臨床判断支援文書

説明

医療用医薬品企業、臨床研究者、医療判断者向けの専門的臨床判断支援（CDS）文書を生成します。本スキルは治療戦略と医薬品開発を支援する分析的でエビデンスに基づいた文書を専門としています：

1. 患者コホート分析 - バイオマーカー層別化グループ分析と統計転帰比較
2. 治療推奨レポート - GRADE評価と判定アルゴリズムを含むエビデンスに基づく臨床ガイドライン

すべての文書は医療用医薬品研究、規制提出、臨床ガイドライン開発に最適化された出版品質の LaTeX/PDF ファイルとして生成されます。

注釈： 臨床現場での個別患者の治療計画については、代わりに treatment-plans スキルを使用してください。本スキルはグループレベルの分析と医療用医薬品/研究設定向けのエビデンス統合に焦点を当てています。

機能

文書タイプ

患者コホート分析

• バイオマーカーに基づいた患者層別化（分子サブタイプ、遺伝子発現、IHC）
• 分子サブタイプ分類（例：GBM mesenchymal-immune-active vs proneural、乳がんサブタイプ）
• 統計分析を伴う転帰メトリクス（OS、PFS、ORR、DOR、DCR）
• サブグループ間の統計比較（ハザード比、p値、95% CI）
• Kaplan-Meier曲線とログランク検定を伴う生存分析
• 有効性表とウォーターフォールプロット
• 比較有効性分析
• 医療用医薬品コホートレポート（試験サブグループ、実世界エビデンス）

治療推奨レポート

• 特定の疾患状態に対するエビデンスに基づく治療ガイドライン
• 推奨の強度の等級付け（GRADEシステム：1A、1B、2A、2B、2C）
• エビデンスの質の評価（高、中、低、非常に低い）
• TikZダイアグラムを用いた治療アルゴリズムフローチャート
• バイオマーカーに基づく治療ライン階層化
• 臨床および分子基準を用いた判定経路
• 医療用医薬品戦略文書
• 医学会向け臨床ガイドライン開発

臨床的特徴

• バイオマーカー統合：ゲノム変異（変異、CNV、融合）、遺伝子発現シグネチャ、IHCマーカー、PD-L1スコアリング
• 統計分析：ハザード比、p値、信頼区間、生存曲線、Cox回帰、ログランク検定
• エビデンス評価：GRADEシステム（1A/1B/2A/2B/2C）、Oxford CEBM レベル、エビデンスの質評価
• 臨床用語：SNOMED-CT、LOINC、適切な医学用語、試験用語
• 規制遵守：HIPAA de-identification、機密性ヘッダー、ICH-GCP適合
• 専門的フォーマット：コンパクト0.5インチマージン、色分けされた推奨、出版品質、規制提出に適した形式

医療用医薬品および研究使用例

本スキルは医療用医薬品と臨床研究アプリケーション向けに特別に設計されています：

医薬品開発

• Phase 2/3試験分析：バイオマーカー層別化有効性および安全性分析
• サブグループ分析：患者サブグループ全体の治療効果を示すフォレストプロット
• コンパニオン診断薬開発：バイオマーカーから薬物反応へのリンク
• 規制提出：エビデンス要約を含むIND/NDA文書

医学関連事務

• KOL教育資料：意見指導者向けのエビデンスに基づく治療アルゴリズム
• 医学戦略文書：競合分析と位置付け戦略
• 諮問委員会資料：コホート分析と治療推奨フレームワーク
• 出版計画：査読済み学術誌向けの原稿対応分析

臨床ガイドライン

• ガイドライン開発：専門学会向けGRADE方法論を用いたエビデンス統合
• コンセンサス推奨：多くの利害関係者による治療アルゴリズム開発
• 診療基準：バイオマーカーに基づいた治療選択基準
• 質的測定：エビデンスに基づいたパフォーマンスメトリクス

実世界エビデンス

• RWEコホート研究：EMRデータからの患者コホートの後向き分析
• 比較有効性：実世界設定での治療の頭部対頭部比較
• アウトカム研究：臨床診療における長期生存と安全性
• ヘルスエコノミクス：バイオマーカーサブグループ別の費用効果分析

