本文是“中医药科研地图”的临床研究与证据评价篇。上一篇讨论一个新证候需要跨过哪些证据门槛，这一篇继续回答其中最具体的一步：怎样让不同研究者能够重复识别同一个证候？
假设三位医生面对同一名患者，分别作出了“气虚”“气阴两虚”和“气虚夹瘀”的判断。
在真实临床中，这种差异未必意味着谁对谁错。医生掌握的信息不同，重视的症状不同，患者的证候也可能处在动态变化之中。辨证原本就不是把几个症状机械相加。
但如果这名患者要进入一项临床研究，问题就变了。
研究者必须说明：什么条件下算气虚？哪些症状不可缺少？舌脉占多大权重？两位医生意见不同时怎么办？今天符合标准、下周不符合，又应该怎样记录？
如果这些规则没有预先说清楚，所谓“气虚组”和“非气虚组”可能只是不同医生经验的分组。后面即使统计方法再复杂，也很难知道研究结果究竟对应哪一类患者。
这正是证候诊断标准试图解决的问题。
本文的中心判断是：
证候标准化不是把辨证论治变成僵硬量表，而是把特定用途下的隐含临床判断转化为可以交流、检验和修订的规则。专家共识可以确定临床上值得观察什么，数据模型可以估计条目怎样组合，但二者都不能单独证明标准成立；可靠的证候诊断标准还必须明确适用边界、参照标准与诊断阈值，并经过观察者一致性和独立样本验证。
图1 从适用边界到独立验证，证候诊断标准通常要经过八个相互衔接的环节。前一步做得充分，并不代表后一步自然成立。
标准化的不是整个辨证论治
一提到“证候标准化”，最容易出现两种相反的想象。
一种认为，只要把症状列成表格、规定“主症两项加次症一项”，中医辨证就变得客观了；另一种则担心，任何固定标准都会抹去患者差异，使辨证论治失去灵活性。
两种想象都把诊断标准的作用放得过大。
证候诊断标准首先是一条识别规则：在明确的人群、疾病阶段和研究目的中，依据哪些信息，可以把患者归入某个证候。它不负责替代完整的临床判断，也不自动决定处方、剂量和加减变化。
研究中常见两种建立方式[1]：
- 以证统病：为血瘀、气虚等证候寻找跨疾病的共同表现。
- 病证结合：先限定冠心病、高血压等疾病或某个治疗阶段，再建立该情境中的证候标准。
前者强调同一证候的共性，却要面对不同疾病表现并不完全相同的问题；后者边界更清楚、可操作性更强，却不能把某一种疾病里的标准直接推广到所有患者。
2021年一项证候诊断研究现状分析纳入了截至2018年10月的1,001篇文献，其中949篇采用病证结合模式[2]。这个历史样本说明，现有研究大多选择先把疾病边界固定下来，再讨论其中的证候，而不是试图一次建立适用于所有疾病的通用答案。
先分清四种看起来很像的文件
公众号和论文中，经常把“共识”“标准”“指南”和“量表”放在一起说。它们可能互相包含，却解决不同问题。
| 名称 | 主要回答什么 | 不能自动证明什么 |
|---|---|---|
| 专家共识 | 专家对术语、条目或实践建议达成了什么意见 | 不能证明诊断规则在患者中足够准确 |
| 诊断标准 | 什么条件下把一个人判断为某病或某证 | 不能证明按此标准治疗一定有效 |
| 疗效评价标准 | 治疗前后用什么指标、在什么时间判断变化 | 不能代替治疗组与对照组的因果比较 |
| 临床实践指南 | 面对具体临床问题，综合证据后建议怎样决策 | 不等于其中每一项证候分类都经过独立验证 |
专家共识可以成为诊断标准形成的一部分，诊断标准也可以写进临床指南。但“专家一致同意某几项症状重要”，与“这些症状能够准确区分患者”，仍然是两个不同强度的命题。
第一步不是计算，而是限定问题
一项证候标准研究如果开头只写“建立气虚证诊断标准”，范围可能仍然太大。
研究者至少需要继续限定：它面对哪种疾病、哪一阶段、哪类人群？用于临床研究纳入、辅助日常辨证，还是评价治疗前后的证候变化？
这些问题会直接改变后面的条目。
同样是血瘀证，冠心病患者可能突出胸痛、胸闷，其他疾病中的血瘀表现却未必相同。把某病中的高频症状写入诊断标准，可以提高该场景的识别能力，却也缩小了它能够外推的范围。
因此，标准不是越“普适”越好。一个边界清楚、用途明确的局部标准，可能比声称适用于所有疾病的宽泛标准更可信。
从临床语言建立候选条目
边界确定以后，研究者才开始收集证候可能包含的信息。
常见入口包括古今文献、教材和既有标准，也包括专家经验与临床病例。文献研究的目的不是从古籍中找到一句话便宣布标准成立，而是尽可能完整地建立候选条目池：这个证候曾经怎样命名，出现过哪些症状和体征，哪些表述其实含义相同，哪些名称相近却指向不同概念。
