 11月26~27日，由北京市科委与北京市卫生局共同举办的“第二届首都重大疾病防治科技创新高峰论坛”在北京召开，此论坛延续第一届“融合、创新-科技打造健康城市”的主题，旨在进一步提高首都医疗卫生科技工作的影响力度，推动“方案”的顺利实施和完成。论坛由一个主题报告和六个分论坛组成，共邀请100余家医疗机构、500余名专家，更有多位国内知名院士就当前国内外医疗卫生科技发展新趋势与参会者做了交流。现将主题报告及重大传染病科技防治分论坛中的精彩内容报道如下。 刘德培院士： 转化医学需多学科的整合与合作
中国工程院院士刘德培在会议中做了《重大疾病的转化医学》的主题报告。刘院士指出，重大疾病研究的科学主题是以疾病的预测、预警、预防、诊断、治疗为重点，坚持基础研究和临床应用紧密结合的研究模式，即转化医学。 重大疾病领域，人们普遍关注的转化医学研究是恶性肿瘤的分子机制、生物标志、预警标志物；心脑血管病的前期病症综合研究，高危心脑血管疾病患者预后的分子机制和综合救治；慢性代谢性综合征的分子标志相关基因、相关因子的网络通路及调节环境因素对疾病形成与发展的影响；新发传染病发生的分子机制、人体的免疫防护与免疫耐受、人体对不同传染病病原体的易感性。转化医学研究有四个阶段：（1）观察性研究旨在提出医学问题；（2）基础科研与临床试验为Ⅰ期转化；（3）确定社区干预措施及制定人群防病策略为Ⅱ期转化；（4）Ⅲ期可持续性转化指综合分析，不断改进疾病防治方法并改善环境。 转化医学是一项系统工程。（1）发病机制研究：如严重急性呼吸综合征（SARS）的转化医学研究发现，血管紧张素Ⅱ转化酶（ACEⅡ）在肺损伤中发挥重要作用，ACEⅡ是SARS冠状病毒的受体，SARS冠状病毒的感染破坏了ACEⅡ的保护作用。这些结果对SARS冠状病毒感染引起严重肺损伤提供了分子机制的解释，并提供了一条可能的治疗途径。（2）临床确诊：即临床症状、生物标记物检测。1948年启动的Framingham研究首次提出了“危险因素”的概念，表明高血压、高胆固醇血症和吸烟等对心血管病的重要性，并提出预防和干预危险因素的方法，有效降低了心血管病的发病率和死亡率。（3）药物开发：如先导物设计、药物结构优化、动物实验。心血管病的转化医学研究发现，他汀类药物只能降低30%心血管死亡率，需要找寻其他有效防治心血管病的方法。（4）新型工程技术：包括工程学、数据库、研究资源，如CT技术的研发。（5）应用和干预：即临床前评估、干预、公共政策及诊疗方案，如输血的转化医学。 总之，转化医学需要学科的转化整合以及各学科人才的相互促进与合作。 李兰娟院士： 三大传染病社区防治策略及信息化流程
中国工程院院士李兰娟在报告中介绍了艾滋病、乙肝、结核病的社区综合防治策略和综合防治信息化流程（见图1、2、3）。
艾滋病综合防治策略 第一，示范区基层队伍艾滋病培训及示范区三位一体艾滋病防治随访治疗模式的研究，旨在提升示范区艾滋病防治能力。第二，涵盖全人群的人类免疫缺陷病毒（HIV）筛查的基线调查。第三，加大示范区艾滋病大众宣传教育，进行高危人群和重点人群行为干预和HIV抗体检测及艾滋病高危人群的队列研究。此外，进行艾滋病抗病毒治疗和社区随访管理，对单阳家庭或固定性伴进行综合干预和早期治疗，对HIV抗体阳性海洛因成瘾者实施美沙酮维持治疗，对阳性孕产妇感染者实施母婴阻断。 乙型肝炎社区综合防治策略 第一，建立不同人群的乙肝疫苗免疫策略及乙肝社区综合治疗随访队列。第二，扩大并建立乙肝社区综合治疗示范区，探索政府、科研机构、定点医院和社区医院四方合作新机制。第三，在示范区内推广和优化以国家医疗保险目录基本药物为主的临床抗病毒治疗，建立健全乙肝监测系统并开展乙肝防治的应用性研究。 结核病社区综合防治策略 首先，通过培训更新和提高防治队伍人员的业务素质，推进县级层面结核病诊断实验室建设。其次，开展有效的健康教育，进行结核病高危人群防治队列的建立和管理。最后，开展社区结核病干预和治疗策略研究，包括结核患者的社区随访管理和治疗队列的建立，菌阴患者的诊断，耐药结核患者抗痨方案的优化。 姚晨教授: 缺失数据需谨慎预设 合理统计
北京大学临床研究所副所长姚晨教授称：“临床试验不可能完美无缺，缺失数据对试验结果的影响很大。”因此，应考虑临床研究结束前患者退出或脱落的问题，有效提高受试者的依从性。此外，实施过程中需及时记录，减少遗漏。 缺失数据按机制可分为完全随机缺失（MCAR）、随机缺失（MAR）、非随机缺失（NMAR）。MCAR是指对于独立变量和数据的缺失不依赖任何测量值（无论是已观察到的还是未观察到的）。如某患者由于非健康原因从一城市到另一城市，由于远离研究中心无法继续进行试验而造成数据缺失。对MCAR数据的处理，删除缺失值所做出的研究推论依旧是无偏倚的，但会因样本量的减小造成检验效能的降低。MAR是指对有条件的模型变量，数据的缺失仅依赖于观察到的测量值，而不依赖于未观察到的测量值。例如，某患者在治疗过程中的疗效测量值很差，缺乏疗效，因此医生或患者自己决定退出试验后造成数据缺失。该情况中，删除缺失值进行研究推论是有偏倚的，且会降低检验效能。NMAR是指当数据缺失既不为MCAR，又不是MAR，即数据的缺失依赖于未观察到的测量值。如一位患者前期治疗效果较好，各种观察测量值也较好，但在访视后病情恶化而退出。此类情况中的分析模型基于观测数据，有可能继续预测到较好结果，但期望患者从试验治疗中继续获利是不合理的。 研究者可通过优化试验设计、有效地执行与访视、良好的研究终点选择、预设脱落病例比例等方法减少数据缺失。优化设计时需明白，一项包含过多缺失数据的大试验不如数据较为完整的小试验。预设脱落病例（缺失）比例时，应注意结局变量的性质，当结局变量是死亡率时，估计脱落的发生率比更难评价的结局以及要求患者积极参与和（或）需要复杂诊断方式时要低。 |
