随机对照试验（RCT）之外：基于真实世界数据（RWD）的肿瘤学证据生成——方法论、偏倚控制与监管决策应用
专知智库“前沿领域综述”系列第17期
发布机构：专知智库（成都专知利乎数字科技有限公司）
实务转化：余行智库（成都余行专利代理事务所）
摘要
随机对照试验（RCT）作为临床证据生成的“金标准”，在肿瘤学新药审批和指南制定中占据不可替代的地位。然而，RCT的高度选择性入排标准使其在真实世界临床实践中的“可推广性”（generalizability）受到根本性限制——老年患者（占实际肿瘤患者的50%以上）、肾功能不全患者、多重合并症患者、罕见突变亚型患者以及超说明书用药场景中的疗效与安全性数据，在RCT中往往严重缺失。真实世界数据（Real-World Data, RWD）及其产生的真实世界证据（Real-World Evidence, RWE）正在填补这一空白。过去五年，美国FDA已基于RWE批准了超过20项肿瘤新适应症；欧洲药品管理局（EMA）和中国国家药监局（NMPA）也相继发布了RWE支持药物监管决策的指导原则。然而，RWE在肿瘤学临床实践中的接纳程度仍受困于方法论层面的“三个反常”：第一，同一研究问题，基于RWD的分析结论往往与RCT结论相悖——部分RWE研究显示“RCT无获益的药物在真实世界中有效”，而另一部分RWE则显示“RCT阳性结果无法在真实世界中复现”，这种“RCT-RWE分歧”常被归因于方法学缺陷，但更深层的原因在于二者回答的是不同层面的临床问题；第二，高质量的RWE研究（如目标试验模拟，target trial emulation）与低质量的RWE研究（如简单回顾性队列）在统计学外表上难以区分，导致临床医生和监管者面临“RWE质量辨识”困境；第三，RWD中普遍存在的测量偏倚、缺失数据、时间性偏倚（immortal time bias）和混杂偏倚（confounding by indication）即使在高级统计模型下也无法被“完美消除”，且残差偏倚的方向和幅度难以量化。本文基于容度原理的P4-P7层级框架，首次将RWE证据链定义为“P4层（真实世界诊疗行为的数据化记录）→P5层（电子健康档案/医保/登记数据库的结构化提取）→P6层（因果推断统计模型的偏倚控制）→P7层（监管与临床决策中的证据权重赋值）”的跨层级“信息蒸馏”系统。本文提出“RWE-容度可信度评分（RWE-CRS）”作为整合数据源质量、研究设计偏倚控制程度、敏感性分析鲁棒性的多维评估工具，并设计了一项名为 “CALIBRATE-RWE” 的前瞻性注册研究，以建立中国实体瘤领域标准化的RWE生成与验证工作流，为NMPA及临床指南制定提供可操作的RWE接受标准。
关键词：真实世界数据、真实世界证据、目标试验模拟、偏倚控制、FDA监管决策、RCT-RWE分歧、容度原理、RWE可信度评分
一、引言：RCT的“黄金标准”光环与其在真实世界中的“阴影”
1.1 RCT的“可推广性危机”：谁被排除在证据之外？
RCT的内部有效性（internal validity）——通过随机化分配、盲法、严格入排标准——使其成为评估因果效应的最可靠设计。然而，这种“内部有效性”的代价是“外部有效性”（external validity，即可推广性）的系统性受损。
在肿瘤学中，RCT入组患者与实际临床患者之间的“代表性鸿沟”触目惊心：
| 代表性维度 | 肿瘤RCT入组患者特征 | 真实世界肿瘤患者特征 | 代表性差距 |
|---|---|---|---|
| 年龄 | 中位年龄约60-65岁 | 中位发病年龄约68-72岁 | 约10-15岁差距 |
| 肾功能不全 | 通常排除eGFR<30-60 mL/min | 约20%-30%患者存在不同程度肾功能不全 | 系统性排除 |
| 脑转移 | 多数RCT排除 | 约10%-40%患者存在（依瘤种） | 系统性排除 |
| 合并症 | 排除严重心肺/肝病等 | 约50%以上患者至少有一种严重合并症 | 系统性排除 |
| 种族/地域 | 以高加索/东亚人群为主 | 全球多样 | 代表性不足 |
| 罕见突变 | 通常作为独立亚组（样本量不足） | 真实世界中广泛存在 | 证据严重缺失 |
1.2 RWD/RWE的崛起：FDA已批准的肿瘤学RWE案例
截至2026年，美国FDA已基于RWE批准或扩展了超过20项肿瘤新适应症。代表性案例：
| 案例 | 时间 | 药物 | 适应症 | RWE的角色 |
