目标试验模拟在中药上市后研究中的价值与应用前景

中药上市后，经过广泛人群在真实世界复杂的预防、医疗、保健环境中的应用，中成药的临床特点逐步显现出来^[1]，如何彰显上市后中药的临床价值是中药上市后亟待解决的问题。中药上市后研究是指药品获批上市后，在真实临床环境中对其安全性、有效性、质量可控性及经济性等进行持续监测与再评价的过程^[2]。中药上市后研究主要围绕临床定位研究、有效性研究、安全性研究、获益-风险评价、经济学研究、创新性评价、可及性评价、适宜性评价、临床价值评估开展^[3]。《真实世界证据支持药物研发与审评的指导原则》明确指出真实世界研究(RWS)在中药人用经验总结、适应症扩展中的核心地位，中药上市后再评价研究在条件允许的前提下，可以优先考虑采取RWS^[4]。

随机对照试验(RCT)目前被认为是评价干预措施疗效和安全性的“金标准”，但由于伦理问题、经费不足等原因，无法在所有情况下实施，且RCT的实施条件和人群代表性有限，难以完全反映真实世界中的复杂情况^[5,6]。随着真实世界数据(RWD)的大量产生，基于RWD的观察性研究大量开展。然而，观察性研究中存在的各类偏倚可能显著削弱其因果推断效度，这一局限已成为方法学领域的核心争议^[7]。随着大规模RWD的日益普及，有学者开始尝试将RCT的设计逻辑引入观察性数据分析，尤其是在药物流行病学和慢性病管理领域，开始引入目标试验模拟(TTE)的概念^[8]。

目标试验，即理想RCT，是设定的为检验特定干预措施效果的黄金标准研究设计，通过随机分配患者到治疗组和对照组，旨在最大程度地平衡已知和未知混杂因素，从而实现对因果效应的无偏估计^[9]。TTE则是一种利用现有观察性数据来“模仿”或“模拟”一个理想RCT的设计和分析过程的框架^[9,10]。TTE通过构建一个假设的“目标试验”，将RCT的严谨性(如明确的纳入标准、治疗策略分配、随访设计)与RWD的广泛性相结合，从而减少偏倚并增强因果推断能力^[8,10]。这一方法论的理论基础建立在反事实框架和因果图模型之上，旨在识别并控制偏倚，确保所估计的效应更接近真实因果效应^[11]。

通过明确定义目标试验的方案，可以识别出观察性研究与理想RCT之间的差异，识别包括混杂偏倚、信息偏倚及选择偏倚在内的各类偏倚，并分别在设计阶段、分析阶段采取相应的方法学策略和分析方法来弥补这些差距。例如，在设计阶段，TTE强调通过准确定义“时间零点”、应用“新使用者设计”和“意向治疗原则”的模拟等来尽量减少时间依赖性混杂^[12,13]；在分析阶段，采用多种方法(如倾向性评分匹配/加权、G-methods等)来调整可测量的混杂因素，以模拟随机化的效果^[12,13]；通过严格的结局定义和敏感性分析来评估信息偏倚的影响^[14,15]；通过模拟“按方案治疗分析”和使用逆概率加权来调整因时间依赖性混杂和选择偏倚导致的失访问题^[16,17]。TTE从设计到模拟^[18]，包括三大关键步骤：目标试验协议制定(明确研究问题与设计框架)、数据模拟(利用RWD构建虚拟干预组与对照组)以及因果效应估计(通过统计方法控制混杂因素)^[8,19]。

TTE通过构建“识别-控制-验证”的偏倚管理闭环(图1)，为观察性研究提供了系统化解决偏倚的路径。在此框架下，RWD得以高效转化为高等级因果证据，显著提升RWS的论证强度。更重要的是，TTE通过严谨模仿RCT的设计精髓，突破传统研究范式局限，为中药上市后评价建立了符合监管科学要求的方法学体系，为TTE在中医药RWS中的应用奠定了基石。

1.1提供基于RWD的因果推断新范式

中药上市后研究的核心目标在于弥补上市前研究的局限性(如样本量小、试验人群局限、用药条件严格等)，全面评估药品在广泛人群中的实际应用效果，优化临床用药方案，并为药品监管、说明书修订及市场决策提供科学依据^[2]。中药上市后需长期监测疗效与安全性，但传统RCT因样本量小、随访期短、人群同质性强等问题难以满足需求。中药用于治疗慢性病或复杂病症时，长期RCT成本高昂且受试者招募困难^[20]，且中医药强调辨证论治，干预措施(如复方、针灸)的异质性导致RCT难以标准化^[5]。TTE通过模拟RCT设计原则，利用RWD进行因果推断，为中药上市后疗效和安全性评价提供了替代方案。

