QResearch初级医疗记录与国家医院及癌症登记数据联动：一项验证性研究

《ESMO Real World Data and Digital Oncology》：QResearch primary care records linked to national hospital and cancer registry data: a validation study

　　

背景
基于人群的初级医疗电子健康档案与肿瘤相关数据集的联动，能够对癌症诊疗及结局进行详细分析。QResearch是一个大型初级医疗数据库，包含英格兰部分全科诊所的纵向健康记录，并已与国家医院、癌症登记、治疗及死亡数据实现联动。然而，该初级医疗—医院—登记联动数据在多大程度上能准确反映国家癌症人群及癌症治疗模式，此前尚未经过验证。
材料与方法
本项验证研究纳入2013年至2020年间在QResearch贡献诊所登记、年龄≥18岁且新诊断为乳腺、前列腺、结直肠、黑色素瘤、肾、胰腺或胃食管癌的成年患者。研究人员将人口学特征及接受系统性抗癌治疗（SACT）或放射治疗（RT）的比例与国家统计数据进行比较。在缺乏癌症登记数据的情况下，研究人员评估了从其他数据源中可识别的癌症患者的确定程度及代表性。
结果
2013年至2020年间，QResearch联动数据集捕获了七个癌症部位全国癌症登记数的14.6%（n = 196,565/1,348,243）。性别、年龄和分期的分布与国家数据高度吻合，地区差异反映了参与诊所的地理分布。接受SACT和RT治疗的比例与全国估计值一致，差异通常在2%以内。在没有登记数据的情况下仍可识别的93.8%的病例在人口学和临床上具有代表性，对整体队列特征的影响极小。
结论
QResearch联动数据集为人群肿瘤学研究提供了一个具有全国代表性且全面的平台。其整合了详细的初级医疗信息，包括合并症、用药和生活方式因素，应能支持对不同人群中治疗预测因素和结局的评估。

论文解读：QResearch初级医疗记录与国家医院及癌症登记数据联动——一项人群肿瘤学研究数据平台的系统验证

一、研究背景与目的

基于常规收集健康数据的大规模联动已深刻改变了人群肿瘤学研究范式，使研究者能够在人群尺度上详细分析癌症发病率、治疗模式及患者结局，并推动风险预测模型的开发。将初级医疗、医院和登记数据相结合的联动数据集，为刻画合并症、药物暴露及生活方式因素提供了独特机会，而这些信息在仅依赖管理性登记数据时往往无法获得。初级医疗电子健康记录（EHRs）提供了管理性登记数据中所缺失的多病共存和生活方式信息，对于真实世界癌症研究至关重要。

英格兰在此类数据整合方面具备独特优势。国家疾病登记服务（NDRS）通过国家癌症登记数据集（NCRD，或称“癌症登记”）收集几乎所有国家卫生服务（NHS）恶性肿瘤患者的近完整人群数据。NCRD自1971年起实现全国覆盖，整合了诊断、分期和治疗信息，包括系统性抗癌治疗（SACT）和放射治疗（RT）。然而，早期SACT数据集提交存在完整性和院间差异问题，凸显了多源联动的重要性。

QResearch是全球最大的初级医疗电子健康记录数据库之一，涵盖英格兰超过1500家全科诊所、超过4000万曾注册患者。该数据库包含详细的患者层面信息，如人口学特征、诊断、合并症、处方药物、实验室检查和生活方式因素，纵向随访可追溯至1990年。QResearch已与多个国家数据源实现个体层面联动，包括医院事件统计（HES）住院及门诊数据、NCRD、SACT数据集和国家死亡登记。尽管QResearch联动数据已支持多项癌症风险预测和预后建模研究，但此前尚未有研究对其与国家癌症统计数据进行系统验证。

电子健康记录首要服务于临床诊疗而非研究目的，其二次数据使用面临代表性、完整性和数据质量等多重挑战。实践招募差异、编码实践和数据完整性可能引入潜在偏倚。此外，癌症登记数据因经过高度人工整理而存在时间滞后。因此，评估基于替代联动来源所识别队列的代表性，对于确保纵向人群研究的有效性至关重要。本研究的目的包括：第一，评估QResearch联动癌症数据集在七种常见癌症部位上是否在人口学上代表国家癌症登记数据；第二，评估该联动数据集中接受全身治疗和RT的患者比例是否与NDRS统计具有全国代表性；第三，在缺乏NCRD的情况下，评估从医院、初级医疗和死亡登记记录中识别的癌症病例的确定程度与代表性。