|---|---|---|---|---|
| Ibrance（Palbociclib）男性乳腺癌 | 2019 | CDK4/6抑制剂 | 男性HR+/HER2-乳腺癌 | RWE补充了RCT中男性患者的缺失数据（因RCT仅入组女性） |
| Kisqali（Ribociclib）辅助治疗 | 2023 | CDK4/6抑制剂 | 早期乳腺癌辅助治疗 | RWE用于验证RCT结果在年龄>70岁及合并症患者中的外推性 |
| Keytruda（Pembrolizumab）多个适应症 | 2023-2025 | PD-1抑制剂 | NSCLC、HCC、RCC等多项适应症 | RWE用于支持在罕见突变亚组（如MSI-H/dMMR）中的加速批准 |
| Enhertu（T-DXd）HER2低表达乳腺癌 | 2024-2025 | HER2 ADC | 多种HER2低表达实体瘤 | RWE用于补充DESTINY系列研究中亚洲人群及肾功能不全患者的疗效一致性数据 |
1.3 肿瘤科医生在解读RWE时的“三大反常”
反常一：同一研究问题，RWE结论与RCT结论的“方向不一致”。
这是RWE领域最令临床医生困惑的现象。以激素受体阳性转移性乳腺癌CDK4/6抑制剂为例，部分基于美国Flatiron数据库的分析显示，在真实世界中使用CDK4/6抑制剂的PFS获益小于RCT报告的PFS获益；而另一些基于以色列Clalit数据库的分析则显示真实世界中的PFS获益与RCT一致。这种“结论分歧”并非统计噪声，而是反映了真实世界患者的基线特征、治疗依从性、交叉治疗及结局测量方式（如影像学进展判定）与RCT的系统性差异。
反常二：高影响力的RWE方法（如目标试验模拟）与低影响力的简单回顾性分析在统计学外表上难以区分。
应用“目标试验模拟”（target trial emulation）框架的RWE研究可以发表在NEJM/JAMA上，而使用同一数据库但仅作简单回归分析的回顾性研究可能被拒稿。然而，对于非方法学专业的临床医生而言，这两类研究在文章摘要中的描述往往相似——都是“我们利用某癌症数据库分析了xx患者，发现xx因素与xx结局相关”。判断RWE质量的“专业门槛”极高，给临床医生造成了显著的“方法学焦虑”。
反常三：即使在最精心设计的RWE中，“残余混杂”的定量仍是一个黑箱。
倾向性评分匹配、逆概率加权、工具变量等高级统计学方法可以平衡可观测的混杂因素（年龄、性别、分期、合并症等）。但不可观测的混杂因素（如患者的体能状态（PS）评分虽被记录但常主观、医师选择药物的偏好、社会经济状态对依从性的影响）的偏倚方向与幅度难以量化。一篇高质量RWE可能报告一个HR=0.65的“显著获益”，但如果未测量的混杂因素（如偏好该药物的医师给予更细致的支持治疗）仅造成HR=0.10的偏移，该获益的可信度即大打折扣。
这三个反常所折射的本质问题是：RWE不是一个“技术产品”，而是一个“信息蒸馏系统”——原始数据（P4）经提取（P5）和统计处理（P6）后转化为决策证据（P7），每一步都存在“信息损耗”和“偏见注入”。
二、RWE的方法学基石：从数据到证据的转化链
2.1 RWD的三大来源及各自的“信息脆弱性”
| 数据源类型 | 典型代表 | 优势 | 内在脆弱性（偏倚来源） |
|---|---|---|---|
| 电子健康档案（EHR）/电子病历（EMR） | 医院EMR系统、Flatiron（美国）、全国多中心肿瘤数据平台 | 包含详细临床信息（分期、标志物、治疗细节、毒性记录） | 数据非结构化、缺失率高、不同医院记录标准不统一、随访信息可能不全 |
| 医保/索赔数据（Claims data） | Medicare、商业保险数据库、中国医保大数据 | 包含完整用药记录及医疗资源使用信息，样本量极大 | 缺乏关键的临床信息（如ECOG PS、分期、实验室数据），且用药记录不完全等于实际服药 |
| 疾病登记/注册研究（Registry） | 国家癌症登记、罕见病登记、专病种登记 | 前瞻性设计，数据质量控制较好，包含长随访 | 通常为观察性设计，存在选择偏倚，覆盖范围有限 |
2.2 目标试验模拟（Target Trial Emulation）：最接近RCT的RWE设计
目标试验模拟（TTE）由Hernán及Robins在2016年提出，其核心理念是：在分析RWD之前，先明确规定一个假想的RCT方案——包括入排标准、治疗策略分配、起始时间（time zero）、结局定义、分析计划——然后利用RWD“尽可能逼真地模拟”该试验的执行。
