科研 Skill

证候与症状数据分析

tcm-syndrome-pattern-analysis

对症状量表数据做术语规范、潜在类别与因子分析,探索统计学证候模式。适用于证候分型研究,结果不用于个体辨证诊断。

发布者 Codar安全审核通过v0.1.0更新于 2026-11-18

SKILL.md

证候与症状数据分析(TCM Syndrome Pattern Analysis)

适用场景

  • 某疾病(如 2 型糖尿病、慢性胃炎)的中医证候分布横断面调查数据分析。
  • 用潜在类别分析(LCA)或隐结构(latent tree)模型,从症状条目中归纳统计学意义上的证候类别,并与专家辨证结果对照。
  • 证候评价量表的编制与心理测量学检验(条目筛选、EFA/CFA、信度、效度)。
  • 证候术语与编码的规范化,使研究数据与 GB/T 16751、ICD-11 传统医学章节对应,便于跨研究比较。
  • 证候与客观指标(实验室指标、影像、组学)的关联分析设计。

边界与不适用

  • 仅限科研用途。不对任何个体做辨证诊断,不提供处方、药物剂量或治疗建议;模型分出的"证候类别"是群体层面的统计模式,不能直接用于临床个体判断。
  • 不把专家或"名医"的辨证经验视为已验证的金标准;专家辨证本身存在评价者间差异,应报告一致性(如 Kappa)。
  • 数据驱动得到的证候分型是待验证的假设,需在独立样本中复现并检验其预后或疗效区分价值。
  • 涉及患者数据须有伦理批件与知情同意,分析前去标识化。

工作流

  1. 研究设计与术语方案

    • 输入:目标疾病、研究问题。
    • 操作:基于文献与专家共识制定四诊信息采集表;症状、体征、舌脉条目采用规范术语,并对条目给出操作化定义(如"口干"的判定标准、舌象分级)。证候名称对照 GB/T 16751.2(证候部分)及 ICD-11 第 26 章传统医学病证模块。
    • 产出:采集表与术语对照表。
    • 决策点:舌脉等主观条目是否需双人采集或借助舌象仪?必须事先确定并报告一致性评价方案。
  2. 样本量与采集质量

    • 操作:LCA/因子分析对样本量要求较高(因子分析常用经验为每条目 5–10 例以上,且总样本数百例;LCA 类别越多、条目越多需样本越大),在方案中说明依据;采集员培训并评估采集一致性。
    • 产出:一致性评价结果(Kappa/ICC)。
  3. 数据清洗与编码

    • 操作:二分类或等级编码;处理缺失(报告缺失比例与处理方法);剔除出现率极低(如 <5%)的条目时需说明阈值并做敏感性分析。
    • 产出:分析数据集与数据字典。
  4. 描述分析

    • 操作:症状频率、证候(专家辨证)分布、症状共现。
    • 产出:症状频率表、证候分布表。
  5. 潜在类别 / 隐结构分析

    • 操作:拟合 1 至 k 类 LCA 模型,比较 AIC、BIC、调整 BIC、熵(entropy)、最小类别比例;多次随机起始值避免局部最优。隐结构模型(latent tree analysis)可用于发现多个潜变量,需用专门软件。
    • 决策点:类别数的选择应兼顾统计指标与临床可解释性,但可解释性不能用来推翻明显的统计证据;报告所有候选模型。
    • 产出:模型比较表、条件概率表、类别命名(命名属解释,需注明依据)。
  6. 因子分析(量表或症状维度研究)

    • 操作:KMO 与 Bartlett 检验;EFA 用于探索(二分类条目宜基于四分相关矩阵);在独立样本中做 CFA,报告 CFI、TLI、RMSEA、SRMR;信度报告 Cronbach's α 或 ω。
    • 产出:因子载荷表、拟合指标表。
  7. 验证与对照