使用時期

以下が必要な場合、本スキルを使用してください：

• バイオマーカー、分子サブタイプ、または臨床特性で層別化された患者コホートを分析する
• 臨床ガイドラインまたは医療用医薬品戦略向けのエビデンス評価を伴う治療推奨レポートを生成する
• 統計分析（生存、反応率、ハザード比）を伴い患者サブグループ間の転帰を比較する
• 医薬品開発、臨床試験、または規制提出向けの医療用医薬品研究文書を作成する
• GRADE エビデンス評価と判定アルゴリズムを伴う臨床診療ガイドラインを開発する
• 集団レベルでのバイオマーカーガイド治療選択を文書化する（個別患者ではなく）
• 複数の試験または実世界データソースからのエビデンスを統合する
• 治療階層化のためのフローチャートを含む臨床判定アルゴリズムを作成する

本スキルを使用しないでください：

• 個別患者の治療計画（treatment-plans スキルを使用）
• 臨床現場の医療文書（treatment-plans スキルを使用）
• 単純な患者固有の治療プロトコル（treatment-plans スキルを使用）

AI生成フィギュアによる視覚的強化

⚠️ 必須：すべての臨床判断支援文書は scientific-schematics スキルを使用した1～2つの AI生成フィギュアを含む必要があります。

これはオプションではありません。臨床判定文書には明確な視覚アルゴリズムが必要です。文書を最終化する前に：

1. 最低限1つのスキーマまたはダイアグラムを生成します（例：臨床判定アルゴリズム、治療経路、バイオマーカー層別化ツリー）
2. コホート分析の場合：患者フロー図を含める
3. 治療推奨の場合：判定フローチャートを含める

フィギュアを生成する方法：

• scientific-schematics スキルを使用して AI 駆動の出版品質ダイアグラムを生成する
• 自然言語で希望するダイアグラムを説明してください
• Nano Banana Pro が自動的にスキーマを生成、確認、改良します

スキーマを生成する方法：

python scripts/generate_schematic.py "your diagram description" -o figures/output.png

AI は自動的に以下を実行します：

• 適切なフォーマットで出版品質の画像を作成
• 複数の反復を通じて確認と改良
• アクセシビリティを確保（色覚異常対応、高コントラスト）
• 図表/ディレクトリに出力を保存

スキーマを追加する時期：

• 臨床判定アルゴリズムフローチャート
• 治療経路図
• バイオマーカー層別化ツリー
• 患者コホートフロー図（CONSORT スタイル）
• 生存曲線の可視化
• 分子機構図
• 視覚化から利益を得る複雑な概念

スキーマ作成の詳細なガイダンスについては、scientific-schematics スキル文書を参照してください。

---

文書構造

重要な要件：すべての臨床判断支援文書は目次や詳細なセクションの前にページ1全体に及ぶ完全なエグゼクティブサマリーで始まる必要があります。

ページ1エグゼクティブサマリー構造

すべてのCDS文書の最初のページは、以下のコンポーネントを含むエグゼクティブサマリーのみで構成される必要があります：

必須要素（すべてページ1上）：

1. 文書タイトルと型

   • メインタイトル（例：「バイオマーカー層別化コホート分析」または「エビデンスに基づく治療推奨」）
   • 疾患状態と焦点を伴う副タイトル

2. レポート情報ボックス（色付きtcolorbox を使用）

   • 文書型と目的
   • 分析/レポートの日付
   • 疾患状態と患者集団
   • 著者/機関（該当する場合）
   • 分析フレームワークまたは方法論

3. キーファイディングボックス（3～5個の色付きtcolorbox を使用）

   • 主要結果（青いボックス）：主要な有効性/転帰の知見
   • バイオマーカー洞察（緑のボックス）：重要な分子サブタイプの知見
   • 臨床的含意（黄/オレンジのボックス）：実行可能な治療含意
   • 統計要約（灰色のボックス）：ハザード比、p値、主要統計
   • 安全性ハイライト（赤いボックス、該当する場合）：重大な有害事象または警告

視覚的要件：

• ページ1からページ番号を削除するために \thispagestyle{empty} を使用
• すべてのコンテンツはページ1に適切に収まる必要があります（\newpage の前）
• 視覚的階層のために色付きtcolorbox環境を異なる色で使用
• ボックスはスキャン可能で最も重要な情報を強調すべき
• 段落ではなく箇条書きを使用
• 目次または詳細なセクションの前の \newpage でページ1を終了

