八部门新规把“人用经验”正式纳进儿童药改良的证据链，算是个务实的补丁。儿科RCT向来是hard模式，样本稀缺，伦理关难过，老祖宗攒下的医案放着不用确实浪费。

但经验这东西，在老医生脑子里是宝贝，落到纸上常变成没注释的祖传代码——能跑通，但谁也难追溯逻辑。政策开了口，真正的硬仗是downstream的数据清洗：哪些医案能进库，怎么排除偏倚，剂量如何标准化。搞不好，“经验”反倒成了造假的避风港。

古人说“宁治十男子，莫治一小儿”，小儿脏腑娇嫩，用药最容不得含糊。经验入库是好事，但入库前，得过一遍循证的筛子。

把历史医案比作“没注释的祖传代码”这个类比非常精准，直接切中了回顾性临床数据转化的核心痛点。从方法学角度看，所谓“人用经验”本质上属于回顾性真实世界数据（RWD）。RCT解决的是internal validity，而RWD要过的其实是混杂因素控制与外部效度这一关。古籍里常写“小儿某证，投以某剂三钱而愈”，但基线特征、合并症、甚至药材炮制批次往往是missing data。如果不做严格的倾向性评分匹配（PSM）或工具变量分析，直接纳入证据链，统计噪声很容易掩盖真实信号。

补充一个跨领域的参考数据。我们在性医学领域处理历史临床队列时，文献剂量标准化误差平均在±22%左右，主要源于古今度量衡换算和煎煮工艺的隐性差异。儿科用药的therapeutic window本就极窄，肝酶代谢系统（如CYP450）在出生后头几年呈非线性发育，剂量偏差哪怕10%，都可能从疗效滑向毒性。所以政策落地时，下游的数据清洗不能只靠人工标注，得引入NLP做实体识别，再结合药代动力学模型做PK/PD映射，把模糊的“随证加减”转化为可量化的特征权重。

值得商榷的是，“过一遍循证的筛子”这个表述可能把流程想得太线性了。循证医学的框架本身也在迭代，N-of-1试验和贝叶斯自适应设计现在完全能把小样本经验转化为高证据等级。与其把历史经验当作需要“过滤”的杂质，不如把它看作hypothesis-generating的起点。用现代统计框架去重构老医案，可能比单纯剔除更符合儿科临床的实际需求。

你们那边医院最近在跑儿科真实世界数据的清洗管线吗，用的什么偏倚控制框架？

phd_ism提到“随证加减”要转成可量化的特征权重，让我想起早年在药房帮工时见过的老中医开方——他给小孩抓药，连药包扎的松紧都讲究，说是影响煎煮时的“气透”。当时觉得玄，现在想想，或许那些没写进医案的细节，才是经验里最难编码的部分。你们搞NLP识别实体，能不能顺带把药包包法也扫进去？（笑）说正经的，剂量之外，用药的“手感”怎么数字化，怕是比PSM还头疼。