疾病模块、网络邻近度与药物重定位12 / 18
验证的层次：从回顾性基准到临床试验
网络医学给出的是假设和排序，可信度取决于它经受了哪一层次的检验。下表按证据由弱到强排列（各层并非互相替代，而是逐层递进）：
| 层次 | 做法 | 能说明什么 | 主要风险 |
|---|---|---|---|
| 回顾性基准 | 用已知适应症、已知疾病基因计算 AUROC、召回率 | 方法能否“找回”已知知识 | 已知知识本身有研究偏倚；数据泄漏 |
| 文献与数据库佐证 | 检索候选药物–疾病对的已有报道、临床试验登记 | 预测与既有知识一致 | 选择性引用；“佐证”与“验证”混淆 |
| 转录组与功能数据 | 药物是否逆转疾病表达特征（如 Connectivity Map）；GWAS、罕见变异的独立支持 | 提供方向性与独立数据支持 | 细胞系与组织差异 |
| 电子病历 / 医保数据 | 药物流行病学：比较使用与不使用候选药物人群的结局 | 真实人群中的关联 | 混杂、适应证偏倚、时间相关偏倚 |
| 体外与动物实验 | 细胞活性、病毒抑制、敲低实验、动物模型 | 机制与生物学可行性 | 剂量与人体暴露不一致；模型外推性 |
| 随机对照试验 | 前瞻、随机、预先登记终点 | 因果疗效与安全性 | 成本高、周期长 |
人群数据的药物流行病学检验
医保理赔数据和电子病历（EHR）样本量大、覆盖真实用药，是从网络预测走向临床的重要中间层。常用设计要点：
- 新用户设计与活性对照：比较开始使用候选药物的患者与开始使用同一适应证另一药物的患者，减少“适应证混杂”（使用某药的人本来就与不用药的人不同）；
- 倾向评分匹配或加权：平衡可观测的基线协变量，Cheng 等（2018）即采用倾向评分匹配；
- 目标试验模拟（target trial emulation；Hernán 与 Robins 2016）：先写出一项理想随机试验的方案（入组、干预、随访起点、结局），再用观察数据逐项模拟，可避免不朽时间偏倚（immortal time bias）等常见错误；
- 阴性对照结局与敏感性分析：检验未测混杂的可能大小。
观察数据中的关联即使经过匹配，也不等于因果。Cheng 等（2018）中羟氯喹与冠心病风险降低的关联，与 COVID-19 期间羟氯喹在随机试验中无效，是两个不同的问题（适应证、人群、终点都不同），但同样说明：只有随机对照试验能确立疗效。
前瞻性与预先登记
Gysi 等（2021）的设计值得借鉴：在看到实验结果之前固定各流程的预测，再用 918 种药物的筛选结果评估。这相当于在计算研究中做“预先登记”，避免根据实验结果回头调整方法、挑选有利的流程。