例 - ページ1の LaTeX 構造：

\maketitle
\thispagestyle{empty}

% Report Information Box
\begin{tcolorbox}[colback=blue!5!white, colframe=blue!75!black, title=Report Information]
\textbf{Document Type:} Patient Cohort Analysis\\
\textbf{Disease State:} HER2-Positive Metastatic Breast Cancer\\
\textbf{Analysis Date:} \today\\
\textbf{Population:} 60 patients, biomarker-stratified by HR status
\end{tcolorbox}

\vspace{0.3cm}

% Key Finding #1: Primary Results
\begin{tcolorbox}[colback=blue!5!white, colframe=blue!75!black, title=Primary Efficacy Results]
\begin{itemize}
    \item Overall ORR: 72\% (95\% CI: 59-83\%)
    \item Median PFS: 18.5 months (95\% CI: 14.2-22.8)
    \item Median OS: 35.2 months (95\% CI: 28.1-NR)
\end{itemize}
\end{tcolorbox}

\vspace{0.3cm}

% Key Finding #2: Biomarker Insights
\begin{tcolorbox}[colback=green!5!white, colframe=green!75!black, title=Biomarker Stratification Findings]
\begin{itemize}
    \item HR+/HER2+: ORR 68\%, median PFS 16.2 months
    \item HR-/HER2+: ORR 78\%, median PFS 22.1 months
    \item HR status significantly associated with outcomes (p=0.041)
\end{itemize}
\end{tcolorbox}

\vspace{0.3cm}

% Key Finding #3: Clinical Implications
\begin{tcolorbox}[colback=orange!5!white, colframe=orange!75!black, title=Clinical Recommendations]
\begin{itemize}
    \item Strong efficacy observed regardless of HR status (Grade 1A)
    \item HR-/HER2+ patients showed numerically superior outcomes
    \item Treatment recommended for all HER2+ MBC patients
\end{itemize}
\end{tcolorbox}

\newpage
\tableofcontents  % TOC on page 2
\newpage  % Detailed content starts page 3

患者コホート分析（詳細なセクション - ページ3以降）

• コホート特性：人口統計、ベースライン特性、患者選択基準
• バイオマーカー層別化：分子サブタイプ、ゲノム変異、IHCプロファイル
• 治療曝露：受けた治療、投与量、サブグループ別の治療期間
• 転帰分析：反応率（ORR、DCR）、生存データ（OS、PFS）、DOR
• 統計方法：Kaplan-Meier生存曲線、ハザード比、ログランク検定、Cox回帰
• サブグループ比較：バイオマーカー層別化有効性、フォレストプロット、統計的有意性
• 安全性プロファイル：サブグループ別有害事象、用量修正、中止
• 臨床推奨：バイオマーカープロファイルに基づいた治療含意
• フィギュア：ウォーターフォールプロット、スイマープロット、生存曲線、フォレストプロット
• 表：人口統計表、バイオマーカー頻度、サブグループ別転帰

治療推奨レポート（詳細なセクション - ページ3以降）

治療推奨向けページ1エグゼクティブサマリーは以下を含めるべき：

1. レポート情報ボックス：疾患状態、ガイドラインバージョン/日付、対象集団
2. 主要推奨ボックス（緑）：治療ラインごとの最上位3～5つのGRADE等級付け推奨
3. バイオマーカー判定基準ボックス（青）：治療選択に影響する主要分子マーカー
4. エビデンス要約ボックス（灰色）：推奨を支持する主要試験（例：KEYNOTE-189、FLAURA）
5. 重要な監視ボックス（オレンジ/赤）：不可欠な安全性監視要件

詳細なセクション（ページ3以降）：

• 臨床的背景：疾患状態、疫学、現在の治療環境
• 対象集団：患者特性、バイオマーカー基準、ステージング
• エビデンスレビュー：系統的文献統合、ガイドライン要約、試験データ
• 治療選択肢：利用可能な治療と作用機序
• エビデンス評価：各推奨に対するGRADE評価（1A、1B、2A、2B、2C）
• 治療ラインごとの推奨：第一選択、第二選択、後続治療
• バイオマーカーガイド選択：分子プロファイルに基づいた判定基準
• 治療アルゴリズム：判定経路を示すTikZフローチャート
• 監視プロトコル：安全性評価、有効性監視、用量修正
• 特殊集団：高齢者、腎臓/肝臓障害、併存疾患
• 参考文献：試験名と引用を伴う完全な参考文献リスト