术语规范是这一阶段容易被忽略的工作。
“乏力”“倦怠乏力”“神疲乏力”能否合并？“舌紫暗”和“舌有瘀斑瘀点”是不是同一个条目？如果不同医院对“少气”“短气”或舌色程度的理解不同，后面的统计分析只是在计算不一致的观察。
2023年发布的《中医证候诊断标准研制指南》把文献研究、症状信息提取和术语规范放在临床调查之前[3]。这意味着标准化首先要处理语言，而不是急着选择一种算法。
专家咨询决定“值得观察什么”
候选条目往往很多，其中既有典型表现，也有伴随症状和低频信息。研究者通常会邀请相关领域专家进行多轮咨询。
德尔菲法的基本思路，是让专家相对独立、匿名地评分；研究者汇总上一轮结果和意见，再反馈给专家进行下一轮判断。与一次座谈会相比，它试图减少资历、职位和现场气氛对意见的影响。
但“做了两轮德尔菲”本身不是质量保证。专家来自哪些地区和学派、怎样遴选、是否真的匿名、预先规定了什么共识阈值、退出者有多少、不同意见是否被保留，都会影响结果。相关方法学研究发现，中医药指南与专家共识对专家遴选和共识过程的报告仍不充分[4]。
更重要的是，专家咨询解决的是内容合理性：哪些条目符合理论与临床经验，值得进入下一步调查。
它不能单独证明某个条目具有多高的灵敏度，也不能证明专家给出的权重就是患者数据中的最佳权重。专家意见是证据链的一环，不是终点。
临床调查让经验接受数据检验
经过文献和专家筛选，研究者可以形成一份临床调查表，在真实患者中收集症状、体征、舌脉以及必要的疾病信息。
理想情况下，这一步应预先确定纳入和排除标准、调查时间窗、症状定义与分级方式，并覆盖不同地区和不同层级的医疗机构。调查者还需要经过统一培训，否则同一个条目在不同中心可能仍然不是同一件事。
临床数据主要回答三个问题：
- 哪些条目在目标证候中更常出现？
- 哪些条目对区分相邻证候更有帮助？
- 多个条目怎样组合，才能形成可执行的判断？
描述性统计、回归分析、因子分析、结构方程、聚类和机器学习都可能在这里出现。但方法越复杂，不代表标准越可靠。
算法可以告诉我们某些变量如何共同变化，却不知道这种组合是否符合中医概念；它可以在数据中分出几类，却不能证明每一类都是自然存在的证候实体。统计结果仍需回到理论边界和临床解释中接受检查。
权重和阈值，是规则也是取舍
不是每个症状对诊断都同样重要。研究者可能给典型症状较高分，给辅助症状较低分，再把各项得分相加。
接下来必须确定：总分达到多少，才判断为某证？
这个分界就是诊断阈值。ROC曲线等方法可以帮助研究者观察不同阈值下灵敏度和特异度怎样变化[5]。
阈值放低，更多患者会被识别出来，漏掉的可能减少，但把非该证患者纳入的机会也会上升；阈值提高，判断会更严格，却可能漏掉表现不典型的人。
所以，阈值不是模型从自然界中发现的一条唯一界线，而是在研究目的、漏判代价和误判代价之间作出的选择。
用于筛选临床试验受试者的阈值，和用于日常辅助辨证的阈值，未必应该完全相同。研究者如果只报告“最佳截点”，却不说明最佳是相对于什么目标，读者仍然不知道这条界线为何合理。
图2 诊断阈值本质上是在漏判与误判之间作取舍。图中分布为原理示意，不代表真实患者数据。
最难的一步：拿什么作为“正确答案”
计算诊断标准的灵敏度和特异度，需要先知道哪些患者“实际属于”某个证候。这就需要一个参照标准。
许多证候研究会邀请两三位高年资中医师独立辨证，以多数一致意见作为参照。2013年一项介入术后冠心病研究在23家医院纳入1,050例患者，用专家辨证作为参照，评价新标准的灵敏度、特异度、ROC曲线和观察者一致性[6]。
这是一种现实可行的设计，却有一个无法回避的问题：专家也可能判断不一致，专家共识本身并不是无误的金标准。
如果新标准最初就来自同一套专家经验，最后又以相近的专家判断验证它，研究就可能形成一个循环：规则与专家越相似，看起来越“准确”，但这不一定证明它更接近一个独立存在的临床真相。
2016年一项缺血性中风研究直接把这个问题称为“不完善金标准”，并使用量表、既有标准和三位专家的判断，对灵敏度和特异度进行校正估计[7]。它提醒我们：诊断性能并不是脱离参照标准而独立存在的数字。
因此，“与专家判断高度一致”最稳妥的解释是，这套规则在特定参照体系下具有较好的一致性或区分能力。它还不能被改写成“已经证明该证候客观存在”。
同一批数据表现好，还不够
如果研究者在同一批患者中筛选条目、调整权重、寻找阈值，最后又用这批患者报告准确率，结果通常会偏乐观。
