1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | pharmacoepidemiology-awslabs-hcls-agent-skills |
| 项目自述名称 | pharmacoepidemiology（SKILL.md name 字段原值） |
| 作者/维护者 | AWS Labs（GitHub 认证组织 awslabs），收录于官方合集 Agent Skills for Healthcare & Life Sciences |
| 来源链接 | https://github.com/awslabs/hcls-agent-skills/tree/main/skills/pharmacoepidemiology |
| 许可证 | MIT-0（仓库根 LICENSE 文件确认，GitHub API license 字段同步核实为 mit-0） |
| GitHub Stars/Forks | 所属合集仓库 12 / 4（GitHub API 实测 2026-08-04；仓库为 40 技能合集，星数不直接归属本技能个体，独立佐证见第 6 章） |
| 最新版本 | SKILL.md 声明 version: 1.0.0；子目录提交历史实测仅 1 次专属内容提交，日期 2026-06-09（首次公开发布） |
| 安装方式 | 复制该子目录（或单个 SKILL.md）至本地 agent 的 skills 目录，详见第 10 章 |
2. 功能介绍与亮点
pharmacoepidemiology 是纯提示词/推理型技能，把从非随机真实世界数据（保险理赔、电子病历、患者登记库）估计药物因果效应的核心方法学固化为可执行的决策流程。它围绕三大支柱展开：新使用者-主动对照设计（new-user active comparator design）、倾向评分方法与目标试验模拟（target trial emulation）、以及针对未测量混杂的敏感性分析。技能不运行任何工具或代码，帮助在动笔写分析代码之前先把研究设计本身的漏洞找出来。
亮点：
- 单文件近 400 行，10 个编号小节系统覆盖新使用者设计、主动对照选择决策树、目标试验映射表、免疫时间偏倚的三种修正方法、倾向评分匹配/加权/分层三法对比、协变量纳入排除的因果图规则、边际结构模型（应对时变混杂）、E-value 与阴性对照等敏感性分析、以及意向性治疗与符合方案两种因果对比的实施差异。
- 内置“设计要素速查表”（每项要素给出推荐做法与对应的红旗信号）与 14 条常见错误对照（错误做法 → 正确做法 → 为什么），覆盖流行率使用者偏倚、混杂由适应症导致、免疫时间偏倚等高频真实场景。
- 明确标注“不适用场景”（替代预先设定的统计分析计划、监管递交场景需人工专家把关）与需升级人工专家的边界。
- 引用 8 篇同行评审文献（Hernán、Suissa、VanderWeele 等因果推断领域权威作者），方法学有据可查，而非泛泛而谈。
3. 适用场景
固定分类：数据分析与可视化。适合流行病学家、真实世界证据（RWE）团队、HEOR 分析师在使用理赔或电子病历数据设计药物安全性/有效性研究时，用它规划新使用者队列、选择主动对照、避免免疫时间偏倚、在倾向评分匹配/加权/分层之间做选择，或在时变治疗场景下决定是否需要边际结构模型；也适合复核一份已有的观察性研究设计，检查是否遗漏关键的偏倚防范步骤。
4. 跨 Agent 兼容性
- Claude Code：✅ 原生支持——仓库 README 明确列出“Works with: Amazon Quick | Kiro | Claude Code | Codex”，遵循开放 Agent Skills 标准（agentskills.io），SKILL.md 为标准 YAML frontmatter + Markdown 正文，无平台专属代码；README 另给出
./install.sh --target claude-code专用安装路径，符号链接进.claude/skills/ - Codex：✅ 原生支持——同一份 README 同时点名 Codex，并可用通用 CLI
npx skills add .安装 - OpenClaw：❓ 未验证——公开材料未提及，但技能零代码执行、零平台专属依赖，迁移摩擦理论上很低
- Hermes Agent：❓ 未验证——公开材料未提及
5. 推荐理由