二、研究设计与关键方法

研究人员开展了一项回顾性、基于人群的验证研究，使用QResearch初级医疗数据与二级医疗和癌症登记数据的联动。研究人群为2013年1月1日至2023年12月31日期间在QResearch贡献诊所登记、连续注册至少1年的≥18岁成年人，且在QResearch、HES、NCRD或死亡登记中具有癌症记录。分析限于2013年至2020年间诊断的肿瘤，此时所有联动和比较数据集均可获得。

研究使用了五个国家级数据源进行个体层面联动：QResearch初级医疗数据库、HES住院和门诊数据集、NCRD肿瘤登记数据、SACT数据集以及民事死亡登记。这些联动数据与NDRS发布的全国汇总统计进行比较，包括癌症登记统计（2013-2020）、快速癌症登记仪表板（2019-2020，用于获取种族、分期和贫困分布数据）以及NDRS治疗仪表板（2013-2020）。为了尽可能严格地遵循国家癌症统计的计算方法，分析限于七个ICD-10定义在NDRS与QResearch编码组之间精确匹配的癌症部位：乳腺（C50）、前列腺（C61）、结直肠（C18-C20）、黑色素瘤（C43）、肾（C64-C66，C68）、胰腺（C25）和胃食管（C15-C16）。无法实现精确ICD-10定义对齐的部位（如肺癌）被排除。

治疗方法识别严格按照NDRS定义的归因窗口执行，即诊断前1个月至诊断后18个月，具体因部位和治疗方式而异。SACT从SACT数据集（排除双膦酸盐等支持性治疗和口服激素治疗）、HES OPCS化疗代码及NCRD化疗标志中识别；RT通过HES OPCS放疗代码和NCRD放疗标志识别。研究还通过比较性别、年龄组、诊断年份、地区、分期、种族和贫困（IMD五分位）的分布来评估人口学代表性，并计算各部位和年份接受SACT或RT的比例与NDRS统计的差异。此外，研究人员确定了可通过QResearch、HES或死亡登记识别的癌症，并将“仅NCRD”肿瘤定义为仅在NCRD中记录而未出现在其他来源的病例。

三、主要研究结果

（一）队列构建
在排除不符合条件的病例后，共识别出678,102条七种癌症部位的记录。经研究期间限制和性别不匹配排除后，207,351例符合评估无NCRD情况下癌症确定程度的条件，196,565例纳入人口学比较，175,032条记录纳入治疗比例分析。

（二）人口学代表性
QResearch联动数据集在2013-2020年间捕获了英格兰七种肿瘤部位所有合格癌症的14.6%（n = 196,565/1,348,243）。捕获比例从2013年的11.9%上升至2020年的17.2%，与QResearch诊所参与范围的扩展一致。性别和年龄组分布与国家统计高度吻合：男性53.0%对比52.5%，<50岁8.8%对比9.4%，50-59岁14.7%对比14.8%，60-69岁25.1%对比25.7%，70-79岁29.6%对比28.8%，≥80岁21.8%对比21.3%。2019-2020年子集的分期、种族和贫困分布也显示出高度一致性。地区分布反映了参与QResearch诊所的地理分布，伦敦、西北部和东南部捕获比例较高，但英格兰全部九个地区均有代表，且地区聚集未对队列的年龄、性别、种族或贫困特征产生实质性影响。

（三）治疗比例比较
在SACT治疗方面，QResearch联动数据集中的比例在各癌种间与国家统计高度吻合。各年份绝对差异通常在±3个百分点以内，其中乳腺、前列腺和肾癌的一致性最佳，食管癌和直肠癌的偏差最大。时间趋势反映了SACT数据集完整性的逐步提高：2017年之前，HES和NCRD数据在SACT确定中贡献了更大比例，补偿了SACT数据集早期提交不完整的影响，使与NDRS的残余差异保持较小。多数癌种中通过SACT数据集记录识别的治疗比例随时间增加，自2014年起呈阶梯式改善，与全国强制报告制度的引入一致。

在RT治疗方面，联动数据集中的治疗比例与NDRS全国统计在所有癌种中均高度一致。整个研究期间总体差异通常≤2个百分点。前列腺癌的绝对差异最大（约+2个百分点），联动队列显示略高的RT治疗比例。来源贡献分析强调，仅依赖HES OPCS代码会大幅低估RT治疗，这反映了多数RT疗程在门诊和日间病例中实施的现实。