1.2控制观察性研究的偏倚，提升因果推断的可信度

中药疗效评价常受辨证施治个体化影响，导致混杂因素引入。传统观察性研究常因设计缺陷引入永恒时间偏倚、现用药者偏倚等问题。TTE通过明确定义“零时刻”、模拟随机分配和调整混杂因素，显著提升因果推断的把握度^[21]。

1.3支持真实世界证据生成以及全生命周期管理

上市后研究是药品全生命周期研究的重要组成部分^[22]，对于中药而言，上市后需长期监测疗效和不良反应。TTE作为一种重要的RWS，可以整合电子健康记录、医保数据库等多源数据，模拟不同用药场景下的效果对比^[4]，能够为真实环境下药品的有效性和安全性提供更多的证据。基于TTE的证据可以为已获批产品修改说明书提供证据，包括增加或修改适应症，改变剂量、给药方案或给药途径，增加适用人群，增加安全性信息等^[22]。

TTE作为一种基于RWD的观察性因果推断研究方法，为中药上市后研究提供了创新性解决方案，能够有效应对复杂干预条件、长期安全性监测、临床定位精准化、个体化治疗动态评估以及中成药二次开发等关键挑战。随着国家药品监督管理局对真实世界证据(RWE)的重视以及《中药注册管理专门规定》的实施，TTE在中医药领域的应用前景广阔，将成为推动中药现代化、精准化和国际化的关键技术支撑。

2.1复杂干预条件下的临床疗效评价

中药治疗往往与其他药物联合使用，形成“多成分-多靶点-动态调整”的复杂干预模式。在传统RCT中，严格的入组标准和单一干预路径难以反映真实临床环境中的用药复杂性。TTE通过模拟RCT设计，能够回溯疾病的整个治疗周期，捕捉复杂的用药模式。通过严谨的嵌套病例对照设计和系统的分层分析，可以有效地评估和分离中药与西药的协同或拮抗效应。此外，TTE还可用于评估中药在慢性病长期治疗中的效果。慢性病治疗周期长，患者用药方案往往随病情变化而调整，传统RCT难以跟踪长期的动态变化。TTE可通过整合电子病历、用药记录和随访数据，持续监测患者用药情况和疗效变化，全面评估中药的长期疗效，更贴近真实临床环境。

一项针对Ⅳ期非小细胞肺癌患者的TTE研究，利用台湾长庚研究数据库模拟了理想RCT以评估中药(CHM)在综合治疗(包括化疗、靶向治疗等)背景下对长期生存期(OS)和癌症特异性生存期(CSS)的影响^[23]。该研究明确定义了纳入标准、干预组与对照组(仅标准治疗)，并通过重叠权重法进行倾向评分调整以控制混杂偏倚，同时应用地标分析处理时间偏倚。结果显示，相较于对照组，CHM使用者的10年OS率显著提升(8.2%vs3.4%，P<0.001)，中位OS延长6.1个月(20.8月vs14.7月)；10年CSS率也显著提升(11.5%vs4.4%，P<0.001)；整体死亡风险显著降低16%(aHR=0.84，95%CI：0.77～0.92)。此实例清晰地展示了TTE框架如何在复杂的肿瘤联合治疗场景、面临强烈背景治疗效应和关键混杂因素的情况下，有效识别并量化中药作为整体治疗方案一部分所带来的显著生存获益优势，为中药在复杂肿瘤治疗领域的长期疗效评价提供了高质量的RWE支持。

2.2安全性风险精准预警

安全性研究是上市后研究的核心任务。药品的安全性问题往往具有偶发性，上市前研究往往不足以全面评估真实用药环境下的中药安全性。因此，将未知风险转化为已知风险，并加以有效控制，是保障用药安全的主要方法^[3]。此外，中药的肝肾毒性等问题一直是公众关注的焦点，而上市前的临床试验由于样本量有限、观察时间短、用药环境单一等原因，难以全面捕捉这些潜在风险。

TTE可整合医院集中监测、医保索赔数据、生物样本库等多源数据，形成从信号检测到机制验证的全链条证据^[24]。例如，何首乌作为传统中药，存在肝损伤风险，但其风险特征与用药人群、剂量和配伍密切相关。通过TTE设计，研究者可以构建模拟试验，分析不同人群(如老年人、肝病患者)在不同剂量和配伍条件下的肝损伤风险，为制定个体化用药方案和安全性风险预警提供依据。

