INFOBOX
| 数据集名称 | All of Us Research Program |
| 英文全称 | The All of Us Research Program — NIH Precision Medicine Initiative Cohort |
| 别名 / 简称 | All of Us、AoU、NIH All of Us、Precision Medicine Initiative (PMI) Cohort |
| 疾病分类 | 全疾病谱覆盖（非单一疾病研究）——核心映射涵盖循环系统疾病（11）、肿瘤（02）、内分泌/营养/代谢疾病（05）、呼吸系统疾病（12）、神经系统疾病（08）、精神/行为/神经发育障碍（06）等 ICD-11 全章节。基因组数据已验证 117 种疾病的 3,724 个遗传变异关联。 |
| SNOMED CT | OMOP CDM v5 全标准概念体系——EHR 数据经 SNOMED CT / LOINC / RxNorm / CPT / ICD-9/10-CM 多重映射，覆盖诊断、实验室检验、药物、手术四大临床域（详见 §2.2） |
| 数据模态 | 结构化 EHR、基因组、可穿戴设备、调查问卷、体格测量、生物样本（全血/血浆/血清/唾液/尿液） |
| AI 任务类型 | 全基因组关联分析、多基因风险评分、疾病表型预测、生存分析、健康公平性研究、纵向疾病轨迹建模、因果推断、聚类 |
| 样本总数 | 约 882,000 名参与者注册（截至 2026-06），约 597,000 名完成初始步骤（含 EHR 同意/调查/体格测量/生物样本）；447,278 人基因组芯片 + 414,830 人短读长全基因组测序（CDRv8） |
| 数据大小 | 不适用——云端分析平台（Google Cloud BigQuery），无文件分发。EHR 数据纵向覆盖最长 >25 年（1981—2025），基因组数据 >1 billion 变异位点 |
| 数据格式 | OMOP CDM v5（BigQuery 表）/ VCF（基因变异）/ CSV（调查问卷）/ FIT 文件（Fitbit） |
| 许可证 | NIH Data Use and Registration Agreement (DURA) + Data User Code of Conduct (DUCC) |
| 访问级别 | 申请审核（需机构签约 DURA + 身份验证 + 伦理培训 + DUCC 签署，三级别：Public → Registered → Controlled） |
| DUO 标签 | HMB, IRB, PUB, GS |
| 语言 | 英文（EHR、调查问卷、平台文档均为英文） |
| 首发日期 | 2018-05（全国招募启动）；2020-05（Researcher Workbench beta 上线） |
| 最后更新 | 2026-06-26（CDR v9, C2025Q4R6，数据截止 2025-01-01） |
| 发布机构 | National Institutes of Health (NIH)，美国国立卫生研究院 |
| 官方主页 | https://allofus.nih.gov/ |
| 下载地址 | https://workbench.researchallofus.org/（云端分析平台，无文件下载） |
| DOI | 10.1056/NEJMsr1809937（NEJM 2019 奠基论文）/ 10.1038/s41586-023-06957-x（Nature 2024 基因组论文） |
| 引用次数 | 2,280+（NEJM 2019, Google Scholar）/ 692+（Nature 2024 Genomics）— 产出 709+ 篇同行评审论文（截至 2026-06） |
| AI 就绪度评分 | ⭐⭐⭐（3/5）— 多模态数据极其丰富 + OMOP 标准化 + 云端即开即用；扣分项：无法下载数据到本地、模型无法导出 Workbench、申请流程需数周至数月 |
| 页面状态 | published |
§0 E-E-A-T 信任声明与免责声明
医学审核者：[千方病案医学编辑部]交叉审核：§2 医学背景（ICD-11 映射、临床任务定义、金标准描述）、§7 偏倚分析。
数据工程审核者：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
审核日期：2026-07-29
医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。
技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。
数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。All of Us 数据需通过机构签订 DURA 并完成身份验证、伦理培训和 DUCC 签署后方可访问。DUO 标签仅供参考，具体使用限制以 All of Us 官方政策为准。
§1 数据集概览
§1.0 30 秒速览
All of Us 是美国国立卫生研究院（NIH）于 2018 年发起的全国性精准医学研究计划，目标招募至少 100 万名反映美国人口多样性的参与者。截至 2026 年 6 月，已有超过 88 万人注册，约 60 万人完成了电子健康记录授权、健康调查、体格测量和生物样本捐献。它收集的数据涵盖电子健康记录（EHR）、全基因组测序、Fitbit 可穿戴设备、健康问卷和生物样本——是当今世界上规模最大、多样性最丰富、数据模态最全面的队列研究之一。
