混合方法在精準(zhǔn)醫(yī)療研究中的數(shù)據(jù)整合策略演講人01混合方法在精準(zhǔn)醫(yī)療研究中的數(shù)據(jù)整合策略02引言：精準(zhǔn)醫(yī)療時代的“數(shù)據(jù)困境”與混合方法的破局之道引言：精準(zhǔn)醫(yī)療時代的“數(shù)據(jù)困境”與混合方法的破局之道在精準(zhǔn)醫(yī)療的臨床實(shí)踐中，我常遇到一個核心矛盾：一方面，高通量測序、影像組學(xué)、可穿戴設(shè)備等技術(shù)正在以前所未有的速度產(chǎn)生多維度、高異構(gòu)性的數(shù)據(jù)——從基因?qū)用娴腟NP變異到蛋白表達(dá)譜，從電子健康記錄（EHR）的結(jié)構(gòu)化實(shí)驗(yàn)室指標(biāo)到患者日記中的主觀癥狀描述；另一方面，單一研究方法（如純定量統(tǒng)計或純質(zhì)性訪談）往往只能捕捉數(shù)據(jù)鏈條的片段，難以還原疾病全貌。例如，在腫瘤精準(zhǔn)治療研究中，我們曾通過RNA-seq發(fā)現(xiàn)某患者的免疫通路存在異常表達(dá)，但無法解釋為何同樣的靶向藥物在不同患者中療效差異顯著；直到后續(xù)結(jié)合患者深度訪談，才了解到依從性、生活習(xí)慣等“非生物學(xué)因素”對藥物代謝的關(guān)鍵影響。引言：精準(zhǔn)醫(yī)療時代的“數(shù)據(jù)困境”與混合方法的破局之道這一困境的本質(zhì)，是精準(zhǔn)醫(yī)療數(shù)據(jù)的“多源性”“異構(gòu)性”與“動態(tài)性”對傳統(tǒng)分析方法的挑戰(zhàn)?；旌戏椒ǎ∕ixedMethodsResearch,MMR）作為一種整合定量與定性研究的范式，為破解這一難題提供了系統(tǒng)路徑。它并非簡單“拼接”兩種方法，而是通過邏輯嵌套、數(shù)據(jù)轉(zhuǎn)化或結(jié)果互證，實(shí)現(xiàn)“1+1>2”的整合效應(yīng)。本文將從理論基礎(chǔ)、數(shù)據(jù)特征、整合策略、技術(shù)支撐、實(shí)踐挑戰(zhàn)五個維度，系統(tǒng)闡述混合方法在精準(zhǔn)醫(yī)療數(shù)據(jù)整合中的應(yīng)用框架，并結(jié)合案例探討其落地路徑。03混合方法在精準(zhǔn)醫(yī)療中的理論基礎(chǔ)與適用性1混合方法的核心內(nèi)涵與研究范式混合方法的核心在于“方法的三角驗(yàn)證”（methodologicaltriangulation），即通過不同方法的優(yōu)勢互補(bǔ)，提升研究結(jié)論的效度與深度。在精準(zhǔn)醫(yī)療中，其典型范式包括：01-探索性序列設(shè)計（ExploratorySequentialDesign）：先通過定性數(shù)據(jù)挖掘潛在變量（如患者報告的未滿足需求），再通過定量方法驗(yàn)證其普適性；03-解釋性序列設(shè)計（ExplanatorySequentialDesign）：先通過定量方法識別“是什么”（如生物標(biāo)志物與預(yù)后的相關(guān)性），再通過定性方法解釋“為什么”（如患者對治療的認(rèn)知差異）；021混合方法的核心內(nèi)涵與研究范式-并行三角驗(yàn)證設(shè)計（ConvergentParallelDesign）：同時收集定量與定性數(shù)據(jù)，在分析階段進(jìn)行結(jié)果比對，如將影像組學(xué)的定量特征與患者癥狀描述的質(zhì)性主題進(jìn)行關(guān)聯(lián)分析。2精準(zhǔn)醫(yī)療數(shù)據(jù)復(fù)雜性的內(nèi)在需求精準(zhǔn)醫(yī)療的數(shù)據(jù)生態(tài)可概括為“三高”特征：-高維度：單例患者數(shù)據(jù)可能包含全基因組（30億堿基對）、蛋白組（1萬+蛋白）、代謝組（1000+代謝物）等上千個變量；-高異構(gòu)：數(shù)據(jù)類型涵蓋結(jié)構(gòu)化（如實(shí)驗(yàn)室檢查結(jié)果）、半結(jié)構(gòu)化（如病理報告）、非結(jié)構(gòu)化（如醫(yī)患對話錄音）；-高動態(tài)：患者數(shù)據(jù)隨時間變化（如腫瘤治療過程中的影像學(xué)演變、癥狀波動）。