2.3临床定位与精准用药

目前，中成药临床定位宽泛是普遍问题，这使得中药难以在现代医疗体系中准确定位，也限制了其临床价值的发挥^[1]。目前治疗同类疾病的中成药种类较多，然而其临床效果却不尽如人意。2024年在《柳叶刀》发表的中风醒脑口服液治疗急性脑出血的阴性研究结果表明，中药疗效评价需要更精准的临床定位^[25]。

TTE通过大样本RWD挖掘潜在疗效信号，能够明确中药的临床定位。具体而言，TTE可从3个方面支持临床定位：一是通过分析不同人群(如年龄、性别、基础疾病)的用药数据，识别中药的优势人群；二是通过分析不同疾病阶段和证候类型的疗效差异，明确中药的最佳应用时机；三是通过分析不同剂量和用药途径的疗效和安全性，优化用药方案。

2.4个体化治疗的动态评估与方案优化

中医“同病异治”“异病同治”及“随证治之”的理念，高度契合现代个体化治疗需求，强调根据患者证候演变、体质及病程阶段动态调整用药方案。然而，传统RCT受限于其静态、单一干预的设计，难以系统性地并行探索多种个体化策略，限制了对个体化治疗效果的全面评估。

TTE为此提供了突破性路径，其核心优势在于能够基于RWD，同步设计和执行多个“目标试验”的模拟。这种并行模拟能力使研究者可高效探究不同个体化方案的效果(如针对特定证候的治疗选择、剂量优化及疗程设定)，克服了RCT需多次独立试验的局限。此外，TTE支持嵌套试验设计，允许同一患者在多个时间点进入模拟试验，为评价辨证论治的长期效果提供了方法论支持。TTE可以通过明确定义各模拟试验的干预策略，并运用g-methods等方法处理时变混杂因素，有效模拟中医“动态辨证-精准用药”的路径^[8]，为明确最优个体化治疗方案(包括方剂配伍、剂量阈值及干预时机等关键细节)提供传统RCT无法实现的高效科学路径。

2.5中成药二次开发与临床价值提升

《中药注册管理专门规定》强调“临床价值导向”，鼓励已上市中药品种的二次开发。中成药二次开发是已上市品种研究的重要组成和价值延伸，其意义在于增强临床使用优势，例如拓展新适应症、优化剂型、提升药品经济性^[26,27]。中药二次开发的关键在于“再评价-再发现-再创新”的系统研究。TTE通过模拟RCT设计，能够更准确地评估中药的疗效和安全性，为二次开发提供可靠证据。作为一种基于RWD的因果推断方法，TTE为中成药二次开发提供了新思路。针对罕见病或老年患者等难以开展RCT的群体，TTE可通过大样本RWD挖掘潜在疗效信号，发掘中成药的新适应症和临床价值。例如，基于RWD模拟“中药治疗罕见免疫性疾病”的疗效，为扩大适应症提供依据。此外，TTE还可整合医保支付数据与临床结局，模拟不同用药方案的成本-效果比，用于中药经济学评价的优化。

尽管TTE为中药上市后研究提供了强大的方法学工具和广阔的应用前景，但其在实际应用过程中仍面临诸多挑战。

3.1真实世界的数据质量挑战

RWD质量是TTE成功的关键前提。然而，当前中医药领域的RWD普遍存在数据碎片化、标准不统一、关键变量缺失或记录不准确等问题。具体表现为：(1)数据来源多样性与质量参差：RWD常来源于不同医院、地区及机构的异构电子病历系统，数据采集标准不一致，导致数据的完整性、准确性和一致性难以保障^[28]。(2)中医核心信息记录不足：中医证候、症状、舌脉象等关键诊疗信息在电子病历中常存在记录不完整、不规范或缺失的现象，严重制约基于此类信息进行精准人群分层和混杂因素控制的能力。同时，中药的实际用法、剂量调整、患者依从性等关键治疗细节也常记录不全^[29]。(3)数据结构复杂性与整合难度：中药临床数据包含结构化、非结构化及半结构化等多种类型，需进行复杂的清洗与标准化处理^[30]。(4)数据碎片化与共享壁垒：缺乏统一的患者标识符和数据标准，跨机构数据共享存在技术障碍，以及法律层面的隐私保护限制，使得多源数据整合面临严峻挑战。