All of Us 的独特价值不在于它是一项队列研究，而在于它刻意地纳入了历史上在生物医学研究中被系统性排斥的群体：77% 的参与者来自历史上欠代表群体，约 46% 是少数族裔。这一设计使它在基因组学研究中的影响力远超传统的欧洲裔为主队列（如 UK Biobank 94% 欧洲裔），直接催生了 2.75 亿个此前未被报告的遗传变异，3.9 万个具有编码后果。它的 Nature 2024 基因组论文已被引用 690 余次，总产出超过 700 篇同行评审论文。
你可以用它来：在全美最具多样性的人群中校准多基因风险评分、研究社会决定因素与慢性病结局的交互效应、或利用 OMOP CDM 标准化的 EHR 数据训练跨机构的表型预测模型——但需要注意，所有分析必须在云端 Workbench 内完成，数据不能下载到本地。
§1.1 摘要
All of Us 是一项正在进行的全国性纵向队列研究，由 NIH 直接管理，通过 100 多个合作组织和 340 多个招募站点在全美 50 个州招募参与者。数据采集始于 2018 年 5 月，持续至今。核心创新在于：(1) 以 OMOP CDM v5 标准化 50 多家不同医疗系统的 EHR 数据；(2) 以临床级全基因组测序（短读长 + 长读长）覆盖多样化的遗传背景；(3) 以云端 Researcher Workbench 实现"数据不动、算法动"的受控分析模式；(4) 三级数据访问体系（Public → Registered → Controlled），平衡开放科学与隐私保护。
§1.2 为什么重要
维度一：颠覆基因组学的人口结构。传统 GWAS 和 PRS 研究高度依赖欧洲裔人群（UK Biobank 94%、FinnGen 100%），导致多基因风险评分在非洲裔和亚裔人群中的预测力急剧下降。All of Us 以 46% 少数族裔参与者 + 41.4 万例全基因组测序，提供了此前不存在的校准基准。2024 年 Nature Medicine 上 eMERGE 团队利用 All of Us 数据成功校准了 10 种常见疾病的跨种族 PRS，证明了该数据集在缩小健康差距方面的核心价值。
维度二：消除医疗 AI 的数据孤岛。美国医疗系统碎片化严重，50 多家不同 EHR 系统的数据整合在同一 OMOP CDM 下，为跨机构的表型算法开发和临床预测模型提供了前所未有的标准化底座。OMOP 标准概念映射（SNOMED CT + LOINC + RxNorm）使观察性研究的结果可跨机构复现。
维度三：从"数据集"到"研究平台"的范式转变。All of Us 不是一次性下载的数据集——它是一个不断更新的研究平台。CDR 版本每半年至一年迭代，参与者持续加入，基因组测序持续推进。2026 年的 CDR v9 已包含 2025 年 1 月截止的最新数据。这种"活"的数据集特性意味着基于它训练的所有模型都有天然的时效性窗口。
§1.3 与同类数据集对比
| 数据集 | 参与者 | 基因组数据 | 多样性 | 数据结构 | 访问模式 |
|---|---|---|---|---|---|
| All of Us (NIH) | 88 万+ (目标 100 万) | 41.4 万 WGS + 44.7 万芯片 | 77% 欠代表群体 / 46% 少数族裔 | OMOP CDM v5 | 云端 Workbench（禁止下载） |
| UK Biobank | 50 万 | 50 万 WGS + 芯片 | 94% 欧洲裔 | 自定义数据模型 | 云端/本地（需申请） |
| Million Veteran Program | 100 万+ | ~10 万 WGS（计划 100 万） | ~25% 非白人 | VA 专有 CDW | 云端（仅 VA 研究者） |
| FinnGen | 50 万 | 全部芯片 + WGS 扩展 | 100% 芬兰人 | 自定义 | 开放申请 |
| BioBank Japan | 20 万 | 全部 WGS | 100% 日本人 | 自定义 | 开放申请 |
| CPRD (UK) | 7,100 万（累计注册） | 无 | 主要 UK 白种人 | Read/SNOMED CT | 申请审核 + 费用 |
§1.4 版本演进
| 时间 | 事件 |
|---|---|
| 2015-01 | 奥巴马国情咨文宣布 Precision Medicine Initiative (PMI) |
| 2016-07 | PMI 正式命名 All of Us Research Program |
| 2018-05 | 全国招募正式启动 |
| 2019-07 | 175,000+ 名参与者贡献生物样本；NEJM 奠基论文发表 |
| 2020-05 | Researcher Workbench beta 上线，首批数据可访问 |
| 2022-03 | CDR v5 (beta) — 首个含基因组数据（芯片 16.5 万 / WGS 9.8 万）的版本 |
| 2023-04 | CDR v7 — 基因组数据扩展至芯片 31.3 万 / WGS 24.5 万 / SV 1.1 万 |
| 2024-02 | Nature 基因组论文发表：245,388 例 WGS，>1 billion 变异，>275 million 新变异 |
| 2025-02 | CDR v8 — 芯片 44.7 万 / srWGS 41.4 万 / SV 9.7 万 / lrWGS 2,800 |
| 2026-06 | CDR v9 — 数据截止 2025-01-01 的最新版本 |
§1.5 典型应用场景
- 跨种族多基因风险评分校准：利用 All of Us 的多样化基因组 + 纵向 EHR 验证 PRS 在非洲裔、亚裔、西班牙裔人群中的预测性能
- 社会决定因素与慢性病交互效应研究：结合调查问卷（收入/教育/医疗可及性）和 EHR 诊断数据，建模健康公平性