出力形式

ページ1の必須要件：

• ページ1：3～5個の色付きtcolorbox要素を伴う全ページエグゼクティブサマリー
• ページ2：目次（オプション）
• ページ3以降：方法、結果、フィギュア、表を含む詳細セクション

文書仕様：

• 主要形式：コンパクトなデータ密集型提示のための0.5インチマージンを伴うLaTeX/PDF
• 長さ：通常5～15ページ（1ページのエグゼクティブサマリー + 4～14ページの詳細コンテンツ）
• スタイル：出版品質、医療用医薬品グレード、規制提出に適した形式
• ページ1：常にページ1全体に及ぶ完全なエグゼクティブサマリー（文書構造セクションを参照）

視覚的要素：

• 色：
  • ページ1ボックス：青=データ/情報、緑=バイオマーカー/推奨、黄/オレンジ=臨床的含意、赤=警告
  • 推奨ボックス（緑=強い推奨、黄=条件付き、青=研究必要）
  • バイオマーカー層別化（色分けされた分子サブタイプ）
  • 統計的有意性（色分けされたp値、ハザード比）
• 表：
  • ベースライン特性を伴う人口統計
  • サブグループ別のバイオマーカー頻度
  • 転帰表（分子サブタイプ別ORR、PFS、OS、DOR）
  • コホート別の有害事象
  • GRADE評価を伴うエビデンス要約表
• フィギュア：
  • ログランクp値と患者数表を伴うKaplan-Meier生存曲線
  • 患者別の最良反応を示すウォーターフォールプロット
  • 信頼区間を伴うサブグループ分析用フォレストプロット
  • TikZ判定アルゴリズムフローチャート
  • 個別患者タイムラインのスイマープロット
• 統計：ハザード比（95% CI）、p値、中央生存時間、ランドマーク生存率
• 遵守：HIPAA Safe Harbor に従う de-identification、機密データの機密通知

統合

本スキルは以下と統合されます：

• scientific-writing：引用管理、統計レポート、エビデンス統合
• clinical-reports：医学用語、HIPAA 遵守、規制文書
• scientific-schematics：判定アルゴリズムと治療経路用 TikZ フローチャート
• treatment-plans：コホート導出の洞察の個別患者アプリケーション（双方向）

Treatment-Plans スキルとの重要な違い

臨床判断支援（本スキル）：

• 対象者：医療用医薬品企業、臨床研究者、ガイドラインコミッティ、医学関連事務
• 範囲：集団レベルの分析、エビデンス統合、ガイドライン開発
• 焦点：バイオマーカー層別化、統計比較、エビデンス評価
• 出力：豊富なフィギュアと表を伴うマルチページ分析文書（通常5～15ページ）
• 使用例：医薬品開発、規制提出、臨床診療ガイドライン、医学戦略
• 例：「ホルモン受容体状態で層別化された60例のHER2+乳がん患者を生存転帰で分析」

治療計画スキル：

• 対象者：臨床医、患者、ケアチーム
• 範囲：個別患者の医療計画
• 焦点：SMART目標、患者固有の介入、監視計画
• 出力：簡潔な1～4ページの実行可能な医療計画
• 使用例：臨床現場、EMR文書、患者中心の計画
• 例：「新たに診断された2型糖尿病の55歳患者の治療計画を作成」

各々を使用する時期：

• 臨床判断支援を以下に使用：コホート分析、バイオマーカー層別化研究、治療ガイドラインの開発、医療用医薬品戦略文書
• 治療計画を以下に使用：個別患者の医療計画、特定患者向け治療プロトコル、臨床現場の文書

使用例

患者コホート分析

例1：NSCLC バイオマーカー層別化

> PD-L1発現（<1%、1-49%、≥50%）で層別化された45例のNSLC患者コホートを分析し、
> pembrolizumab を投与。転帰を含める：ORR、中央 PFS、中央 OS（ハザード比で
> PD-L1 ≥50% vs <50% を比較）。Kaplan-Meier曲線とウォーターフォールプロットを生成。

例2：GBM 分子サブタイプ分析

> Cluster 1（Mesenchymal-Immune-Active）と Cluster 2（Proneural）分子サブタイプに
> 分類された30例のGBM患者に対するコホート分析を生成。転帰（中央 OS、6か月 PFS率、
> TMZ+bevacizumab への反応）を比較。バイオマーカープロファイル表と統計比較を含める。

