · 图表（≥4 张，图题在图下方）

| 图 | 内容 | 要点 | |---|---|---| | 图 1 | PSM Love plot | 匹配前后 |SMD|，虚线 0.10 参考 | | 图 2 | KM 曲线 | 含 risk table + log-rank P | | 图 3 | 亚组森林图 | 各层 HR(95%CI)，含 0.2/2.2 等边标线 | | 图 4 | LDL-C 随访轨迹 / 箱线图 | 均值±SE 或 基线 vs 末次 | | 图 5 | 多重用药相关性热力图 | Spearman，annot 显示系数 |

  • 中文图用 SimHei 字体（matplotlib.rcParams["font.sans-serif"]=["SimHei",...]）。
  • 表题在表上方、图题在图下方（Word 汇编时控制）。

Step 5 · 中介效应（Bootstrap 5000）

  • 任务书原拟中介变量（HOMA-IR/hs-CRP）在数据中常缺失 → 改用机制对应的可得变量（如 ΔLDL-C 中介 "治疗组→MACE"），并透明说明。
  • Bootstrap 5000 次：间接效应 a×b、直接效应 c'、总效应 c，各报 95%CI（偏差校正百分位数）。
  • 稳定性加固（Pitfalls④）：① 中介前先落盘已完成结果；② 预构建设计矩阵用 np.linalg.lstsq 算 a 路径，避免循环内重复 patsy 解析；③ 每 1000 次 gc.collect()；④ 整体 try/except 兜底，异常时跳过且不污染其他结果。

Step 6 · 结论要点 + 清单

  • 3–5 条，数据驱动（直接引用率/HR/RR+95%CI），规避禁用词（见下）。
  • 文末附【图表清单】（表0/表1/…/图1/图2/…）。
  • 附【方法学说明】（可直抄进论文"统计分析"段）与【需人工确认事项】（结局替代、分组、中心数、PSM 后 |SMD| 略超阈值、罕见事件等）。

格式铁律（必须保留）

  1. 三线表：只有 3 条横线（顶线粗、栏目线、底线粗），禁止任何竖线。表题在表上方。
  2. P 值格式：P<0.001 / P=0.032（保留 3 位）/ P>0.05。绝不写 P=0.000。
  3. 数字精度：正文与表格精确到小数点后 1–2 位。
  4. 单位换算提醒：单位不统一的变量必须先换算再分析，并在报告"数据体检"或脚注注明换算关系。
  5. 图题在图下方，图内需含必要标注（KM 的 risk table、森林图的 HR 标签）。
  6. 禁用词（报告正文绝对禁止出现）：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。

Pitfalls（红曲课题已踩过的 5 个坑，必须规避）

  1. Mann–Whitney 报标准化 Z：scipy.stats.mannwhitneyu 返回的是 U 统计量，不是 Z。需手算 Z=(U−n1·n2/2)/√(n1·n2·(n1+n2+1)/12)，再报 Z=xx.xx。
  2. PSM 索引对齐：匹配后如果用 reset_index(drop=True) 再按行算 SMD，会与原始 X 错位导致 SMD 失真。须 X.index = ps_df.index 并保留 iloc 选出的原始索引。
  3. Cox 置信区间：lifelines 的 summary 中 exp(coef) lower/upper 95% 列在部分版本不可靠，必须用 se(coef) 重算 HR=exp(coef)、CI=exp(coef±1.96·se)。森林图同样。
  4. Bootstrap 中介内存崩溃：5000 次循环内反复 patsy 解析公式易触发段错误/内存峰值被杀。预构建设计矩阵 + lstsq + 显式 gc.collect() + 预落盘 + try/except。
  5. KM 必须含 risk table：药学期刊硬要求。在图下方用 plt.figtext 逐时点写 at-risk 人数，并给足 bottom 留白避免与 xlabel 重叠。

适配新数据集（换一份药学研究数据怎么用）

  1. 复制 scripts/analyze.py，改顶部 CONFIG：
    • src / out 路径；sheets 各逻辑表名；id_col；pii_cols；date_cols。
    • group_col + two_arm_map（你的"两组"映射）+ treat_name（trt=1 那组）。
    • primary_var / safety_var / event_var / time_var / ldl_base / ldl_last。
    • covars_cont / covars_cat / psm_vars 列表。
    • unit_note（写明单位核对结论）。
  2. 亚组定义（build_subgroups）与中介变量（run_mediation）按新数据调整（见脚本注释）。
  3. 运行 analyze.py → 生成 results.json + figs/*.png。
  4. 复制 scripts/build_doc.py，按需改标题/封面；运行 → 生成 Word。
  5. 校验：表格数、图片数、禁用词命中、三线表边框（脚本见 references/format_spec.md）。

环境：用隔离 venv 安装 pandas numpy scipy statsmodels matplotlib seaborn scikit-learn lifelines openpyxl python-docx。详见 references/format_spec.md 末尾"环境搭建"。

触发词

红曲数据分析 / 血脂康分析报告 / STROBE 数据分析报告 / 高脂血症 RCT 出表 / 基线三线表 / 红曲 vs 他汀 KM 曲线 / 真实世界研究出报告