- 全表型组关联研究（PheWAS）：利用 OMOP CDM 标准化的全部诊断代码，对 >1 billion 遗传变异做反向表型关联扫描
- 可穿戴设备 + EHR 的纵向健康预测：Fitbit 心率/活动/睡眠数据与 EHR 实验室检验值融合的多模态预测建模
- OMOP 表型算法的跨机构验证：在多项不同 EHR 系统的标准化数据上验证和泛化临床表型算法
§2 医学背景
§2.1 ICD-11 映射
All of Us 为非疾病特异性队列——它覆盖参与者可能出现的全部健康状态。EHR 数据中的诊断以 ICD-9-CM、ICD-10-CM 编码记录，并转换为 OMOP 标准概念。核心覆盖的 ICD-11 疾病章节包括：
| ICD-11 章节 | 覆盖范围 | 在 All of Us 中的体现 |
|---|---|---|
| 02 肿瘤 | 全类型恶性肿瘤 | 已发表 GWAS 含乳腺癌、前列腺癌、肺癌、结直肠癌等 |
| 05 内分泌/营养/代谢疾病 | 糖尿病、肥胖、高脂血症 | 最高频的诊断之一；Nature 2024 验证了 LDL-C 遗传关联 |
| 08 神经系统疾病 | 阿尔茨海默病、帕金森病、癫痫 | 纵向随访 + 认知评估调查数据支持 |
| 11 循环系统疾病 | 高血压、冠心病、心力衰竭 | EHR 中最丰富的诊断域之一 |
| 06 精神/行为/神经发育障碍 | 抑郁症、焦虑症、物质使用障碍 | 调查量表 + 诊断代码双重捕获 |
| 12 呼吸系统疾病 | 哮喘、COPD、COVID-19 后遗症 | COVID-19 专项调查问卷补充 |
| 21 症状/体征/临床发现 | 各类症状 | Observation 域中大量 LOINC 映射 |
§2.2 SNOMED CT 映射
All of Us 使用 OMOP CDM v5 的标准概念体系，所有 EHR 数据经以下多级映射：
| 数据域 | 源编码体系 | 标准概念体系 |
|---|---|---|
| 诊断 (Condition) | ICD-9-CM / ICD-10-CM | SNOMED CT |
| 实验室检验 (Measurement) | 各医院本地编码 | LOINC |
| 药物 (Drug Exposure) | NDC / GPI / 本地处方编码 | RxNorm / RxNorm Extension |
| 手术/操作 (Procedure) | ICD-9-PCS / ICD-10-PCS / CPT-4 | SNOMED CT |
| 观察 (Observation) | 各医院本地编码 | SNOMED CT / LOINC |
关键影响：这一多重映射使 All of Us 成为全球最大规模的 OMOP CDM 实践案例之一。研究者可以直接复用 OHDSI 社区的 ATLAS/ACHILLES 工具链，无需从零构建表型算法。缺点是在映射过程中部分源编码会丢失粒度——例如某些医院的特异性本地实验室编码在 LOINC 映射后可能退化为通用 LOINC 编码。
§2.3 临床任务定义
All of Us 不预设特定临床任务——它是一个通用研究基础设施。但基于现有出版物，以下 AI/ML 任务最为常见：
| 任务类型 | 典型研究问题 | 代表性出版物 |
|---|---|---|
| 疾病风险预测 | 利用 EHR + 基因组数据预测 10 种常见疾病的发病风险 | eMERGE, Nat Med 2024 |
| 遗传关联验证 | 3,724 个遗传变异与 117 种疾病的关联在非洲裔和欧洲裔人群中的复现 | Bick et al., Nature 2024 |
| 跨种族 PRS 校准 | 评估现有 PRS 在非洲裔/亚裔人群中的表现并重新校准 | eMERGE 多项研究 |
| 可穿戴设备表型发现 | Fitbit 活动/睡眠数据与慢性病进展的关联 | 多篇已发表论文 |
| 社会决定因素分析 | 收入/教育/社区环境对健康结局的因果效应 | NIH SDOH Task Force 系列研究 |
| 新冠肺炎长期影响 | 利用 EHR 纵向轨迹 + COVID-19 调查问卷追踪 Long COVID | 多篇 JAMIA/CDC 合作论文 |
§2.4 患者人群特征
| 维度 | 特征 |
|---|---|
| 数据来源 | 美国全境 50 个州，340+ 招募站点，100+ 合作组织（含学术医疗中心、社区卫生中心、退伍军人医疗中心、药房连锁） |
| 采集时间 | 2018-05 至今，持续招募。EHR 数据回溯至 1981 年（部分参与者最早的 EHR 记录） |
| 年龄分布 | 18 岁及以上成年人。从现有数据看：女性均值 53.1±17.0 岁，男性均值 56.7±17.0 岁，中位数集中在 50-65 岁区间 |
| 性别比例 | 女性约 61.6%，男性约 38.3%，非二元性别约 0.1% |
| 种族/族裔分布 | 非西班牙裔白人 57.3% / 非西班牙裔黑人 20.5% / 西班牙裔/拉丁裔 16.3% / 非西班牙裔亚裔 3.5% / 多种族/未分类 2.4%（截至 2022 年 6 月，358,705 名完成初始步骤参与者） |
| 欠代表群体占比 | 77% 的基因组测序参与者来自历史上在生物医学研究中欠代表的群体（含少数族裔/低收入/65 岁以上/残障/性少数/农村居民等多元维度） |
| 参与类型 | 主动参与者——可在参与者门户查看自身数据，接收遗传祖先/遗传疾病风险/药物基因组学报告（已超 23 万人收到结果） |
§2.6 金标准 / 参考标准
| 数据域 | 标注/参考标准方式 | 可信度 |
|---|---|---|
| EHR 诊断 | OMOP CDM 标准化后的 SNOMED CT 编码——基于医疗提供者录入的原始诊断，非后验标注 | 中高（取决于各医疗系统的编码质量） |