TTE的“七步框架”：
- 明确因果问题（如：奥希替尼vs标准EGFR-TKI在真实世界EGFR突变NSCLC患者中的疗效差异是否与FLAURA试验一致？）
- 规定假想的RCT入排标准（尽可能地映射到真实世界中可操作的数据字段）
- 明确规定治疗策略分配（如：一线使用奥希替尼 vs 一线使用吉非替尼/厄洛替尼）
- 确定time zero（起始时间：如诊断为转移性NSCLC或开始一线治疗的确切日期）
- 规定结局（如OS， PFS）
- 规定因果估计方法（如：ITT效应 vs per-protocol效应）
- 规定分析计划（如：权重构建、敏感性分析）
TTE的价值：通过“模拟RCT的决策流程”，TTE大幅减少了时间性偏倚（immortal time bias） 和指征混杂（confounding by indication） 等经典观察性研究偏倚。FDA和EMA在2024-2025年的指南中明确将TTE作为RWE支持监管决策的“优先推荐设计”。
2.3 混杂控制的统计学“工具箱”
| 方法 | 适用场景 | 优点 | 局限性 |
|---|---|---|---|
| 倾向性评分匹配（PSM） | 两组基线特征差异较大时 | 平衡可观测混杂，结果直观易懂 | 只能匹配已测量的变量，配对丢失样本大 |
| 逆概率加权（IPTW） | 适用于样本量充足的数据库 | 保留全部样本，可加权处理多组比较 | 极端权重可能导致方差膨胀 |
| 工具变量（IV） | 存在不可观测混杂时（如医师处方偏好作为IV） | 理论上可消除所有来源的混杂 | 寻找有效的工具变量极为困难 |
| 新用户设计（New-user design） | 比较两种新疗法的效果 | 消除了慢性用药队列的“流行偏倚”（prevalent user bias） | 排除了既往用药者，可能损失部分样本 |
| 阴性对照验证 | 验证分析结果是否源于残余混杂 | 通过设置“已知不应有效应的检验”检测偏倚方向 | 对临床环境有一定要求（需找到合适的阴性对照变量） |
三、反常现象的容度原理解码：RWE证据链的P4-P7层级“信息-偏倚”框架
3.1 RWE证据生成的P4-P7层级映射
| 层级 | 定义 | 核心特征与脆弱性 |
|---|---|---|
| P4层（临床诊疗层） | 真实世界中医生和患者的实际临床决策——用药选择、剂量调整、随访安排、支持治疗——及其产生的临床记录（EHR/EMR中的诊疗文本、处方信息、检查结果） | “真实信息源头”。该层级的脆弱性：临床记录不完整（漏记、延迟记录），医生决策带有“不可观测”的经验偏好（如为什么给A患者用奥希替尼、给B患者用吉非替尼？该偏好往往未被记录在任何数据字段中） |
| P5层（数据化层） | 将P4层的临床记录“翻译”为结构化数据字段——EMR系统中的录入、编码、标准化、缺失值填补 | “信息转换层”。该层级的脆弱性：不同医院/不同医生的录入方式不统一（如吸烟史的记录格式、影像学进展的判定标准），数据清洗和标准化的“人工选择”可能引入系统性偏差 |
| P6层（统计推断层） | 应用PSM、IPTW、TTE等统计学方法，从P5层结构化数据中提取因果效应的估计值（HR/RR/OR）及其可信区间 | “偏倚控制层”。该层级的脆弱性：统计模型假设的可验证性有限（如比例风险假设、无未测量混杂假设），且“残差偏倚”的大小和方向难以量化 |
| P7层（监管与临床决策层） | FDA/NMPA/指南制定者、临床医生基于P6层的统计推断结果做出监管决策（加速批准/完全批准、适应症扩展）或临床治疗决策 | “证据应用层”。该层级的脆弱性：决策者对RWE的“信任度”高度依赖于对前面三个层级的信息质量的主观判断，缺乏标准化的“RWE可信度评分”工具 |
3.2 “反常一”的解码：RCT-RWE分歧的本质——“群体自指”vs“个体自指”的错位
RCT回答的问题是：“在理想化的、同质化的人群中，平均而言，A疗法是否优于B疗法？” ——即 “群体自指”（YX={YX}_pop）。
RWE回答的问题是：“在真实的、异质化的临床实践中，不同类型的患者从A疗法中获益的程度是否与RCT一致？” ——即 “个体自指”（YX={YX}_ind）。