    • 操作:将统计类别与专家辨证结果做一致性比较;在独立样本或拆分样本中复现;如有随访数据,检验类别对结局的区分能力。
    • 产出:验证报告与局限说明。

工具与数据源

  • 术语标准:GB/T 16751.1/.2/.3《中医临床诊疗术语》(疾病、证候、治法三部分;1997 年首版,后续已修订,使用时以现行版本为准);GB/T 15657《中医病证分类与代码》;WHO ICD-11 第 26 章"传统医学病证(模块 I)";WHO《中医药国际标准术语》(2022)。
  • 指南参考:中华中医药学会等发布的相关疾病中医诊疗指南与证候诊断标准(作为术语与专家共识来源,不作为个体诊断工具)。
  • R:poLCA(潜在类别)、psych(EFA、KMO、四分相关)、lavaan(CFA)、irr(Kappa)。
  • 其他:Mplus(商业,LCA/CFA)、Lantern(隐结构/latent tree 分析,张连文团队)。
  • Python:pandas、factor_analyzer、scikit-learn。

最小示例:潜在类别模型比较(R)

# install.packages("poLCA")
library(poLCA)
# poLCA 要求条目编码为从 1 开始的正整数:1 = 无,2 = 有
set.seed(2024)
n <- 400
d <- data.frame(
  口干 = sample(1:2, n, TRUE), 乏力 = sample(1:2, n, TRUE),
  便溏 = sample(1:2, n, TRUE), 舌红 = sample(1:2, n, TRUE),
  脉细 = sample(1:2, n, TRUE)
)
f <- cbind(口干, 乏力, 便溏, 舌红, 脉细) ~ 1
fits <- lapply(1:4, function(k) poLCA(f, d, nclass = k, nrep = 10, verbose = FALSE))
data.frame(k = 1:4,
           AIC = sapply(fits, `[[`, "aic"),
           BIC = sapply(fits, `[[`, "bic"))

示例数据为随机生成,仅演示流程;实际分析中还应计算熵和最小类别比例。

质量检查

  • 采集表条目均有操作化定义,证候与症状术语已对照 GB/T 16751 与 ICD-11。
  • 报告了采集员间、专家辨证间一致性(Kappa/ICC)。
  • 样本量依据、缺失数据处理、低频条目剔除阈值已说明。
  • LCA 报告了所有候选类别数的 AIC/BIC/熵/最小类别比例,并使用多次随机起始。
  • EFA 与 CFA 使用不同样本;二分类条目使用合适的相关矩阵。
  • 类别命名注明为研究者解释,未将统计类别等同于临床诊断。
  • 未将专家经验或名医辨证当作经过验证的金标准。
  • 有伦理批件、知情同意,数据已去标识化。

输出格式

  • 表 1 人群特征与症状频率:条目 | 规范术语 | 频数 | 频率(%)。
  • 表 2 模型比较:类别数 | 对数似然 | AIC | BIC | aBIC | 熵 | 最小类别比例。
  • 表 3 条件概率:条目 | 类别1 | 类别2 | …,附类别命名与依据。
  • 表 4 因子分析:条目 | 因子载荷 | 共同度,以及 CFA 拟合指标。
  • 报告章节:背景 → 术语方案 → 采集与质控 → 统计方法 → 结果 → 与专家辨证对照 → 局限 → 后续验证计划。

参考规范与文献

  • 国家技术监督局,GB/T 16751.1–16751.3《中医临床诊疗术语》,1997(及其后续修订版)。
  • World Health Organization. International Classification of Diseases 11th Revision (ICD-11), Chapter 26 Traditional Medicine Conditions – Module I, 2019.
  • World Health Organization. WHO International Standard Terminologies on Traditional Chinese Medicine, 2022.
  • Linzer DA, Lewis JB. poLCA: An R package for polytomous variable latent class analysis. Journal of Statistical Software, 2011.
  • Collins LM, Lanza ST. Latent Class and Latent Transition Analysis. Wiley, 2010.
  • Zhang NL, et al. Latent tree models and diagnosis in traditional Chinese medicine. Artificial Intelligence in Medicine, 2008.

示例提示词

请用潜在类别分析对这份慢性胃炎症状问卷数据做证候分型探索,并评估分类的稳定性。

所属插件

中医药学研究面向中医药科研(不提供诊疗与处方建议):古籍文献整理、方剂配伍数据挖掘、证候分析、网络药理学、中药质量化学计量学、术语标准化与知识图谱、临床证据综述。

安装该插件会一并获得同领域的 8 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

证候与症状数据分析能做什么?

对症状量表数据做术语规范、潜在类别与因子分析,探索统计学证候模式。适用于证候分型研究,结果不用于个体辨证诊断。

如何安装证候与症状数据分析?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「证候与症状数据分析」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

证候与症状数据分析需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

证候与症状数据分析经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。