單一方法難以應(yīng)對這種復(fù)雜性：定量方法擅長處理結(jié)構(gòu)化數(shù)據(jù)，但易忽略“情境因素”（如社會支持對治療依從性的影響）；定性方法能深入捕捉患者體驗(yàn)，但樣本量小、外推性有限?；旌戏椒ㄍㄟ^“定量廣度+定性深度”的協(xié)同，恰好彌補(bǔ)了這一缺口。3跨學(xué)科整合的理論支撐精準(zhǔn)醫(yī)療的混合方法研究需扎根于“系統(tǒng)生物學(xué)”與“整體醫(yī)學(xué)”的雙重理念：-系統(tǒng)生物學(xué)視角：強(qiáng)調(diào)生物分子間的相互作用網(wǎng)絡(luò)，需通過定量建模（如貝葉斯網(wǎng)絡(luò)）構(gòu)建多組學(xué)數(shù)據(jù)的關(guān)聯(lián)圖譜；-整體醫(yī)學(xué)視角：關(guān)注患者的生物-心理-社會維度，需通過質(zhì)性訪談（如現(xiàn)象學(xué)研究）理解疾病對生活質(zhì)量的影響。例如，在糖尿病精準(zhǔn)管理研究中，我們既通過動態(tài)血糖監(jiān)測（CGM）的定量數(shù)據(jù)識別血糖波動規(guī)律，又通過扎根理論分析患者的飲食行為動機(jī)，最終形成“數(shù)據(jù)驅(qū)動+行為干預(yù)”的整合方案。04精準(zhǔn)醫(yī)療多源數(shù)據(jù)類型與整合難點(diǎn)1多源數(shù)據(jù)的類型與特征精準(zhǔn)醫(yī)療數(shù)據(jù)可分為五大類，每類數(shù)據(jù)在整合中需關(guān)注其獨(dú)特屬性：|數(shù)據(jù)類型|具體來源|數(shù)據(jù)特征|整合價值||--------------------|---------------------------------------|-------------------------------------------|-------------------------------------------||分子組學(xué)數(shù)據(jù)|基因測序、蛋白質(zhì)譜、代謝組學(xué)|高維、稀疏、噪聲大、需專業(yè)生物信息學(xué)預(yù)處理|識別疾病分型、靶向治療生物標(biāo)志物||臨床結(jié)構(gòu)化數(shù)據(jù)|EHR、實(shí)驗(yàn)室檢查、影像報告（DICOM）|結(jié)構(gòu)化、標(biāo)準(zhǔn)化（如LOINC編碼）、時序性強(qiáng)|提供診療全貌、支持預(yù)后預(yù)測模型|1多源數(shù)據(jù)的類型與特征|臨床非結(jié)構(gòu)化數(shù)據(jù)|病歷文本、醫(yī)囑記錄、病理描述|非結(jié)構(gòu)化、語義復(fù)雜、需NLP提取關(guān)鍵信息|補(bǔ)充診療細(xì)節(jié)、捕捉個體化治療需求|01|患者報告數(shù)據(jù)|PROs（癥狀量表）、可穿戴設(shè)備數(shù)據(jù)、患者日記|主觀性強(qiáng)、動態(tài)連續(xù)、依從性波動大|反映真實(shí)世界體驗(yàn)、優(yōu)化患者生活質(zhì)量|02|環(huán)境與社會數(shù)據(jù)|公共衛(wèi)生數(shù)據(jù)、地理信息系統(tǒng)、保險數(shù)據(jù)|多源異構(gòu)、關(guān)聯(lián)性強(qiáng)、涉及隱私敏感|分析社會決定因素（如醫(yī)療資源可及性）影響|032數(shù)據(jù)整合的核心難點(diǎn)基于上述特征，精準(zhǔn)醫(yī)療數(shù)據(jù)整合面臨四大技術(shù)與管理挑戰(zhàn)：2數(shù)據(jù)整合的核心難點(diǎn)2.1語義異構(gòu)性與標(biāo)準(zhǔn)化缺失不同來源數(shù)據(jù)的“語義鴻溝”是首要障礙。