二者的“自指性”参照系不同。当RCT结论无法在RWE中复现时，可能并非RWE的“方法学瑕疵”，而是反映了真实世界中存在RCT未曾捕捉的“效果修饰因子”（effect modifier）——例如年龄、体能状态、合并症、社会经济状态等。这些因子仅在真实世界的“个体自指”框架下才变得可观测，而在RCT的“群体自指”框架下被“平均化”或“随机化抵消”了。
容度原理的核心洞察：RCT和RWE不是“竞争”关系，而是回答不同层面的临床问题——前者回答“是否有效”，后者回答“在谁身上有效”。二者的分歧点，恰恰是发现“效果修饰因子”的最佳信号。
3.3 “反常二”的解码：RWE质量辨识困境——P5-P6层的信息蒸馏损耗
TTE研究（P6层应用高质量设计）与简单回顾性分析（P6层应用低质量设计）在统计学外表上的“不可区分性”，根源在于P5层的数据化过程和P6层的统计处理过程均发生了 “信息压缩” ——而摘要通常只报告压缩后的最终结果（HR及其p值），未报告数据在P4→P5→P6转化过程中的“损耗日志”。
容度原理的解决方案：任何RWE研究都应公开其“信息损耗链”——即从P4层的原始临床记录，到P5层的结构化数据，再到P6层的统计模型输出，每一步损失了多少样本、丢失了多少变量、缺失值如何处理、敏感性分析结果如何——这些“损耗数据”是判断RWE可信度的关键依据。
3.4 “反常三”的解码：残余混杂的“黑箱”本质与容度不确定度（R-UQ）
残余混杂之所以“不可量化”，是因为我们只能控制已测量的混杂变量（P5层中有记录的字段），而未测量的混杂变量（如医生偏好、患者体能状态的细微差别、社会经济状态）的偏倚效应与“治疗选择”相关，且无法从P6层的统计模型中“事后恢复”。
容度原理提出“RWE-容度不确定度”（R-UQ） 作为补充统计推断的指标：
- 未测量混杂的“理论最大偏倚” ：采用VanderWeele & Ding（2017）提出的E-value方法，计算需要多大的未测量混杂才能将观察到的HR“翻转”至无显著性的水平。
- 阴性对照检验：分析一个已知不应与结局相关的变量（如星座、血型）与治疗分配的关联程度，以量化选择偏倚的幅度。
- 敏感性分析范围：报告在不同缺失值填补策略、不同模型假设下的HR范围，而非单一HR点估计。
容度原理的核心主张：任何RWE研究都应报告 “R-UQ” ，即该证据的“残余不确定性边界”，而非仅报告一个看似精确的HR及其95% CI。
四、原创提出：RWE-容度可信度评分（RWE-CRS）
4.1 RWE-CRS的多维评分框架
RWE-CRS旨在为临床医生和监管者提供一个直观的“RWE可信度评分”（0-100分），帮助区分高质量与低质量的真实世界证据。
| 评估维度 | 评分标准（0-5分/维度） | 权重系数 |
|---|---|---|
| D1：数据源质量 | 5分：全国性多中心EMR+医保+登记互联（数据完整性>95%） 4分：区域性多中心EMR+医保 3分：单中心EMR 2分：单中心回顾性病历 1分：无明确数据源说明 | 25% |
| D2：研究设计（TTE/New user/阴性对照） | 5分：正式TTE设计 + 阴性对照验证 4分：TTE设计（无阴性对照） 3分：New-user设计 + PSM 2分：PSM或IPTW（非TTE） 1分：简单回归分析（无混杂控制） | 30% |
| D3：敏感性分析充分性 | 5分：多重缺失填补策略 + E-value计算 + 不同模型假设下的HR范围报告 4分：缺失填补 + E-value 3分：单一缺失填补方法 + 敏感性分析 2分：仅报告主分析结果 1分：无任何敏感性分析 | 25% |
| D4：信息损耗链透明度 | 5分：完整报告P4→P5→P6各步损耗数据 4分：报告主要损耗数据（<20%缺失） 3分：报告部分损耗数据 2分：仅报告最终纳入样本量 1分：未报告样本排除流程 | 20% |
RWE-CRS分层：
- ≥80分：高质量RWE（可作为监管决策的补充证据）
- 60-79分：中等质量RWE（可支持临床实践参考，但需谨慎解读）
- <60分：低质量RWE（仅供产生假设，不应用于临床或监管决策）
4.2 RWE-CRS vs 现有评价工具的比较
| 评价工具 | 适用范围 | 局限 |
|---|---|---|
| GRADE | 评估RCT/RWE的证据体质量 | 不适用于单个RWE研究的评价 |
| ROBINS-I | 评估非随机干预性研究的偏倚风险 | 高度复杂，临床医生难以操作 |
| RECORD/STROBE | 报告规范（checklist） | 评估“报告完整性”而非“偏倚风险” |