| 基因组变异 | 临床级全基因组测序，经 Broad Institute / Baylor / UW 三大测序中心独立 QC，含交叉验证 | 极高（>99% 基因型一致性） |
| 调查问卷 | 参与者自报——含社会决定因素、生活方式、COVID-19 经历等。经过 All of Us 的 PPI（Participant Provided Information）验证流程 | 中等（自报偏倚不可避免） |
| 体格测量 | 由招募站点工作人员在面试时直接测量（身高/体重/血压），非自报 | 高 |
| Fitbit 数据 | 设备自动采集，含心率/步数/活动强度/睡眠时长。数据为原始分钟级精度 | 中高（设备误差 5-10%，睡眠分期精度有限） |
| 实验室检验 | 各医院检验科的临床级检测结果，经 LOINC 映射。非统一实验室，不同机构间存在校准差异 | 中高（实验室间变异需注意） |
§3 数据集规格
§3.0 版本抉择矩阵
All of Us 不存在"选哪个文件下载"的问题——所有数据统一在云端 Researcher Workbench 中访问。但有数据层级的选择：
| 你的需求 | 推荐数据层级 | 含什么 | 理由 |
|---|---|---|---|
| 初步探索/教学/概念验证 | Public Tier（Data Browser） | 聚合级数据，无个体记录 | 零门槛，浏览器直接查看，无需申请 |
| EHR + 调查 + 可穿戴研究 | Registered Tier | 个体级脱敏数据（EHR/调查/Fitbit/体格测量），无基因组 | 覆盖大部分流行病学和临床预测研究 |
| 基因组学研究/PheWAS/PRS | Controlled Tier | Registered 全部 + WGS/芯片/SV/lrWGS + 未偏移日期 + 补充人口统计字段 | 基因组学必需；需额外完成基因组数据使用培训 |
| 同时需要基因组 + 完整 EHR | Controlled Tier | 唯一同时含基因组和个体级 EHR 的层级 | 基因组+表型联合分析的标准选择 |
§3.1 模态详细说明
All of Us 是目前公开可访问的数据集中模态丰富度最高的：
- 电子健康记录（EHR）：50+ 医疗系统来源，经 OMOP CDM v5 标准化为 6 大临床域表（Condition / Drug / Measurement / Procedure / Observation / Visit），另有 Death / Location / Care Site / Provider 等辅助表
- 全基因组测序：短读长 WGS（>41.4 万人）+ 长读长 lrWGS（2,800 人）+ 基因芯片（44.7 万人）+ 结构变异（SV，9.7 万人）。同时比对 GRCh38 和 T2Tv2.0 两个参考基因组
- 健康调查问卷：含基础信息（人口统计/生活方式/家庭史）、总体健康、医疗可及性、COVID-19 经历、社会决定因素等多份问卷
- 可穿戴设备：Fitbit 心率、步数、活动强度、睡眠时长和分期——分钟级精度
- 体格测量：身高、体重、血压、心率——由招募站工作人员实地测量
- 生物样本：全血、血浆、血清、唾液、尿液、RNA、游离 DNA——存储于 Biobank，可供额外研究申请
§3.2 样本规模
| 数据域 | 当前规模 | 备注 |
|---|---|---|
| 注册参与者 | 882,000+ | 持续增长中 |
| 完成初始步骤 | 597,000+ | 含 EHR 同意 + 调查 + 体格测量 + 生物样本 |
| EHR 数据 | 500,000+ | 来自 50+ 医疗机构 |
| 基因组芯片 | 447,278 | CDRv8，含多种族基因分型 |
| 短读长 WGS | 414,830 | SR WGS，含 SNP + Indel |
| 结构变异 (SV) | 97,061 | WGS 来源的 SV 检出 |
| 长读长 WGS | 2,800 | LR WGS，含 SNP / Indel / SV |
| 生物样本 | 617,000+ | 存储于 centralized biobank |
| 遗传变异总数 | >1 billion | >275 million 为新发现 |
| 已验证基因-疾病关联 | 3,724 variants / 117 diseases | Nature 2024 验证 |
§3.3 数据格式
| 数据类型 | 格式 | 在 Workbench 中的组织 |
|---|---|---|
| EHR 结构化数据 | OMOP CDM v5 BigQuery 表 | 按域分类表（condition_occurrence / drug_exposure / measurement / procedure_occurrence / observation / visit_occurrence 等） |
| 调查问卷 | CSV / BigQuery 表 | PPI（Participant Provided Information）表，按问卷分类 |
| 基因组变异 | VCF（经 BigQuery 索引） | 按染色体分区存储，含 variant_annotation 辅助表 |
| 体格测量 | BigQuery 表 | measurement 域中特定 concept_id |
| Fitbit 数据 | BigQuery 表（心率分钟级 / 活动日汇总 / 睡眠日汇总） | 独立的自定义表，非标准 OMOP 域 |
| 原始测序数据 | CRAM（WGS）/ IDAT（芯片）/ BAM（lrWGS） | Controlled Tier 中可申请访问 |
§3.5 数据采集方式