例如，EHR中的“腫瘤大小”可能記錄為“5cm”“50mm”或“5.0cm”，基因數(shù)據(jù)中的“突變頻率”可能用“%”“VAF”或“allelefrequency”表示。若缺乏統(tǒng)一標(biāo)準(zhǔn)（如OMOPCDM、FHIR），直接整合會導(dǎo)致“垃圾進(jìn)，垃圾出”。2數(shù)據(jù)整合的核心難點(diǎn)2.2時序動態(tài)性與非線性關(guān)聯(lián)患者數(shù)據(jù)具有強(qiáng)時序特征：腫瘤患者的影像學(xué)變化可能先于臨床癥狀，而免疫治療的不良反應(yīng)可能在用藥后數(shù)周才出現(xiàn)。傳統(tǒng)靜態(tài)分析方法（如橫斷面研究）難以捕捉這種動態(tài)關(guān)聯(lián)，需通過時間序列分析（如LSTM模型）結(jié)合質(zhì)性時序軌跡分析（如敘事分析法）實(shí)現(xiàn)動態(tài)整合。2數(shù)據(jù)整合的核心難點(diǎn)2.3量質(zhì)數(shù)據(jù)的價值平衡定量數(shù)據(jù)（如基因突變）與定性數(shù)據(jù)（如患者對副作用的恐懼）的價值權(quán)重難以統(tǒng)一。例如，在靶向藥物選擇中，客觀的ORR（客觀緩解率）數(shù)據(jù)與患者“希望避免靜脈治療”的主觀需求可能存在沖突，需通過“決策者權(quán)重矩陣”進(jìn)行量質(zhì)融合。2數(shù)據(jù)整合的核心難點(diǎn)2.4隱私保護(hù)與數(shù)據(jù)共享矛盾精準(zhǔn)醫(yī)療數(shù)據(jù)包含高度敏感信息（如基因數(shù)據(jù)、精神疾病病史），在整合過程中需遵守GDPR、HIPAA等法規(guī)。傳統(tǒng)的數(shù)據(jù)集中式整合模式（如將所有數(shù)據(jù)存儲至中央數(shù)據(jù)庫）面臨隱私泄露風(fēng)險，需探索聯(lián)邦學(xué)習(xí)、差分隱私等隱私計算技術(shù)。05混合方法數(shù)據(jù)整合的關(guān)鍵策略與技術(shù)路徑混合方法數(shù)據(jù)整合的關(guān)鍵策略與技術(shù)路徑針對上述難點(diǎn)，結(jié)合精準(zhǔn)醫(yī)療場景，本文提出“分階段、多層級、動態(tài)化”的混合數(shù)據(jù)整合策略框架，具體包括五個核心策略：1策略一：基于統(tǒng)一標(biāo)準(zhǔn)的預(yù)處理層整合目標(biāo)：解決語義異構(gòu)性，實(shí)現(xiàn)數(shù)據(jù)的“語法-語義”雙重標(biāo)準(zhǔn)化。技術(shù)路徑：-語法標(biāo)準(zhǔn)化：通過ETL工具（如ApacheNiFi）將不同格式的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一結(jié)構(gòu)（如Parquet格式），利用正則表達(dá)式處理文本數(shù)據(jù)的單位不一致問題（如“5cm”統(tǒng)一為“50mm”）；-語義標(biāo)準(zhǔn)化：采用醫(yī)學(xué)本體（如SNOMEDCT、UMLS）對術(shù)語進(jìn)行映射，例如將“心肌梗死”“心?！薄癕I”映射至同一概念碼（UMLS:C0027497）；-質(zhì)量控制：建立數(shù)據(jù)質(zhì)量評估指標(biāo)（如完整性、一致性、時效性），對異常值進(jìn)行標(biāo)記（如實(shí)驗(yàn)室檢查結(jié)果超出參考范圍時自動觸發(fā)核查）。1策略一：基于統(tǒng)一標(biāo)準(zhǔn)的預(yù)處理層整合案例實(shí)踐：在肺癌精準(zhǔn)醫(yī)療研究中，我們整合了5家醫(yī)院的EHR數(shù)據(jù)，通過UMLS本體將“非小細(xì)胞肺癌”“NSCLC”“肺腺癌”等術(shù)語映射至ICD-O-3編碼（C34.1），確保后續(xù)分析中疾病定義的一致性。2策略二：定量主導(dǎo)的探索性分析層整合目標(biāo)：從高維數(shù)據(jù)中挖掘潛在模式，為定性研究提供方向。