临床统计表
一句话：患者级 CSV 进，发表级三线表出——本技能已用一篇真实 CRE/CSE 队列研究的全部 10 张表格（Table 1–10 = 手稿 Table 1/2 + 补充材料 S1–S8）完整验证：基线对比、Firth 回归、基因型交叉表、单因素分析、测序质量表。
获取本技能 · Get this skill
方式 A —— 一键引导 prompt（推荐）。复制下面这段，粘贴到你的 AI agent IDE：
请帮我安装 Claw2Bio 技能库中的 "clinical-table" 技能：
1. 从 GitHub 仓库 https://github.com/claw2bio/claw2bio 只拉取 figure-generation/clinical-table
这一个文件夹（用 sparse checkout，不要克隆整库）。
2. 阅读其中的 SKILL.md 并注册该技能。
3. 运行 examples/ 里的示例验证环境，把输出的表格给我看。方式 B —— 独立 zip 包（约 0.2 MB，本站下载）：https://claw2bio.site/downloads/clinical-table.zip
方式 C —— 全量示例数据：已包含在方式 B 包内（同一个压缩包）。
它能做什么
通用引擎（Python，开箱即用）：两队列基线特征表——分类变量 n (%) + Pearson χ²（期望 <5 自动 Fisher）+ 连续变量 mean±SD + Student t；另支持相关性矩阵、Cox 回归、OR 汇总。
手稿级全表套件（R 管线）：scripts/pipeline/ 内 9 个 R 脚本 + 1 个 Python 脚本，按序运行即从患者级 CSV 复现一篇论文的全套表格（Table 1–10 = 手稿正文 Table 1/2 + 补充材料 S1–S8）——基线、Firth 惩罚逻辑回归、耐药基因/序列型/质粒复制子交叉表、单因素分析、菌株测序质量表。
输出为 Markdown 三线表，可用 Pandoc 一键转 DOCX（pandoc output.md -o output.docx）。
示例输出（真实队列研究全套 10 张表，点击切换）
以下 10 张图全部由本技能 R 管线对真实 CRE/CSE 队列研究（投稿中）的假名化患者级数据真实产出，每个数字均与作者独立复核脚本逐格对账：
Table 1 · Baseline（= 手稿 Table 1）· CRE (n=67) vs CSE (n=72) 基线特征：分类变量 χ²/Fisher + 连续变量 Student t。年龄 69.16±10.43 vs 63.18±12.56（p=0.0028）；性别 p=0.2907。住院时长/机械通气等与 CRE 相关的因素见 Table 2 与 Table 8。
Table 2 · Firth（= 手稿 Table 2）· Firth 惩罚多因素逻辑回归（CRE vs CSE，9 个协变量）：小样本罕见事件稳健估计，OR (95% CI) 逐行输出。
Table 3 · ESBL genes（= 手稿 Supplemental Table S1）· CRE 菌株额外 β-内酰胺酶基因组合 × 碳青霉烯酶组（n (%)，Kleborate 标志已剥离）。
Table 4 · Sequence types（= 手稿 Supplemental Table S2）· CRE 菌株物种–ST 组合 × 碳青霉烯酶组（46 行，每物种未分型行单列）。
Table 5 · sul genes（= 手稿 Supplemental Table S3）· CRE 菌株磺胺耐药基因（sul）组合 × 碳青霉烯酶组。
Table 6 · Disease × genotype（= 手稿 Supplemental Table S4）· 基础疾病分布 × CRE 基因型（糖尿病/脑血管病/肺部疾病）。
Table 7 · Procedures × genotype（= 手稿 Supplemental Table S5）· 侵入操作、白蛋白水平、住院时长 × CRE 基因型。
Table 8 · Univariate（= 手稿 Supplemental Table S6）· CRE 感染相关因素单因素分析（30 行，χ²/Fisher 自动切换）。
Table 9 · Sequencing quality（= 手稿 Supplemental Table S7）· 67 株 CRE 测序质量指标（contigs/N50/GC/数据量/测序深度，独立 CSV 输出）。
Table 10 · Plasmid replicons（= 手稿 Supplemental Table S8）· 质粒复制子携带 × 碳青霉烯酶组（Kleborate/PlasmidFinder，47 行）。
快速上手（30 秒，通用引擎）
cd figure-generation/clinical-table
pip install pandas numpy scipy statsmodels
python scripts/clinical_table.py examples/input/clinical_cohorts.csv examples/output/clinical_tables.md期望锚点：CRE n=67, CSE n=72；Age 69.16±10.43 vs 63.18±12.56, p=0.003。
快速上手（R 管线，复现全套手稿表格）
需要 R（含 logistf 包，Table 2 用）。把两份假名化 CSV + Table-all.md 骨架放同一目录，按序运行：
cd examples/input/pipeline # 两份 CSV 与 Table-all.md 骨架都在这里
Rscript ../../scripts/pipeline/table1_baseline.R # 填充 Table-all.md 的 Table 1 区块
Rscript ../../scripts/pipeline/table2_firth.R # Firth 回归
Rscript ../../scripts/pipeline/table3_esbl_genes.R # 之后 Table 3–8、10 依序
python ../../scripts/pipeline/make_table9_sequencing_quality.py # Table 9 独立生成 CSV每个脚本：读 CSV → 计算 → 回填 Table-all.md 对应区块 → 输出独立 CSV。全表锚点见 examples/output/pipeline/REPORT.md。
输入格式
- 通用引擎：患者级 CSV（一行一个患者）：两水平分组列（默认
cohort）+ 0/1 二分类列 + 连续列；变量清单在DEFAULT_CONFIG或--config your.json。 - R 管线：两个队列各一份 CSV（列结构见 examples/input/pipeline/），示例数据即假名化真实数据——处理您自己的数据时按相同列结构准备即可。
输出文件
| 文件 | 内容 |
|---|---|
clinical_tables.md（通用引擎） | 基线/相关性/Cox/OR 三线表 |
Table-all.md（R 管线） | 填数后的全套手稿表格（224 行） |
table1_baseline.csv … table10_plasmid_replicons.csv | 每张表的独立 CSV（Table 9 = table9_sequencing_quality.csv） |
常见问题
- p 值与 SPSS 对不上 → 本技能 χ² 不做 Yates 连续性校正（发表 Table 1 惯例）。
- R 脚本在 Windows 上崩 → 必须用英文注释版本（仓库内已是）；如自行修改注释，保存为 UTF-8 无 BOM，或运行时加
--encoding=utf-8。 - logistf 未安装 →
install.packages("logistf")。 - 连续变量没进基线表 → 加进
DEFAULT_CONFIG的baseline_continuous_vars。 - 没有 Cox 表 → 只有同时存在
survival_time和survival_event列才会生成。