2024 年癌症、心脑血管、呼吸和代谢性疾病防治研究国家科技重大专项
面向心脏瓣膜病全病程管理、多中心临床研究、风险分层、AI 辅助决策与术后远程管理，构建贯穿患者全生命周期的临床科研体系。
该项目围绕心脏瓣膜病的全程分级管理展开，覆盖队列建设、多模态 AI、诊疗策略优化与术后远程管理，是典型的“长周期、多中心、多模态”国家级临床科研项目。
以上数字为项目公开指南中的目标 / 要求，不代表爱医云科研已经完成的数据成果。
传统临床管理往往围绕「诊断 → 手术 / 介入 → 出院」展开。但心脏瓣膜病真正的临床价值，来自患者长期管理、风险分层、治疗策略、术后随访与真实世界数据——项目因此需要建立一套全病程管理体系。
不同医院的数据来源、格式、标准不同。没有统一的数据标准与治理体系，多中心协作无从谈起。
患者出院之后，数据仍然持续产生。随访数据的完整性与及时性，直接决定队列的科研价值。
临床数据、影像、实验室、治疗和随访数据需要关联到同一个患者、同一条时间线上。
队列不仅用于管理，还需要支撑临床试验、风险模型、疗效评价、AI 与循证研究。
根据项目公开课题体系整理。点击任一课题，查看其研究内涵与对应的平台能力映射。
以下为平台能力与科研场景的典型映射，用于说明此类项目的常见支撑方式，不代表项目实际交付内容。
每一个科研队列，首先都是一个个真实患者。患者全生命周期数据——基本信息、诊疗记录、检查、影像、治疗、手术、随访、结局——是整条科研链路的第一公里。
将分散的临床数据沉淀为结构化、标准化、可持续积累的科研数据资产。多家中心的患者，汇入统一专病数据模型。
异构临床数据经统一数据字典与采集规范治理，形成跨中心口径一致的科研数据模型——医院 A 的字段、医院 B 的格式，最终进入同一个标准。
多中心数据在权限与审计体系下协同：各中心数据隔离可见、按授权共享，入组进度与数据质量集中可视。
按纳入 / 排除标准快速筛选患者：输入研究条件，AI 辅助从全库患者中层层收敛，形成目标研究队列。
患者队列经治理与导出审批，形成高质量科研数据集，直接进入统计分析与建模环节。
研究方案驱动数据采集，规范、质控、可追溯贯穿全程。
研究方案驱动数据采集，字段与口径全院统一。
异常数据自动识别并发起 Query，AI 参与科研数据质量控制。
统一研究标准，各分中心按同一方案执行。
完整记录数据变化，满足稽查与核查要求。
锁库后直接进入科研分析。
AI 不只是「聊天」，而是连接临床数据、科研数据和模型分析——多模态数据汇入 AI，产出风险分层、疗效评价与辅助决策。
自然语言检索队列、生成分析任务，科研工作一问即答。
影像组学特征提取与智能标注，支撑影像研究。
队列特征比较、生存分析与亚组探索。
描述统计、假设检验到多因素模型的一站式分析。
基于真实世界数据训练与验证风险分层模型。
AI 辅助临床决策，最终决策由专业医生完成。
随访不是终点，而是下一条科研数据的开始。系统自动生成随访计划，AI 与患者持续交互，结构化结果回流专病库。
建立统一的临床科研数据基础设施。
从患者队列到科研分析，减少跨系统数据整理成本。
将日常患者管理与科研工作连接起来。
支撑多中心研究、EDC、随访、数据治理和 AI 分析。