技術(shù)路徑：-降維與特征選擇：采用PCA（主成分分析）、t-SNE等算法減少分子組學(xué)數(shù)據(jù)的維度，通過LASSO回歸篩選與預(yù)后相關(guān)的關(guān)鍵特征；-聚類分析：基于多組學(xué)數(shù)據(jù)對患者進(jìn)行分型（如基于基因表達(dá)譜的免疫亞型分型），識別“高響應(yīng)”與“低響應(yīng)”人群的特征差異；-關(guān)聯(lián)規(guī)則挖掘：利用Apriori算法挖掘“臨床指標(biāo)-基因突變-治療反應(yīng)”的關(guān)聯(lián)模式，例如發(fā)現(xiàn)“EGFR突變+LDH升高”的患者對靶向治療耐藥率顯著增加。輸出與定性研究的銜接：將定量分析中發(fā)現(xiàn)的“異常模式”（如某亞型患者普遍報告疲勞癥狀）轉(zhuǎn)化為質(zhì)性研究的問題，例如“您能描述一下疲勞感對日常生活的影響嗎？”3策略三：定性主導(dǎo)的解釋性深化層整合目標(biāo)：通過質(zhì)性數(shù)據(jù)解釋定量結(jié)果背后的機(jī)制與情境。技術(shù)路徑：-訪談對象選擇：基于定量分型結(jié)果，采用“目的性抽樣”選取典型患者（如“高響應(yīng)組”與“低響應(yīng)組”各5例），確保質(zhì)性樣本能覆蓋定量分析的關(guān)鍵特征；-數(shù)據(jù)收集：采用半結(jié)構(gòu)化訪談，圍繞“治療體驗(yàn)”“癥狀感知”“決策過程”等主題展開，輔以參與式觀察（如記錄患者的用藥行為）；-數(shù)據(jù)分析：通過主題分析法（ThematicAnalysis）對訪談數(shù)據(jù)進(jìn)行編碼，提煉核心主題（如“擔(dān)心藥物副作用導(dǎo)致自行減量”），并將其與定量結(jié)果（如血藥濃度與療效的相關(guān)性）進(jìn)行比對。3策略三：定性主導(dǎo)的解釋性深化層整合案例實(shí)踐：在乳腺癌內(nèi)分泌治療研究中，定量分析顯示“服藥依從性<80%”的患者復(fù)發(fā)風(fēng)險增加2.3倍。后續(xù)質(zhì)性訪談發(fā)現(xiàn)，患者因“害怕副作用”或“認(rèn)為癥狀消失即可停藥”而自行減藥，這一發(fā)現(xiàn)為干預(yù)策略（如用藥依從性教育）提供了直接依據(jù)。4策略四：量質(zhì)融合的模型構(gòu)建層整合目標(biāo)：將定性洞察轉(zhuǎn)化為定量模型的輸入變量，提升預(yù)測精度。技術(shù)路徑：-變量構(gòu)建：將質(zhì)性主題轉(zhuǎn)化為量化指標(biāo)，例如將“擔(dān)心副作用”編碼為“副作用的恐懼評分”（1-5分），納入預(yù)后預(yù)測模型；-混合建模：采用“貝葉斯網(wǎng)絡(luò)”整合定量變量（如基因突變、年齡）與定性變量（如恐懼評分），計算各節(jié)點(diǎn)的后驗(yàn)概率；-模型驗(yàn)證：通過交叉驗(yàn)證比較“純定量模型”“純定性模型”“混合模型”的預(yù)測效能（如AUC值），驗(yàn)證混合模型的優(yōu)越性。案例效果：在糖尿病足潰瘍預(yù)測研究中，混合模型（納入患者“自我管理能力”的質(zhì)性評分）的AUC達(dá)0.89，顯著高于純定量模型（0.76）與純定性模型（0.68）。5策略五：動態(tài)更新的閉環(huán)整合層目標(biāo)：實(shí)現(xiàn)數(shù)據(jù)的實(shí)時反饋與迭代優(yōu)化，適應(yīng)精準(zhǔn)醫(yī)療的動態(tài)性需求。技術(shù)路徑：-實(shí)時數(shù)據(jù)采集：通過可穿戴設(shè)備（如智能手環(huán)）動態(tài)監(jiān)測患者的生理指標(biāo)（心率、血糖），結(jié)合PROs量表（如EORTCQLQ-C30）收集癥狀數(shù)據(jù)；-動態(tài)預(yù)警系統(tǒng)：設(shè)定閾值（如血糖>13.9mmol/L連續(xù)2天），觸發(fā)預(yù)警并推送至臨床醫(yī)生終端，同時生成“患者癥狀報告”（結(jié)合定量數(shù)據(jù)與質(zhì)性描述）；-閉環(huán)優(yōu)化：根據(jù)臨床反饋調(diào)整模型參數(shù)（如更新耐藥預(yù)測算法的權(quán)重因子），形成“數(shù)據(jù)采集-分析-干預(yù)-反饋”的閉環(huán)。