┌──────────┐ ┌─────────────────┐ ┌────────────────────┐
│ 参与者 │───▶│ 招募站点 │───▶│ Data & Research │
│ 同意+注册 │ │ (340+ sites) │ │ Center (DRC) │
└──────────┘ │ • 体格测量 │ │ • OMOP 标准化 │
│ • 生物样本采集 │ │ • QC / 去标识化 │
│ • EHR 授权 │ │ • 隐私保护处理 │
│ • 调查问卷 │ │ • CDR 构建 │
└─────────────────┘ └─────────┬──────────┘
│
┌──────────┐ ┌─────────────────┐ │
│ Fitbit │───▶│ 参与者自主同步 │ │
│ 可穿戴设备│ │ (via API) │ │
└──────────┘ └─────────┬───────┘ │
│ │
┌─────────────────┐ │ │
│ 基因组测序中心 │◀─────┼────────────────────────┘
│ • Broad │ │
│ • Baylor │──────┤
│ • UW │ │
│ (来自 Biobank │ ▼
│ 生物样本) │ ┌────────────────────┐
└─────────────────┘ │ Researcher │
│ Workbench (GCP) │
│ 三级数据访问 │
└────────────────────┘
§3.7 数据采集时间范围
EHR 数据最��可追溯至 1981 年 1 月（部分参与者的历史医疗记录），持续至最新 CDR 的数据截止日期。最新 CDR v9 数据截止于 2025 年 1 月 1 日。基因组测序数据自 2022 年起分批次释放，最新一批 CDRv8 发布于 2025 年 2 月。25% 的参与者拥有 10 年以上的 EHR 纵向数据。
§3.8 地域覆盖
美国全境 50 个州。所有含 EHR 数据参与者的医疗记录来自 50 多家不同的医疗保健提供组织（HPO），覆盖学术医学中心、社区卫生中心、退伍军人医疗中心、药房连锁等多元机构类型。参与者地理分布不均衡——医疗资源丰富地区和拥有活跃招募站点的州（如加州、得州、纽约州、伊利诺伊州等）参与者密度显著更高。
§3.10 深度溯源链
NHS 体系 生物样本
(美国多元医疗) Biobank
│ │
├── 50+ HPO EHR 系统 ──▶ DRC OMOP 标准化 ──▶ CDR (BigQuery)
│ │
├── 340+ 招募站点 ──▶ 体格测量 + 生物样本采集 ──┤
│ │
├── 参与者门户 ──▶ 调查问卷 (PPI) ─────────────┤
│ │
└── Fitbit API ──▶ 可穿戴设备数据 ─────────────┤
│
基因组测序 │
├── Broad Institute (短读长 WGS + 芯片) │
├── Baylor-Hopkins (WGS + 芯片) │
└── University of Washington (WGS) │
│ │
└── VCF/CRAM/BAM ─────────────────────────────┤
▼
Researcher Workbench
(Google Cloud Platform)
┌─────────────────────┐
│ Public Tier │
│ Registered Tier │
│ Controlled Tier │
└─────────────────────┘
§4 数据结构详解
§4.0 目录树预览
All of Us 没有文件系统目录——所有数据存储在 Google BigQuery 表中，通过 SQL / R / Python 查询访问。以下为 Researcher Workbench 中的数据集逻辑结构：
All of Us CDR (BigQuery)
├── cb_search_all_events # 全域搜索索引表（辅助查询发现）
├── concept # OMOP 标准概念字典
├── concept_relationship # 概念间关系（映射/层级）
├── condition_occurrence # 诊断记录
├── death # 死亡记录
├── drug_exposure # 药物处方/使用
├── measurement # 实验室检验 + 体格测量
├── observation # 观察/症状/社会史
├── procedure_occurrence # 手术/操作
├── visit_occurrence # 就诊记录（住院/门诊/急诊）
├── person # 人口统计
├── location # 地理位置（ZIP 3-digit）
├── care_site # 医疗机构
├── provider # 医疗服务提供者
├── ── PPI 调查问卷 ──
├── ppi_survey_response # 调查问卷回答
├── ── 可穿戴设备 ──
├── heart_rate_minute_level # Fitbit 每分钟心率
├── steps_intraday # Fitbit 日内步数
├── activity_summary # Fitbit 日活动汇总
├── sleep_daily_summary # Fitbit 日睡眠汇总
├── sleep_level # Fitbit 睡眠分期
├── ── 基因组 ──
├── variant # 基因变异（VCF 转 BigQuery）
├── variant_annotation # 变异注释（VEP）