这就像根据一套试题总结出答题规律，再用原题检验自己，成绩很高并不意外。
更可靠的做法，是把数据分成建模样本和验证样本，或者在另一时间、另一医院、另一地区重新收集患者。前者检查模型是否只记住了原始数据，后者进一步检查标准能否跨越真实环境的差异。
观察者一致性也不能省略。同一标准交给不同医生使用，如果仍然产生很不一样的结果，说明条目定义、信息采集或判断规则还不够清楚。
2021年的现状分析中，1,001篇纳入研究只有42篇最终形成规范、标准或包含诊断标准的指南，涉及验证的只有9篇[2]。这个数字不能代表2026年的全部现状，却揭示了一条长期存在的落差：提出条目和模型的研究很多，真正走到验证和发布的标准很少。
标准化与个体化的边界在哪里
证候具有疾病阶段、时间和情境属性。近期研究也再次强调，证候标准化需要回应其动态时空特征，而不能只留下静态症状组合[8]。
这并不意味着标准化注定失败，而是说明标准必须写清楚自己的边界。
一项面向某种疾病急性期建立的标准，可以帮助研究者使用共同语言纳入患者；医生在此基础上，仍然可以继续判断兼夹证、体质差异和病程变化。共同规则与个体判断处理的不是同一个层次。
真正的冲突发生在越界使用：把为某病、某阶段和某研究目的建立的规则，当成适用于所有疾病、所有时间的唯一辨证答案。
好的标准不是替医者完成辨证，而是让一项科研中的辨证判断可以被别人复核。
看到一篇“建立诊断标准”的论文，可以问什么
读者不需要掌握所有统计公式，也可以用六个问题判断证据走到了哪里：
- 边界清楚吗？ 标准适用于哪种疾病、人群、阶段和用途？
- 条目从哪里来？ 是否经过文献、术语规范和临床专家筛选？
- 数据怎样收集？ 是否为前瞻性、多中心调查，观察者是否统一培训？
- 权重和阈值怎样确定？ 是专家直接规定，还是临床数据建模；选择依据是否透明？
- 参照标准是什么？ 专家判断、既有标准还是其他方法，它本身可能有什么误差？
- 验证是否独立？ 是否更换样本、中心或时间，是否报告观察者一致性和适用限制？
如果一项研究只完成了文献整理和专家咨询，它可以形成值得检验的标准草案；如果在单中心样本中建立了评分模型，它可以被称为探索性标准。只有继续经过独立验证和应用再评价，规则才逐渐获得更强的可信度。
从临床经验到诊断标准，不是把经验交给公式加工一次，而是让经验在一连串公开规则中接受检验。
标准因此不会终结辨证。恰恰相反，它让研究者有机会看见：我们在哪些地方已经取得共识，哪些差异来自信息采集，哪些差异仍然属于尚未解决的临床问题。
参考文献
- 张佳乐，张逸雯，王孟秋，等. 中医证候诊断标准研制现状与思考[J]. 中华中医药杂志，2024，39(1):33-38.
- 春柳，谢洋，赵虎雷，等. 基于文献的中医证候诊断规范研制现状分析[J]. 中医杂志，2021，62(2):169-172. DOI:10.13288/j.11-2166/r.2021.02.016.
- 世界中医药学会联合会，呼吸疾病中医药防治省部共建协同创新中心，河南中医药大学，等. 中医证候诊断标准研制指南[J]. 中国循证医学杂志，2023，23(9):993-998. DOI:10.7507/1672-2531.202303134.
- 梁昌昊，尹冠翔，王雅琪，等. 中医药临床实践指南制订和修订中德尔菲法应用的方法流程及建议[J]. 协和医学杂志，2023，14(5):1084-1090. DOI:10.12290/xhyxzz.2022-0649.
- 刘槟，张培彤. 建立中医证候量化诊断标准关键步骤的方法学评述[J]. 中医杂志，2020，61(24):2204-2208. DOI:10.13288/j.11-2166/r.2020.24.017.
- 郗瑞席，陈可冀，史大卓，等. 介入术后冠心病中医证候诊断标准的评价[J]. 中国中西医结合杂志，2013，33(8):1036-1041. DOI:10.7661/CJIM.2013.08.1036.
- 刘强，王肖南，王少卿，等. 缺血性中风证候要素诊断量表不完善金标准验证结果的校正[J]. 中医杂志，2016，57(11):949-952. DOI:10.13288/j.11-2166/r.2016.11.014.
- 张云帆，赵迪，魏竞竞，等. 证候特征诠释视角下证候标准化的思路探讨与实践[J]. 北京中医药大学学报，2026，49(6):763-769.