技術(shù)支撐：需依托流計算框架（如ApacheFlink）處理實(shí)時數(shù)據(jù)，結(jié)合知識圖譜構(gòu)建患者動態(tài)畫像，實(shí)現(xiàn)“千人千面”的精準(zhǔn)干預(yù)。06混合數(shù)據(jù)整合的技術(shù)工具與平臺支持1數(shù)據(jù)存儲與治理平臺-數(shù)據(jù)湖（DataLake）：采用Hadoop或AWSS3存儲多源異構(gòu)數(shù)據(jù)，支持結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)的統(tǒng)一管理；01-數(shù)據(jù)倉庫（DataWarehouse）：基于Snowflake或GoogleBigQuery構(gòu)建分析型數(shù)據(jù)倉庫，通過星型模型實(shí)現(xiàn)數(shù)據(jù)的多維度聚合；02-數(shù)據(jù)治理工具：如ApacheAtlas、Collibra，實(shí)現(xiàn)數(shù)據(jù)血緣追蹤、元數(shù)據(jù)管理與權(quán)限控制，確保數(shù)據(jù)合規(guī)性。032量質(zhì)數(shù)據(jù)分析工具-定量分析工具：R（Bioconductor包用于組學(xué)分析）、Python（Scikit-learn用于機(jī)器學(xué)習(xí)）、SPSS用于統(tǒng)計分析；-定性分析工具：NVivo、MAXQDA支持訪談數(shù)據(jù)的編碼與主題提取，Atlas.ti可用于可視化質(zhì)性概念網(wǎng)絡(luò)；-混合分析工具：如QDAMiner與SPSS的插件集成，實(shí)現(xiàn)量質(zhì)數(shù)據(jù)的聯(lián)合分析；R包“mixtools”支持混合模型的構(gòu)建與驗(yàn)證。3隱私計算與聯(lián)邦學(xué)習(xí)平臺010203-聯(lián)邦學(xué)習(xí)框架：如FATE、TensorFlowFederated，實(shí)現(xiàn)“數(shù)據(jù)不動模型動”，各機(jī)構(gòu)在本地訓(xùn)練模型后共享參數(shù)，避免原始數(shù)據(jù)泄露；-差分隱私技術(shù)：通過在數(shù)據(jù)中添加噪聲（如Laplace機(jī)制），保護(hù)個體隱私的同時保證統(tǒng)計效用；-區(qū)塊鏈技術(shù)：利用智能合約實(shí)現(xiàn)數(shù)據(jù)使用授權(quán)與溯源，確保數(shù)據(jù)共享的透明性與可追溯性。4可視化與決策支持系統(tǒng)-多維可視化工具：Tableau、PowerBI支持量質(zhì)數(shù)據(jù)的聯(lián)動可視化（如將基因突變熱圖與患者癥狀主題圖譜關(guān)聯(lián)）；-決策支持系統(tǒng)：如IBMWatsonforOncology，通過整合臨床指南、文獻(xiàn)證據(jù)與患者個體數(shù)據(jù)，生成治療建議；-患者端工具：開發(fā)移動應(yīng)用程序（APP），向患者反饋整合分析結(jié)果（如“您的基因突變類型適合靶向治療，建議配合營養(yǎng)干預(yù)改善疲勞”），提升參與度。07實(shí)踐挑戰(zhàn)與應(yīng)對策略1核心挑戰(zhàn)1.1跨學(xué)科協(xié)作障礙精準(zhǔn)醫(yī)療的混合方法研究需臨床醫(yī)生、生物信息學(xué)家、數(shù)據(jù)科學(xué)家、質(zhì)性研究者的深度協(xié)作，但不同學(xué)科的語言體系、研究范式存在顯著差異。例如，臨床醫(yī)生關(guān)注“患者的真實(shí)獲益”，而數(shù)據(jù)科學(xué)家更關(guān)注“模型的AUC值”，易導(dǎo)致目標(biāo)分歧。