└── genomic_auxiliary_data # 辅助数据：遗传祖先/PC/GRM(kinship)
§4.1 DAIMS 标准化字段描述表（核心临床表）
condition_occurrence（诊断表）
| 字段名 | 数据类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 缺失编码 | 取值范围 |
|---|---|---|---|---|---|---|---|
| person_id | Integer | 参与者唯一标识 | 1234567 | 主键，关联 person 表 | 无 | — | 1 ~ N |
| condition_concept_id | Integer | 标准化诊断概念 ID | 201826（2 型糖尿病） | 标签编码 | OMOP 映射损失 | 0 = 无匹配 | concept 表 SNOMED CT |
| condition_start_date | Date | 诊断日期（Registered Tier 偏移处理） | 2009-03-15 | 时序偏移量计算 | 偏移后 ±0-364 天随机 | NULL（日期缺失） | 1981+ |
| condition_type_concept_id | Integer | 诊断记录类型 | 38000245（EHR 问题列表） | 区分诊断来源 | 中 | 0 | concept 表 |
measurement（测量��）
| 字段名 | 数据类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 缺失编码 | 取值范围 |
|---|---|---|---|---|---|---|---|
| person_id | Integer | 参与者唯一标识 | 1234567 | 主键 | 无 | — | 1 ~ N |
| measurement_concept_id | Integer | 标准检验/测量概念 ID | 3004249（收缩压） | 特征编码 | LOINC 映射损失 | 0 | concept 表 LOINC |
| value_as_number | Float | 数值结果 | 142.0 | 连续特征 | 实验室间变异 ~5-15% | NULL | 临床合理范围 |
| unit_concept_id | Integer | 单位标准概念 | 8876（mm Hg） | 单位标准化 | 低 | NULL | concept 表 |
drug_exposure（药物表）
| 字段名 | 数据类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 缺失编码 | 取值范围 |
|---|---|---|---|---|---|---|---|
| person_id | Integer | 参与者唯一标识 | 1234567 | 主键 | 无 | — | 1 ~ N |
| drug_concept_id | Integer | 标准药物概念 ID | 19078608（二甲双胍） | 药物特征 | RxNorm 映射损失 | 0 | concept 表 RxNorm |
| drug_exposure_start_date | Date | 药物开始日期（偏移） | 2010-06-01 | 时序特征 | 处方≠实际用药 | NULL | 1981+ |
| quantity | Float | 处方数量 | 30.0 | 剂量特征 | 中等 | NULL | >0 |
§4.2 标签分布
All of Us 的 EHR 诊断标签的覆盖率数据（基于 OMOP condition_occurrence 表，CDRv7）：
| 诊断概念 | 患者数（近似） | 患病率 | 备注 |
|---|---|---|---|
| 高血压 | ~200,000+ | ~35%+ | 最高频诊断之一 |
| 2 型糖尿病 | ~100,000+ | ~17%+ | SNOMED 201826 |
| 高脂血症 | ~150,000+ | ~25%+ | 常见合并诊断 |
| 抑郁症 | ~80,000+ | ~14%+ | 诊断 + 问卷双重捕获 |
| 肥胖症 | ~80,000+ | ~14%+ | BMI 测量 + 诊断编码 |
| 慢性肾病 | ~40,000+ | ~7%+ | 实验室 eGFR + 诊断 |
| 哮喘 | ~40,000+ | ~7%+ | 诊断编码 |
| COVID-19 | ~30,000+ | — | 调查 + 诊断 + 检测结果 |
§4.5 缺失值情况
| 数据域 | 缺失模式 | 原因 | 应对建议 |
|---|---|---|---|
| EHR 诊断 | 非随机缺失——未就诊=无记录 | 参与者可能跨医疗系统就诊未被捕获 | 使用 visit_occurrence 表评估医疗连续性 |
| 实验室检验 | 高度稀疏——参与者只在有临床需求时检查 | 临床检验的机会性而非研究随访 | 使用纵向缺失模式建模（如 MICE/Propensity） |
| 基因组 | 当前 47% 参与者有 WGS/芯片，持续增加中 | 测序批次优先非临床/表型偏倚 | 注意测序时间的一致性 |
| 调查问卷 | 部分参与者跳过了非必需问卷 | 调查为自愿回答 | 使用调查完成情况作为协变量 |
| Fitbit | 同步频率因参与者而异 | 设备佩戴/同步习惯 | 设定数据质量阈值（如最少佩戴天数>15） |
§5 数据划分与使用建议
§5.1 数据划分策略
All of Us 不提供官方 train/val/test 划分——这是一个通用研究平台，而非为特定 ML 任务设计的数据集。研究者需要根据自身任务设计划分策略。推荐以下三种方案：