针对数据质量瓶颈，首要任务是构建中药多源数据标准化整合体系。建议：(1)在国家或区域层面推动建设以患者为中心、整合多源数据的中药上市后研究平台，促进数据互联互通^[31]。(2)联合医疗机构、学术界和产业界，共同制定并推广符合中医药特点的临床数据标准，特别强调中医证候诊断标准、疗效评价标准的规范化录入与存储，以提升数据的可用性与可靠性。(3)积极应用自然语言处理技术从非结构化文本(如主诉、现病史)中高效提取关键临床信息，并探索结合大语言模型赋能数据的自动化清洗、校验与溯源，从而系统性提升数据质量^[32]。

3.2中医药复杂干预与动态治疗的方法学挑战

中医药“辨证论治”与“随证加减”的核心诊疗模式，体现为高度个体化、动态演变的治疗路径，这与TTE模拟预设的固定干预策略的核心原则存在根本性冲突。其挑战具体在于：(1)证候动态性刻画困难：中医证候具有显著的时间依赖性和动态演变特征^[33]，而现有电子病历系统对其记录普遍不完整、不规范，缺乏标准化采集流程，导致难以精准刻画治疗过程的动态变化。(2)“目标干预策略”定义困境：中药复方“多成分-多靶点-多通路”的复杂干预特性^[34]，且治疗方案需随证加减，使得在TTE框架中精确定义可操作的“目标干预措施”及“对照措施”存在困难。(3)方法学适配难题：动态演变的特性引发了关键方法学问题，需精确定义动态“治疗策略”并合理设定“时间零点”以规避永恒时间偏倚；证候、用药、合并症等时变混杂因素的高度复杂性，对TTE的应用提出了挑战。

针对上述方法学挑战，亟须构建融合中西医方法学的创新研究范式。通过构建融合辨证论治逻辑的TTE动态策略定义标准与证候数据规范，重构理论框架；开发适配证候演变的时变混杂控制模型，实现动态调方路径模拟；利用人工智能技术优化个体化治疗决策与偏倚评估；最终建立中医诊疗敏感的证据稳健性验证体系，以实现动态复杂干预与固定路径TTE方法学的系统性整合。

利益冲突:本文不存在任何利益冲突。

[1]王志飞,谢雁鸣.中药上市后“三维四阶”临床定位技术的构想与实践[J].中国中药杂志,2021,46(8):1967-1972.

[2]谢雁鸣,田峰.中药上市后再评价关键问题商榷[J].中国中药杂志,2010,35(11):1494-1497.

[3]谢雁鸣,孙晓波,王志飞.中成药上市后临床研究方法技术体系与应用[M].北京:人民卫生出版社,2022.

[4]国家药监局关于发布真实世界证据支持药物研发与审评的指导原则(试行)的通告(2020年第1号)[EB/OL].(2020-01-07)[2025-05-26]. https://www. nmpa. gov. cn/xxgk/ggtg/ypggtg/ypqtggtg/20200107151901190. html.

[5]王禹毅,马文欣,王雪惠,等.模拟目标试验及其在中医药研究中应用的可行性分析[J].中医杂志,2023,64(19):1969-1974.

[6]SCHÜNEMANN H J,FRETHEIM A,OXMAN A D. Improving the use of research evidence in guideline development:9. Grading evidence and recommendations[J]. Health Res Policy Syst,2006,4:21.

[7]STÜRMER T,WANG T S,GOLIGHTLY Y M,et al.Methodological considerations when analysing and interpreting real-world data[J]. Rheumatology,2020,59(1):14-25.

[8]GOMES M,LATIMER N,SOARES M,et al. Target trial emulation for transparent and robust estimation of treatment effects for health technology assessment using real-world data:opportunities and challenges[J]. PharmacoEconomics,2022,40(6):577-586.

[9]LI H Y,ZANG C X,XU Z X,et al. Federated target trial emulation using distributed observational data for treatment effect estimation[J]. npj Digit Med,2025,8:387.

[10]ANDRADE C. Target trial emulation:a concept simply explained[J]. J Clin Psychiatry,2025,86(1):25f15796.

[11]YIU A,FONG E,WALKER S,et al. Causal predictive inference and target trial emulation[EB/OL].(2022-07-25)[2025-08-19]. http://arxiv. org/abs/2207. 12479.

[12]ZOCCALI C,TRIPEPI G. Clinical trial emulation in nephrology[J].J Nephrol,2025,38(1):11-23.

[13]FU E L. Target trial emulation to improve causal inference from observational data:what,why,and how?[J]. J Am Soc Nephrol,2023,34(8):1305-1314.