用非随机的真实世界数据估计药物因果效应，是流行病学里最容易“看似合理、实则有偏”的分析类型之一——免疫时间偏倚、混杂由适应症导致、流行率使用者偏倚这些陷阱不检查设计本身根本发现不了。这份技能把该领域的权威方法学（新使用者-主动对照设计、目标试验模拟、倾向评分三法、边际结构模型、E-value 敏感性分析）系统固化为一份自包含文档，零外部依赖、零代码执行、复制即用，让 agent 在设计或复核观察性研究时有据可依、能引用具体的偏倚机制与修正方法，同时明确标注不能替代预先设定的统计分析计划与监管场景下的人工把关。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7.0 | AWS Labs（GitHub 认证组织 awslabs）官方出品；合集仓库整体仅 12 星，该数字不代表本技能个体热度；暂无独立第三方对本技能的讨论证据 |
| 可用性 | 9.0 | 单文件 SKILL.md、零外部工具依赖，复制进 skills 目录即可用；10 个编号小节、决策树、要素速查表、14 类常见错误对照、8 篇同行评审引用；仓库最近推送 2026-07-22（约 2 周前）；无付费依赖 |
| 安全性 | 9.0 | 见下方安全检查清单 |
| 综合 | 8.3 | 三项均值，超过 7.0 达标线，安全性远超一票否决线 |
安全检查清单：
- Shell/权限范围：无——纯提示词/推理技能，不含任何脚本或命令，不执行任何操作
- 联网外发：无——不发起任何网络请求，完全基于用户在对话中提供的研究设计信息推理
- API Key/凭据：不需要
- 可疑指令/注入迹象：全文通读未发现任何要求执行流程外操作、访问文件或凭据的可疑指令
- 作者/组织信誉：AWS Labs，GitHub 认证官方组织，无造假迹象
- License：MIT-0，仓库根 LICENSE 文件明确声明，条款清晰、完全开源可审计
- 维护时间：首次发布 2026-06-09，仓库最近推送 2026-07-22
7. 跟同类 Skills 相比的优势
| 产品 | 定位 | 核心差异 |
|---|---|---|
| pharmacoepidemiology（本推荐） | 药物流行病学因果推断的纯方法学推理框架 | 聚焦“研究设计本身该怎么搭”这一步骤，零依赖零执行，含目标试验映射表与 14 类常见错误对照 |
| rwd-cohort-analysis-awslabs-hcls-agent-skills | 同合集的真实世界数据队列分析代码生成技能 | 面向“设计已定、需要跑代码”的下游场景，产出可执行的队列识别/依从性指标/生存分析代码，与本推荐互补而非重叠 |
| K-Dense-AI/scientific-agent-skills | 覆盖生物、化学、医学、药物发现的通用科研技能库（158 个技能） | 广度取胜、覆盖面极大，但对药物流行病学因果推断这一细分方法学没有专门深度，遇到目标试验模拟、边际结构模型等具体设计决策时不如本推荐可直接引用 |
对已确定要开展药物安全性/有效性观察性研究、需要把研究设计本身的偏倚防范做扎实的场景，本推荐直接命中；对设计已经定型、需要把队列识别与生存分析跑成代码的场景，宜搭配 rwd-cohort-analysis 一类流程技能。
8. 用户评价
该技能目前在第三方平台尚无具名用户评价。
9. 其他补充
所属合集 awslabs/hcls-agent-skills 在“药物流行病学与真实世界数据”领域下另收录 rwd-cohort-analysis（队列识别、依从性指标、生存分析代码生成），风格与文档深度一致；合集整体覆盖基因组学、单细胞分析、医学影像、蛋白质结构等 13 个领域共 40 个技能，供同一团队按需继续挑选。
10. 安装使用方式
- 克隆或下载仓库，将
skills/pharmacoepidemiology/子目录复制到本地 agent 的 skills 目录（Claude Code 为.claude/skills/） - 也可只下载单个
SKILL.md文件放入 skills 目录，无需仓库其余部分 - 触发方式：对话中提及主动对照、新使用者设计、目标试验模拟、免疫时间偏倚、倾向评分匹配、IPTW、边际结构模型、E-value 等关键词，或直接要求“帮我设计一个药物安全性研究”即会被路由到该技能
- 无需重启、无需安装依赖、无需 API Key，安装后立即可用
11. 注意事项
- 技能本身不替代预先设定并注册的统计分析计划，仍需生物统计学家把关签字
- 结果若将提交监管机构作为真实世界证据，技能明确建议升级人工专家复核，不给出确定性结论
- 依赖用户已具备claims/EHR/登记库数据的基本认知（如 ICD-10 编码、理赔字段），不含从原始数据文件提取队列的能力，需搭配上游数据处理流程（如同合集的 rwd-cohort-analysis）
- 所属合集仓库整体仅 12 星，创建于 2026-05-04，发布时间较新，尚未经过大规模社区验证