| 策略 | 方法 | 适用场景 | 注意事项 |
|---|---|---|---|
| 时间划分 | 按日期（如 2019-12-31 为界）分为 train/validation/test | 纵向疾病预测、时序建模 | 注意 CDR 版本迭代导致的右删失 |
| 机构划分 | 按 care_site_id 分组，各机构独立 | 跨机构泛化性评估 | 机构间数据密度和编码质量差异大 |
| 随机参与者级划分 | 按 person_id 哈希值 70/15/15 切分 | 横截面预测任务 | 防止同一参与者的多次就诊跨越划分边界 |
§5.3 数据泄漏风险
| 风险类型 | 描述 | 预防措施 |
|---|---|---|
| 参与者级泄漏 | 同一 person 的多次就诊跨越 train/test | 按 person_id 哈希划分，绝不按 visit 划分 |
| 家族泄漏 | All of Us 包含 kinship/relatedness 数据——亲属可能在 train 和 test 中 | Controlled Tier 提供基因组亲属关系矩阵（GRM），需用于排除近亲交叉 |
| 时间泄漏 | 如果使用 Future 信息预测 Past | 使用 condition_start_date 严格时序过滤 |
| 测序批次泄漏 | 不同 release 批次的 QC 参数和覆盖度不同 | 控制 CDR 版本和测序 batch ID |
§6 AI 就绪指南
§6.1 快速上手
All of Us 的"快速上手"与传统数据集完全不同——没有下载、解压、本地加载的过程。所有操作在云端 Workbench 中完成。
# ========================================
# All of Us 快速上手 — Python (在 Researcher Workbench 内)
# 环境：Workbench Jupyter Notebook（已预装 allofus 包）
#
# ⚠️ 前置条件：
# 1. 已注册 Researcher Workbench 账号并通过身份验证
# 2. 已创建 Workspace 并选择 Registered/Controlled Tier
# 3. 已签署 DUCC
# ========================================
# 导入 allofus 包（Workbench 预装）
import allofus
import pandas as pd
import matplotlib.pyplot as plt
# 步骤 1：选定参与者群组（Cohort）
# 例如：45-75 岁、有 2 型糖尿病诊断的女性参与者
cohort_sql = """
SELECT DISTINCT person_id
FROM `""" + allofus.get_CDR_db() + """.person` p
JOIN `""" + allofus.get_CDR_db() + """.condition_occurrence` c
ON p.personevent-blocked= c.person_id
WHERE c.conevent-blocked= 201826 T2DM
AND p.gender_conevent-blocked= 8532 FEMALE
AND p.year_of_birth BETWEEN 1950 AND 1980
"""
cohort_df = allofus.run_query(cohort_sql)
# 步骤 2：提取 EHR 特征（实验室指标 + 生命体征）
lab_conevent-blocked= allofus.find_concepts("HbA1c")
lab_sql = f"""
SELECT m.person_id,
m.measurement_concept_id,
m.value_as_number,
m.measurement_date
FROM `{allofus.get_CDR_db()}.measurement` m
JOIN `{allofus.get_CDR_db()}.person` p
ON m.personevent-blocked= p.person_id
WHERE m.measurement_concept_id IN ({lab_concepts})
AND m.person_id IN (SELECT person_id FROM cohort_df)
"""
lab_df = allofus.run_query(lab_sql)
print(f"群组人数: {len(cohort_df)}")
print(f"实验室记录数: {len(lab_df)}")
§6.2 数据获取
| 步骤 | 操作 | 预计时间 |
|---|---|---|
| 1. 机构签约 DURA | 所在机构与 All of Us 签订 Data Use and Registration Agreement | 2-8 周（视机构法务流程） |
| 2. 个人注册 | 在 researchallofus.org 注册账号，验证身份（需政府签发 ID） | 1-2 天 |
| 3. 伦理培训 | 完成 All of Us 专项研究伦理培训（在线课程） | 2-4 小时 |
| 4. 签署 DUCC | 电子签署 Data User Code of Conduct | 即时 |
| 5. 创建 Workspace | 在 Workbench 中创建项目空间，填写研究目的描述 | 即时 |
| 6. 开始分析 | 使用 Jupyter Notebook / RStudio 在云端查��分析 | 即时 |