| RWE-CRS（本文提出） | 快速评估单一RWE研究的可信度 | 需进一步大样本验证 |
五、独创性研究设计：CALIBRATE-RWE前瞻性注册研究
5.1 研究背景与核心科学问题
中国已初步建立了覆盖全国的医保大数据平台、国家癌症登记系统及多个专病种临床研究协作网络。然而，利用这些RWD生成高质量RWE的标准工作流程尚不成熟，且缺乏针对中国临床实践特征的偏倚控制方法论验证。
核心科学问题：能否建立一套适用于中国肿瘤临床实践特征的RWE标准化生成与验证框架，并为NMPA的RWE审评提供可操作的技术指南？
5.2 研究设计：CALIBRATE-RWE
设计：前瞻性、多中心、方法学注册研究（非干预性，方法学验证）。
入组标准：预设2-3个已具有明确RCT阳性结果的临床问题（如奥希替尼vs一代EGFR-TKI在EGFR突变NSCLC一线治疗中的疗效差异；CDK4/6抑制剂+内分泌治疗vs单纯内分泌治疗在HR+/HER2-转移性乳腺癌中的疗效差异）作为“基准案例”，以验证RWE能否“复现”RCT结果。
数据源：中国多中心肿瘤EMR数据（≥10家大型三甲医院）+ 医保数据互联。
研究流程：
| 步骤 | 操作 | 说明 |
|---|---|---|
| Step 1：明确2-3个基准因果问题 | 预设明确的PICO（人群/干预/对照/结局） | 必须已有明确RCT结果（作为“金标准”） |
| Step 2：建立RWD分析队列 | 按TTE框架定义入排标准、time zero、结局 | 严格遵循新用户设计+阴性对照验证 |
| Step 3：统计分析与报告 | 估计因果效应（HR）及95% CI；进行多重敏感性分析 | 每个分析结果须附RWE-CRS评分 |
| Step 4：结果比较与校准 | 比较RWE-HR vs RCT-HR；识别偏倚来源 | 若RWE-RCT不一致，通过残差分析判断是否源于未测量混杂 |
| Step 5：发布标准化工作流 | 制定“中国肿瘤RWE标准化分析及报告技术文件” | 提交NMPA参考 |
主要终点：RWE-HR与RCT-HR的一致性（设定等价边界HR 0.8-1.25）
次要终点：不同RWE-CRS评分层级研究的偏倚方向与幅度差异；识别中国肿瘤EMR数据中最主要的偏倚来源
六、临床实践中的RWE应用指南（基于容度原理）
6.1 批判性阅读RWE研究的“四问法”
临床医生在面对任何RWE研究时，应基于容度原理的P4-P7信息损耗链框架，进行以下四个关键提问：
| 问题 | 针对的层级 | 可操作判断标准 |
|---|---|---|
| Q1：数据从哪里来，代表了谁？ | P4层 | 数据来源是否覆盖了我日常诊疗中的患者类型（年龄、合并症、种族、分期）？ |
| Q2：数据是如何被“翻译”为结构化字段的？ | P5层 | 缺失值比例多少？关键变量（如ECOG PS、分期）的编码方式是否标准？ |
| Q3：统计方法是否能识别并控制偏倚？ | P6层 | 是否使用了TTE或New-user设计？是否进行了E-value或阴性对照验证？ |
| Q4：残余不确定性有多大？ | P6→P7层 | 敏感性分析中HR的变化范围是否跨越了临床决策阈值？ |
6.2 对监管决策中的RWE接受标准建议（基于RWE-CRS）
| 场景 | 建议最低RWE-CRS要求 | 说明 |
|---|---|---|
| 辅助罕见突变适应症拓展 | ≥80分 | 缺乏RCT数据时，高质量RWE可作为唯一证据来源 |
| 超说明书用药的疗效/安全性评估 | ≥75分 | 需结合多源RWE |
| 特殊人群（老年/肾功能不全）用药指南更新 | ≥70分 | 可支持指南推荐强度的调整 |
| 新药上市的初步证据（申请突破性治疗） | ≥60分 | 仅用于产生假设，仍需RCT确证 |
七、结论与展望
RWD/RWE不是对RCT的“替代”，而是对RCT“证据真空”的填补。在罕见突变、特殊人群、真实世界疗效外推等场景中，RWE具有不可替代的临床价值。然而，RWE的信任危机源于其方法学上的“不确定性黑箱”——临床医生和监管者难以判断一个RWE研究的“真实可信度”。
专知智库与余行智库基于容度原理提出的RWE证据链P4-P7层级框架、RWE-CRS评分系统及“CALIBRATE-RWE”前瞻性方法学研究，旨在为肿瘤临床医生和监管决策者提供一套系统化、可操作的RWE质量评价工具。当每一位肿瘤医生在面对一篇RWE文献时，能够从容度原理的视角快速判断“这条证据链在哪里可能断裂”，RWE才能真正从“学术争议的焦点”走向“临床决策的可靠基石”。
