将可重复性数据分析的理念应用到肿瘤登记工作的数据生产和利用

肿瘤登记是一项基础的监测工作，而真实世界高质量的肿瘤登记数据，对于癌症负担估计、疾病预测和防控决策都具有不可替代的作用，在整个癌症防控工作中发挥基石的作用。

1 将可重复性数据分析理念应用到肿瘤登记

肿瘤登记数据的收集和利用是我们工作的核心内容，具有工作链条长、专业交叉多、管理层级多，但是专业人员数量有限的特点，大部分的省级或市级肿瘤登记工作基本上都是由1-2名专业人员在承担，如何在有限的专业人力资源的条件下，实现规范、高效、可持续的肿瘤登记，是我们常在考虑的问题。

与此同时，肿瘤登记作为一项发展相对成熟、工作体系较为完善的疾病监测工作，已经形成了国际通用的数据收集标准和质量评价体系。例如，国际癌症研究机构（IARC）提出的可比性、完整性、有效性和时效性四个质量评价维度，为肿瘤登记数据质量的定量和半定量评价提供了依据。我国也于2021年发布了《中国肿瘤登记数据集标准》。

这些标准和规范为肿瘤登记工作的程序化和自动化提供了良好基础。我们希望探索通过程序化方法，将肿瘤登记工作中的数据标准和分析规则转化为可执行的程序，并在此基础上梳理和优化现有工作流程，通过数据分析自动化、报告生成模板化等方式，提高工作流程和分析结果的一致性，减少人工操作带来的误差，提升数据分析与报告编制的效率和可重复性。

我们拿肿瘤登记年报编制这项工作内容来说，年报数据要面向大众发布，对数据结果的可靠性要求很高，而且年报内容结构相对固定，因此，我们将肿瘤登记年报编制整个流程的工作，通过程序的方式进行了实现，包括从数据处理、统计分析、图表制作、年报撰写以及输出为报告成品，这也大大提高了我们的工作效率。

而这一流程也符合近年来提出的可重复性数据分析的理念，让这项工作从以统计结果为中心转向分析流程为中心，从而实现流程可以自动化执行，结果可追溯可验证，也提高了我们的工作效率。

2 肿瘤登记数据分析工具R语言包的开发实践

考虑到R语言开源、灵活且具有良好的可扩展性，我们选择以R语言作为肿瘤登记工具的主要开发平台。同时，依托GitHub、CRAN等开放平台，未来可以更加便捷地发布、共享和持续维护这些工具，促进工具的推广应用与协作开发。

我们按照“规范层—工具层—流程层—应用层”逐级递进的思路，首先将肿瘤登记相关的数据标准、编码规则、统计方法和质量评价标准等，通过开发R包转化为可执行的分析工具；在此基础上，梳理肿瘤登记的常用工作流程，通过程序将其标准化、自动化；同时，针对不同类型报告的内容、指标和格式要求，开发相应的R包，实现报告的规范化和自动化生成。最终，形成一套从数据处理、质量审核、统计分析到报告生成的可重复性数据分析工具体系。

2.1 crstds

2021年，全国肿瘤登记中心发布了《中国肿瘤登记数据集标准》。基于这一标准，我们开发了 crstds R语言包，将标准中的数据元及其相关信息内置到R包中，提供数据元信息查询、数据元值查询以及数据元值标准化转换等功能。

我们希望通过这一工具，实现肿瘤登记数据元信息的统一管理和版本控制。目前，我们正在开发的肿瘤登记信息系统也将使用该R包维护的数据元信息，确保不同工具和系统采用一致的数据标准。未来，我们还希望进一步将其拓展为标准化的数据元服务，为不同类型的肿瘤登记信息系统提供统一、可复用的数据标准支持。

2.2 crcheck

crcheck 是我们开发的一款用于肿瘤登记数据有效性和内部一致性逻辑审核的R语言包。该工具整合并借鉴了国际癌症研究机构（IARC）和欧洲癌症登记网络（ENCR）相关质量审核工具（如 IARCcrgTools 和 JRC Tools）中的审核规则，既能够对肿瘤登记变量，包括我国特有的登记变量，进行有效性及变量间内部一致性审核，也支持 ICD-10 与 ICD-O-3 编码转换、编码自动生成、疑似重复记录发现以及多原发癌初步识别等功能。

与传统的质量审核工具相比，crcheck 的主要优势在于能够更加灵活地嵌入批量化、自动化的数据处理流程，将审核规则转化为可执行、可重复、可追溯的程序，从而提高数据审核的效率和一致性，为可重复性数据分析理念在肿瘤登记工作中的应用提供工具支持。

2.3 canregtools

canregtools 是我们开发的一款用于肿瘤登记数据管理与常规统计分析的R语言包。在数据管理方面，支持登记处属性信息管理，以及不同登记处数据的合并、筛选、过滤和变量重命名等操作，为后续的统计分析和数据上报提供规范化的数据基础。