例3：乳がん HER2+ コホート

> trastuzumab-deruxtecan を投与された60例のHER2陽性転移性乳がん患者を分析し、
> 先行 trastuzumab 曝露（はい/いいえ）で層別化。ORR、DOR、中央 PFS（ホルモン受容体
> 状態、脳転移、先行治療ラインの数によるサブグループ分析のフォレストプロット）を含める。

治療推奨レポート

例1：HER2+ 転移性乳がんガイドライン

> バイオマーカーガイド治療選択を含む HER2 陽性転移性乳がんに対する
> エビデンスに基づく治療推奨を作成。GRADEシステムを使用して第一選択
> （trastuzumab+pertuzumab+taxane）、第二選択（trastuzumab-deruxtecan）、第三選択
> 選択肢の推奨を等級付け。脳転移、ホルモン受容体状態、先行治療に基づく
> 判定アルゴリズムフローチャートを含める。

例2：進行 NSCLC 治療アルゴリズム

> PD-L1発現、EGFR変異、ALK 再構成、パフォーマンスステータスに基づいた
> 進行 NSCLC に対する治療推奨レポートを生成。各分子サブタイプの GRADE
> 等級付け推奨、バイオマーカー指向治療選択用の TikZ フローチャート、
> KEYNOTE-189、FLAURA、CheckMate-227試験からのエビデンス表を含める。

例3：多発性骨髄腫 治療ラインの階層化

> 新規に診断された多発性骨髄腫から寛解不応/再発設定を通じた治療アルゴリズムを
> 作成。移植適格 vs 非適格の GRADE 推奨、高リスク細胞遺伝学に関する考慮、
> daratumumab、carfilzomib、CAR-T治療の階層化を含める。各治療ラインの
> 判定ポイントを示すフローチャートを提供。

主要機能

バイオマーカー分類

• ゲノム：変異、CNV、遺伝子融合
• 発現：RNA-seq、IHC スコア
• 分子サブタイプ：疾患固有の分類
• 臨床的実行可能性：治療選択ガイダンス

転帰メトリクス

• 生存：OS（全体生存）、PFS（無増悪生存）
• 反応：ORR（奏効率）、DOR（反応期間）、DCR（疾患コントロール率）
• 質：ECOG パフォーマンスステータス、症状負荷
• 安全性：有害事象、用量修正

統計方法

• 生存分析：Kaplan-Meier 曲線、ログランク検定
• グループ比較：t検定、カイ二乗検定、Fisher の正確検定
• 効果サイズ：ハザード比、オッズ比（95% CI）
• 有意性：p値、複数検定補正

エビデンス評価

GRADE システム

• 1A：強い推奨、高品質エビデンス
• 1B：強い推奨、中程度品質エビデンス
• 2A：弱い推奨、高品質エビデンス
• 2B：弱い推奨、中程度品質エビデンス
• 2C：弱い推奨、低品質エビデンス

推奨の強度

• 強い：利益がリスクを明らかに上回る
• 条件付き：トレードオフが存在し、患者価値が重要
• 研究：不十分なエビデンス、臨床試験が必要

ベストプラクティス

コホート分析向け

1. 患者選択の透明性：適格基準を明確に文書化し、患者フロー、除外理由を記載
2. バイオマーカーの明確化：検査方法、プラットフォーム（例：FoundationOne、Caris）、カットオフ値、検証状態を指定
3. 統計的厳密性：
   • p値だけでなくハザード比と95%信頼区間を報告
   • 生存分析の中央追跡期間を含める
   • 使用した統計検定（ログランク、Cox回帰、Fisher の正確検定）を指定
   • 必要に応じて複数検定に対応
4. 転帰定義：標準基準を使用：
   • 反応：RECIST 1.1、免疫療法の場合は iRECIST
   • 有害事象：CTCAE version 5.0
   • パフォーマンスステータス：ECOG または Karnofsky
5. 生存データの提示：
   • 中央OS/PFS（95% CI）
   • ランドマーク生存率（6か月、12か月、24か月）
   • Kaplan-Meier 曲線下の患者数表
   • 打ち切りを明確に表示
6. サブグループ分析：サブグループを事前指定；探索的対事前計画分析を明確にラベル付け
7. データ完全性：欠損データを報告し、その処理方法を説明