1核心挑戰(zhàn)1.2數(shù)據(jù)質(zhì)量與樣本量限制分子組學(xué)數(shù)據(jù)存在“批次效應(yīng)”（不同測序平臺的結(jié)果差異），質(zhì)性研究因資源限制樣本量通常較小（<30例），影響結(jié)果的穩(wěn)定性與外推性。1核心挑戰(zhàn)1.3倫理與法律風(fēng)險基因數(shù)據(jù)具有“終身可識別性”，若在整合過程中泄露，可能導(dǎo)致基因歧視（如保險拒保）；患者報告數(shù)據(jù)涉及敏感信息（如精神健康狀況），需嚴(yán)格遵守知情同意原則。2應(yīng)對策略2.1建立“跨學(xué)科翻譯團(tuán)隊(duì)”設(shè)立“臨床-數(shù)據(jù)-方法”三方協(xié)作機(jī)制，通過“術(shù)語詞典”（如將“ORR”翻譯為“腫瘤縮小比例”）與“共同工作坊”（如聯(lián)合設(shè)計研究方案）促進(jìn)學(xué)科間理解。例如，在我院發(fā)起的“精準(zhǔn)醫(yī)療混合方法研究項(xiàng)目”中，我們每周召開“跨界研討會”，讓臨床醫(yī)生解釋疾病機(jī)制，數(shù)據(jù)科學(xué)家展示算法流程，最終共同定義“治療反應(yīng)”的操作化指標(biāo)。2應(yīng)對策略2.2采用“多中心數(shù)據(jù)融合”與“質(zhì)性抽樣優(yōu)化”-定量數(shù)據(jù)：通過跨中心合作擴(kuò)大樣本量，使用ComBat算法校正批次效應(yīng)；-定性數(shù)據(jù)：采用“理論抽樣”（TheoreticalSampling），根據(jù)定量分析結(jié)果動態(tài)補(bǔ)充訪談對象，直至達(dá)到“數(shù)據(jù)飽和”（即新數(shù)據(jù)不再產(chǎn)生新主題）。2應(yīng)對策略2.3構(gòu)建“倫理-技術(shù)”雙軌防護(hù)體系-倫理層面：建立獨(dú)立倫理委員會（IRB）審查數(shù)據(jù)整合方案，采用“分層知情同意”（區(qū)分“數(shù)據(jù)使用范圍”與“結(jié)果反饋方式”）；-技術(shù)層面：對敏感數(shù)據(jù)進(jìn)行“假名化處理”（如用ID替代姓名），結(jié)合聯(lián)邦學(xué)習(xí)與差分隱私技術(shù)，確保數(shù)據(jù)“可用不可見”。08案例實(shí)踐：混合方法在肺癌精準(zhǔn)治療中的數(shù)據(jù)整合應(yīng)用1研究背景與目標(biāo)某三甲醫(yī)院開展“非小細(xì)胞肺癌（NSCLC）精準(zhǔn)治療優(yōu)化研究”，目標(biāo)是通過整合多源數(shù)據(jù)，識別影響靶向療效的關(guān)鍵因素，并制定個體化干預(yù)方案。2數(shù)據(jù)整合流程2.1數(shù)據(jù)來源與類型-定量數(shù)據(jù)：120例NSCLC患者的EGFR基因測序結(jié)果、CT影像（RECIST標(biāo)準(zhǔn)評估）、EHR（化療史、合并癥）；-定性數(shù)據(jù)：對其中30例患者進(jìn)行半結(jié)構(gòu)化訪談（主題包括“治療體驗(yàn)”“副作用管理”“心理狀態(tài)”）。2數(shù)據(jù)整合流程2.2整合策略實(shí)施-預(yù)處理層：通過UMLS將“EGFR突變”“EGFR敏感突變”統(tǒng)一映射至UMLS:C1704168，校正CT影像的測量誤差（由2名放射醫(yī)師獨(dú)立評估）；-定量主導(dǎo)探索：通過LASSO回歸篩選出“EGFR19del突變”“T790M耐藥突變”“LDH水平”3個關(guān)鍵預(yù)后因素，將患者分為“高響應(yīng)組”（n=65）與“低響應(yīng)組”（n=55）；-定性主導(dǎo)解釋：對兩組患者進(jìn)行訪談，發(fā)現(xiàn)“高響應(yīng)組”普遍能主動報告副作用（如皮疹），而“低響應(yīng)組”因“擔(dān)心醫(yī)生停藥”而隱瞞癥狀；