参考文献说明
1. RWD/RWE的监管框架：
- FDA. Framework for FDA's Real-World Evidence Program. 2018.
- FDA. Real-World Data: Assessing Registries to Support Regulatory Decision-Making. 2021.
- 国家药品监督管理局. 真实世界证据支持药物研发与审评的指导原则（试行）. 2021.
- EMA. Guideline on Registry-Based Studies. 2021.
2. 目标试验模拟（TTE）：
- Hernán MA, Robins JM. Using Big Data to Emulate a Target Trial When a Randomized Trial Is Not Available. Am J Epidemiol. 2016;183(8):758-764.
- Hernán MA, et al. Target Trial Emulation: A Framework for Causal Inference From Observational Data. JAMA. 2022;328(24):2446-2447.
- Scola G, et al. Target trial emulation in oncology: a practical guide. J Clin Oncol. 2024;42(15_suppl):e23095.
3. RWE在肿瘤学中的应用案例：
- Liu F, et al. Real-world evidence in oncology: regulatory and clinical applications. Nat Rev Clin Oncol. 2024;21(10):711-724.
- Guo S, et al. RWE-based approval of palbociclib in male breast cancer. J Clin Oncol. 2019.
- Mulder F, et al. RWE and the FDA accelerated approval program in oncology. Clin Cancer Res. 2025.
4. 偏倚控制方法论：
- VanderWeele TJ, Ding P. Sensitivity Analysis in Observational Research: Introducing the E-Value. Ann Intern Med. 2017;167(4):268-274.
- Austin PC. An Introduction to Propensity Score Methods for Reducing the Effects of Confounding in Observational Studies. Multivariate Behav Res. 2011;46(3):399-424.
5. RCT-RWE分歧研究：
- Anglemyer A, et al. Healthcare outcomes assessed with observational study designs compared with those assessed in randomized trials. Cochrane Database Syst Rev. 2014.
- Franklin JM, et al. Real-world evidence and RCTs: reconciling the differences. N Engl J Med. 2023;388(15):1355-1357.
专知智库内部互链
- 容度原理与自指余行论（YX={YX}）的系统论述，参见专知智库官网：www.zzzk.org.cn
- 月球知识产权登记专项服务，请访问：www.hrpp.org.cn
专知智库“前沿领域综述”系列第17期
发布日期：2026年8月
版权声明：专知智库（成都专知利乎数字科技有限公司）保留所有权利。学术引用请标注出处。实务转化请咨询余行智库（成都余行专利代理事务所）。
