综述：流行病学中的电子健康记录：适宜的研究问题、常见偏倚及潜在敏感性分析

这篇综述深入探讨了电子健康记录（EHR）在流行病学研究中的应用，系统梳理了适宜的研究问题设计、常见偏倚（如信息偏倚、选择偏倚）及敏感性分析方法（如定量偏倚分析QBA），强调了自然语言处理（NLP）和大语言模型（LLM）在非结构化数据挖掘中的价值，为提升EHR研究的内部和外部有效性提供了方法论指导。

　　

引言

电子健康记录（EHR）已成为流行病学和临床研究的重要数据源，但其设计初衷并非服务于科研。EHR数据包含丰富的临床信息（如实验室指标、影像报告），但80%为非结构化文本（如SOAP笔记），需依赖自然语言处理（NLP）工具解析。尽管存在数据碎片化、社会健康决定因素（SDoH）缺失等问题，EHR仍在弗林特水危机和COVID-19疫情监测等公共卫生事件中发挥了关键作用。

适宜的研究问题

EHR研究需关注数据可及性与可用性。例如，患者住址可通过地理空间数据链接补充社区级暴露指标，而住房状态等SDoH需从临床笔记中提取。多中心EHR数据库（如NIH的^{All of Us}
）与保险索赔数据的联合分析可弥补单一系统的局限性。研究设计需区分描述性、预测性或病因性目标，并评估数据捕获链条（从就诊到记录）的完整性。

常见偏倚与敏感性分析

选择偏倚：患者就医行为导致样本非随机性，如肝炎C研究中的社区剥夺暴露与感染结局因就诊选择形成碰撞偏倚（见图1）。逆概率加权和边际结构模型可校正此类偏倚。
信息偏倚：ICD诊断代码灵敏度低（如门诊代码需多次出现以提高阳性预测值），定量偏倚分析（QBA）可通过蒙特卡洛模拟调整误分类影响。
知情存在偏倚：高频就诊者数据更完整，需通过访视次数调整或缺失数据模型处理。
未测量混杂：机器学习可识别隐藏混杂变量，而阴性对照法能评估健康寻求行为的影响。

数据操作化技术

自然语言处理（NLP）是解析非结构化EHR的核心工具。规则型算法（如关键词模式匹配）和大型语言模型（如RoBERTa）分别适用于不同场景。例如，凯撒医疗的NLP方案识别住房不稳定性灵敏度达100%，而范德比尔特大学的算法在1亿份笔记中AUC超0.9。

结论

EHR研究需结合传统流行病学框架与数据特性分析方法。未来方向包括：开发通用临床表型库（如VA-CIPHER）、优化LLM的“开箱即用”性能，以及通过跨系统数据链接提升观察完整性。正如作者强调，透明报告“表0”详述数据转化步骤，将显著增强研究可重复性。