治療推奨レポート向け

1. エビデンス評価の透明性：
   • GRADE システムを一貫して使用（1A、1B、2A、2B、2C）
   • 各等級の根拠を文書化
   • エビデンスの質を明確に述べる（高、中、低、非常に低い）
2. 包括的なエビデンスレビュー：
   • 主要エビデンスとして第3段階ランダム化試験を含める
   • 新興治療は第2段階データで補足
   • 実世界エビデンスとメタ分析を記載
   • 試験名を引用（例：KEYNOTE-189、CheckMate-227）
3. バイオマーカーガイド推奨：
   • 特定のバイオマーカーを治療推奨にリンク
   • 検査方法と検証済みアッセイを指定
   • FDA/EMA コンパニオン診断薬の認可状態を含める
4. 臨床的実行可能性：すべての推奨は明確な実装ガイダンスを持つべき
5. 判定アルゴリズムの明確性：TikZ フローチャートは明確な yes/no 判定ポイントを持つべき
6. 特殊集団：高齢者、腎臓/肝臓障害、妊娠、薬物相互作用に対応
7. 監視ガイダンス：安全性検査、画像検査、および頻度を指定
8. 更新頻度：推奨に日付を付け、定期的な更新を計画

一般的なベストプラクティス

1. ページ1エグゼクティブサマリー（必須）：
   • ページ全体に及ぶ完全なエグゼクティブサマリーを常に作成
   • 3～5個の色付きtcolorbox要素を使用してキーファイディングを強調
   • ページ1に目次または詳細セクションなし
   • \thispagestyle{empty} を使用し、\newpage で終了
   • これは最も重要なページ - 60秒でスキャン可能であるべき
2. De-identification：文書生成前にすべての18個のHIPAA識別子を削除（Safe Harbor法）
3. 規制遵守：機密性のある医療用医薬品データの機密通知を含める
4. 出版品質フォーマット：0.5インチマージン、専門的フォント、色分けセクションを使用
5. 再現性：すべての統計方法を文書化して複製を可能にする
6. 利益相反：医療用医薬品資金提供または関係を開示
7. 視覚的階層：色付きボックスを一貫して使用（青=データ、緑=バイオマーカー、黄/オレンジ=推奨、赤=警告）

参考資料

references/ ディレクトリで詳細なガイダンスを参照：

• 患者コホート分析と層別化方法
• 治療推奨開発
• 臨床判定アルゴリズム
• バイオマーカー分類と解釈
• 転帰分析と統計方法
• エビデンス統合と等級付けシステム

テンプレート

assets/ ディレクトリで LaTeX テンプレートを参照：

• cohort_analysis_template.tex - 統計比較を伴うバイオマーカー層別化患者コホート分析
• treatment_recommendation_template.tex - GRADE等級付けを伴うエビデンスに基づく臨床診療ガイドライン
• clinical_pathway_template.tex - 治療階層化用 TikZ 判定アルゴリズムフローチャート
• biomarker_report_template.tex - 分子サブタイプ分類とゲノムプロファイルレポート
• evidence_synthesis_template.tex - 系統的エビデンスレビューとメタ分析要約

テンプレート機能：

• コンパクト提示用0.5インチマージン
• 色分けされた推奨ボックス
• 人口統計、バイオマーカー、転帰用プロフェッショナル表
• Kaplan-Meier 曲線、ウォーターフォールプロット、フォレストプロット用組み込みサポート
• GRADE エビデンス評価表
• 医療用医薬品文書向けの機密ヘッダー

スクリプト

scripts/ ディレクトリで分析および可視化ツールを参照：

• generate_survival_analysis.py - ログランク検定、ハザード比、95% CI を伴う Kaplan-Meier 曲線生成
• create_waterfall_plot.py - コホート分析の最良反応の可視化
• create_forest_plot.py - 信頼区間を伴うサブグループ分析の可視化
• create_cohort_tables.py - 人口統計、バイオマーカー頻度、転帰表
• build_decision_tree.py - 治療アルゴリズム向け TikZ フローチャート生成
• biomarker_classifier.py - 分子サブタイプ別患者層別化アルゴリズム
• calculate_statistics.py - ハザード比、Cox回帰、ログランク検定、Fisher の正確検定
• validate_cds_document.py - 品質と遵守チェック（HIPAA、統計レポート基準）
• grade_evidence.py - 治療推奨向け自動化 GRADE 評価ヘルパー