（四）无NCRD情况下的癌症病例确定
在2013-2020年间所有来源诊断的207,351条癌症记录中，194,442条（93.8%）无需依赖NCRD即可通过QResearch、医院或死亡登记数据确定。其余12,909例（6.2%）仅在NCRD中被识别。当仅分析首次癌症（n = 187,292）时，96.0%的病例在无登记联动时仍可识别，仅NCRD病例占4.0%。

仅NCRD识别的肿瘤更常见于老年人，且分期更早，包含更高比例的黑色素瘤和肾癌以及更低比例的前列腺癌。这些病例记录接受SACT或RT治疗的可能性显著更低，与其以早期疾病为主的特征一致——晚期疾病患者更可能接受SACT或RT，因此更可能在医院数据源中被捕获。性别、种族和贫困分布在仅NCRD病例与其他病例之间基本相似。排除仅NCRD病例对整体人口学结构、癌种和分期分布或治疗比例的影响可忽略不计，首次癌症敏感性分析结果类似。

四、讨论与结论

本验证研究证实，QResearch联动癌症数据集对于七种主要癌症部位而言，高度代表了国家癌症登记和治疗数据。队列捕获了英格兰这些部位约15%的新发癌症，覆盖率随时间增加，并涵盖所有英格兰地区。年龄、性别、分期、种族和贫困分布与国家统计高度一致，支持该联动数据集的普适性。2013-2020年间接受SACT和RT的患者比例与国家统计密切吻合，差异通常在各癌种间几个百分点以内。多源治疗捕获对于维持一致性至关重要，尤其在研究早期年份。

研究结果验证了从联动EHR来源推导的治疗指标具有较高准确性。食管癌和直肠癌中SACT的适度过度捕获反映了在常规数据中识别复杂多模式方案的挑战。对于RT，仅依赖医院手术编码会大幅低估RT接受情况，这强调了多源治疗数据对准确RT捕获的重要性。早期SACT数据集提交不完整是已知问题，由于全身治疗后的生存估计依赖于准确的治疗开始日期，而登记治疗指标未标注日期，HES数据为识别早期研究年份的治疗启动提供了重要的补充信息。同样，部分口服抗癌治疗（尤其是初级医疗中处方的内分泌治疗）在SACT数据集中未被可靠捕获，而初级医疗记录通常能捕获这些治疗，这是QResearch联动资源的额外优势。

与既往文献一致，本研究发现93.8%的病例无需NCRD即可识别，与先前报道的初级医疗记录完整性估计基本一致。然而，完全整合的初级医疗—医院—登记—治疗联动数据集在人口学和治疗特征层面的全国代表性此前尚未得到充分表征。本验证方法证明，当与登记方法学对齐时，此类数据集能够高保真地再现全国统计。

研究存在若干局限性：分析限于七种具有匹配ICD-10定义的常见癌症类型，可能无法推广至罕见肿瘤；种族、分期和贫困的国家比较数据来自2019-2020年快速登记输出，完整性较低；癌症登记之外的大多数数据源为患者层面而非肿瘤层面，需要排除18个月内发生多原发癌的患者；HES的编码质量和完整性在不同信托机构间存在差异；研究无法验证手术切除比例，因为所需变量不在批准项目中。此外，尽管排除仅NCRD肿瘤对队列代表性影响极小，但在无NCRD数据的情况下进行分析将大幅减少肿瘤层面信息，如分期和分级等详细肿瘤特征。

本研究验证支持将QResearch联动癌症数据集用于英格兰的真实世界肿瘤学研究。丰富的初级医疗数据与SACT和RT的稳健捕获相结合，使得治疗选择、依从性、毒性和结局的分析成为可能，包括多病共存、多重用药和其他生活方式因素的作用。该资源尤其适合药物流行病学研究、时变暴露分析以及癌症发病和生存风险预测与预后模型的开发和外部验证。
结论：QResearch联动癌症数据集为英格兰人群肿瘤学研究提供了一个稳健且具有全国代表性的平台。人口学特征和治疗模式与国家统计密切一致，多源联动支持对SACT和RT的捕获。最后，无需NCRD即可识别的癌症病例仍具有高度代表性，支持将该数据集用于高质量的真实世界癌症研究。
作者信息：S. Kulkarni, V. Perletta, Z. Wang, J.W. Tomlinson, J. Hippisley-Cox, G.S. Collins, A.K. Clift, D. Dodwell, S.R. Lord，英国牛津大学肿瘤学系。