[14]QIN D C,GUO F Y,HUA F. How to report outcomes in clinical dental research[J]. J Evid Based Dent Pract,2025,25(1):102053.

[15]GOMES M,TURNER A J,SAMMON C,et al. Acceptability of using real-world data to estimate relative treatment effects in health technology assessments:barriers and future steps[J].Value Health,2024,27(5):623-632.

[16]ANTOINE A,PÉROL D,ROBAIN M,et al. Target trial emulation to assess real-world efficacy in the Epidemiological Strategy and Medical Economics metastatic breast cancer cohort[J]. JNCI J Natl Cancer Inst,2023,115(8):971-980.

[17]ANDERSON A H. Invited commentary:target trial emulation—a call for more widespread use[J]. Am J Epidemiol,2025,194(3):659-661.

[18]HANSFORD H J,CASHIN A G,JONES M D,et al. Development of the transparent reporting of observational studies emulating a target trial(TARGET)guideline[J]. BMJ Open,2023,13(9):e074626.

[19]HERNÁN M A,ROBINS J M. Using big data to emulate a target trial when a randomized trial is not available[J]. Am J Epidemiol,2016,183(8):758-764.

[20]袁驰,周祎灵,曹雨滋,等.基于真实世界数据的观察性研究因果推断——目标试验模拟实施要点及案例分析[J].中国胸心血管外科临床杂志,2024,31(12):1743-1752.

[21]卢存存,柯立鑫,王子怡,等.目标试验模拟研究辅助实施工具CERBOT简介与应用[J].中国循证医学杂志,2024,24(2):237-242.

[22]王志飞,彭文茜,乔萌,等.中成药上市后临床安全性研究指南[J].中国中药杂志,2025,50(18):5292-5298.

[23]LU T T,WU C E,HUANG T H,et al. Integrating Chinese herbal medicine in advanced lung cancer:a multicenter real-world study using target trial emulation[J]. Phytomedicine,2025,148:157239.

[24]王连心,谢雁鸣,常艳鹏.主动监测嵌套巢式病例对照设计在中药上市后临床安全性评价中的应用[C]//中国中西医结合学会循证医学专业委员会.第八届中医/中西医结合循证医学方法研讨会论文集.郑州:河南中医药大学第一附属医院,2014:150-152.

[25]GUO J W,CHEN X Y,WU M L,et al. Traditional Chinese medicine FYTF-919(Zhongfeng Xingnao oral prescription)for the treatment of acute intracerebral haemorrhage:a multicentre,randomised,placebo-controlled,double-blind,clinical trial[J].Lancet,2024,404(10468):2187-2196.

[26]郭竞曦,杨艳君,朱毛毛,等.以再评价再发现为基础的中药再创新开发策略[J].中草药,2024,55(19):6455-6464.

[27]LU D R,DOU F Z,QI F H,et al. Tailored to fit:China optimizes policies and regulations regarding drug registration and review to promote innovation in traditional Chinese medicine[J]. Drug Discov Ther,2024,18(4):210-212.

[28]MERKELBACH K,SCHAPER S,DIEDRICH C,et al. Novel architecture for gated recurrent unit autoencoder trained on time series from electronic health records enables detection of ICU patient subgroups[J]. Sci Rep,2023,13(1):4053.

[29]KISSI J,ANNOBIL C,TIJANI A,et al. Electronic health record impact on data quality:an integrated review[J]. Integr Health Res J,2024,1(2):77-85.

[30]KNEVEL R,LIAO K P. From real-world electronic health record data to real-world results using artificial intelligence[J]. Ann Rheum Dis,2023,82(3):306-311.

[31]COLMAN B D,ZHU Z T,QI Z Y,et al. From real world data to real world evidence to improve outcomes in neuro-ophthalmology[J].Eye,2024,38(12):2448-2456.

[32]BENEDUM C M,SONDHI A,FIDYK E,et al. Replication of realworld evidence in oncology using electronic health record data extracted by machine learning[J]. Cancers,2023,15(6):1853.

[33]李伟珂,王至婉.基于复杂网络方法的慢性阻塞性肺疾病不同分期证候要素演变规律临床调查[J].中国实验方剂学杂志,2022,28(22):143-148.

[34]郭诗韵,邓志灏,李艳,等.中药复方配伍科学内涵阐释研究的新理论[J/OL].中国实验方剂学杂志,1-8[2026-04-24].https://doi. org/10. 13422/j. cnki. syfjx. 20241645.