在统计分析方面，canregtools 提供了肿瘤登记常用的统计分析功能，包括发病率、死亡率、年龄标化率、截缩率以及数据质量评价指标等的计算，能够满足肿瘤登记日常数据分析和质量评价的基本需求。

通过将常用的数据管理与统计分析方法整合到统一的工具中，canregtools 有助于减少重复性操作，提高分析效率，并增强不同登记处之间统计方法和分析结果的一致性。

2.4 ltRISK

癌症终生风险是衡量癌症疾病负担的重要指标。我们开发的 ltRISK R语言包，整合了 DevCan、AMP、Wun 以及传统的0～74岁累积风险等多种估计方法，可以计算癌症终生风险及不同年龄条件下的患癌或死于癌症的概率。我们还将 ltRISK 的估计结果与美国国家癌症研究所（NCI）开发的 DevCan 软件进行了比较验证，结果具有较好的一致性。

在此基础上，我们进一步扩展了现有方法的功能。一方面，将 PMAJ 年龄平滑方法应用于 AMP 方法，使其年龄别风险估计结果更加平滑；另一方面，将 Delta 法和 Gamma 法引入 AMP 方法，用于估计终生风险的置信区间，从而为风险估计提供不确定性评价。

通过这些功能的整合与拓展，ltRISK 不仅实现了多种癌症终生风险估计方法的统一应用，也为癌症疾病负担研究提供了更加灵活、可重复的分析工具。

2.5 crtrend

在进行率的趋势分析时，我们通常会想到 Joinpoint 软件。crtrend 实现了基于贝叶斯信息准则（BIC）和置换检验（Permutation Test）的趋势变化节点识别，并支持通过经验法和参数法估计置信区间。与 Joinpoint 软件相比，crtrend 增加了基于 tidymodels 风格的批量建模功能，从而提高了 Joinpoint 趋势分析的效率。

2.6 ggcanreg

ggcanreg 是我们基于 ggplot2 开发的肿瘤登记数据可视化R语言包，支持快速生成肿瘤登记常用的统计图形，包括线图、条形图、人口金字塔图、饼图以及统计地图等。

同时，ggcanreg 生成的图形仍然是标准的 ggplot2 对象，可以直接利用 ggplot2 进行进一步的修改和个性化调整，既简化了常规统计图形的绘制过程，又保留了图形定制的灵活性，有助于提高肿瘤登记数据可视化的效率和规范性。

2.7 canreport

canreport 是前述工具的综合应用，可以基于原始个案数据生成省级、市级和县级肿瘤登记报告。在《2024河南省肿瘤登记年报》发布后，我们利用 canreport 为纳入年报的每个区县分别编制了肿瘤登记报告。

2.8 crflow

crflow则纳入了肿瘤登记常用工作流程，如工作进展、质量控制、逻辑审核等。

通过这一系列工具，实现肿瘤登记常见工作流程的程序化运行，让程序承担重复性工作，让专业人员更加专注于数据质量和科学问题。同时，我们也将在实际应用中持续优化和迭代这些工具，不断提高数据分析的准确性、规范性和可重复性。

3 肿瘤登记专业工具的智能化探索

随着 AI 能力的不断增强，它能够帮助我们完成越来越多的工作，但同时也带来了一些共性问题，比如统计结果的准确性与验证、分析过程的可重复性，以及数据安全和隐私保护的问题。

尽管如此，我认为我们仍然应该积极拥抱新技术。那么，如何才能更好、更安全地使用 AI 呢？

对于肿瘤登记工作而言，我认为数据安全和隐私保护始终是第一位的，尤其不能将原始个案数据直接暴露给 AI。

我们的经验是，可以借助 AI 的能力，将常见的工作流程和统计方法沉淀为工具，并对这些方法进行系统验证。在此基础上，为工具提供标准化的调用接口，使 AI 能够理解工具的功能、调用方式和适用场景，进而通过 Agent 或 Skill 调用这些工具，完成不同类型的工作任务。

目前，我们已经为部分R包添加了MCP工具接口，可以通过自然语言调用R包完成统计分析任务。未来，我们将进一步为更多R包开发MCP接口，使用户能够通过自然语言调用这些工具，完成不同类型的工作任务。

4 未来探索：让工具更实用、更易用

未来，我们将持续完善现有工具，提高计算效率，加强方法验证，完善文档和测试；同时，进一步梳理肿瘤登记的常用工作流程，并将其整合到工具中。我们也将不断降低工具的使用门槛，探索开发交互式界面，让不熟悉R语言的登记人员也能够使用这些工具。

我们将从实际工作中的具体问题出发，逐步完善工具，减少重复劳动，让肿瘤登记数据分析更加规范、高效，也更容易复用。