中位访问时间：29 小时（从注册到数据可访问，Nature 2024 报道）。注意：Non-US 机构研究者面临额外障碍——需与 NIH 协商国际 DURA。
§6.3 预处理全流程
Workbench SQL 查询
│
├──► 参与者群组定义 (Cohort)
│ └── 条件：诊断编码 / 实验室值 / 调查回答 / 年龄 / 性别
│
├──► 临床特征提取
│ ├── condition_occurrence → 诊断历史矩阵
│ ├── measurement → 实验室 + 生命体征时序
│ ├── drug_exposure → 药物使用矩阵
│ └── procedure_occurrence → 手术操作史
│
├──► 缺失值处理
│ ├── 实验室缺失 → MICE / LOCF / 多时间窗聚合
│ └── 调查缺失 → 使用 "Skip" / "Prefer Not to Answer" 编码
│
├──► OMOP 概念归一化
│ ├── concept_ancestor 提取层级关系
│ ���── 自定义 concept set via ATLAS
│
├──► 时序对齐
│ ├── 以 index_date（如首次诊断日）为基准
│ └── 生成 [t-365, t-180, t-90, t-30, t] 多窗口特征
│
└──► 导出（仅聚合级可下载）
├── 个体级数据：仅可在 Workbench 内使用
└── 聚合统计：count ≥ 20 时可导出
§6.4 框架加载
# Workbench 中已预装常用 ML 框架
# 所有计算必须在 Workbench 虚拟机内完成
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from xgboost import XGBClassifier
from sklearn.metrics import roc_auc_score, average_precision_score
# ⚠️ 关键限制：不能在 Workbench 外加载这些包处理数据
# ⚠️ 不能调用外部 API（OpenAI/Claude/Gemini）处理个体级数据
# ⚠️ 训练好的模型不能导出到本地——仅可在 Community Workspaces 内分享
§6.5 常见坑点
⚠️ 坑点 1：把 All of Us 当成"可下载数据集"来设计实验（分类：平台约束）
问题：传统 ML 流程默认"下载数据 → 本地预处理 → 训练 → 部署"。All of Us 禁止下载个体级数据，所有计算必须在 Workbench 内完成。这意味着你惯用的 MLOps 工具链（MLflow/Weights & Biases/Git-based 模型版本控制）在 Workbench 内无法正常运作。
症状：设计了复杂的数据预处理流水线，发现 80% 的工具无法在 Workbench 虚拟环境中安装。
解决：(1) 在 Workbench 的 Jupyter Notebook 内完成所有分析和建模；(2) 仅导出非个体级结果（系数、模型架构描述、聚合统计）；(3) 使用 Workbench 的 Community Workspace 功能在平台内分享模型；(4) 将实验设计调整为"Workbench-first"而非"local-first"。
参考：All of Us Researcher Workbench Policy Questions: https://support.researchallofus.org/hc/en-us/articles/34814131370388
⚠️ 坑点 2：忽略了 OMOP 映射过程中的语义损失（分类：标签理解）
问题：不同医院的原始编码系统（如本地 Lab Code “GLU”）在 OMOP 映射后可能多条本地编码退化为同一个标准 LOINC 编码。如果你在分析中假设"不同的 measurement_concept_id 代表不同的检测项目"，可能严重低估了数据的实际多样性。
症状：在机构间比较实验室值时发现异常大的标准差，怀疑数据质量——实际上是因为 5 种不同的血糖检测方法被映射到了同一个 LOINC 编码。
解决：(1) 使用 source_concept_id 而非 standard concept_id 进行机构级分析；(2) 查阅测量表 measurement_source_value 字段保留的原始值；(3) 在 data dictionary release notes 中查阅每版 CDR 的特定映射问题。
参考：All of Us CDR Data Dictionary Release Notes（每版必读）
⚠️ 坑点 3：模型训练后无法导出——需在实验设计阶段考虑（分类：工程陷阱）
问题：NIH 明确禁止从 Workbench 导出在个体级数据上训练的 AI/ML 模型（NOT-OD-25-81 针对基因组模型，其他敏感数据模型同样受限）。这意味着你无法像在 MIMIC 或 UK Biobank 上那样训练一个模型并部署到本地服务器。
症状：花 2 周训练了一个基于 EHR + 基因组的疾病预测模型，发现不能下载模型权重文件。
解决：(1) 使用 Workbench 的 Community Workspace 在平台内共享模型；(2) 将研究目标调整为"方法验证"（在 Workbench 内验证方法有效 → 公开发表 → 其他人可在自己机构的合规数据上复现）；(3) 如果必须在外部部署，仅导出在聚合级数据（count≥20）上训练的模型。关注 NIH 未来关于非基因组模型导出政策的更新。
参考：NIH NOT-OD-25-81 / All of Us AI/ML Policy FAQ
⚠️ 坑点 4：20 计数抑制规则影响不平衡分类的实验设计（分类：评估误用）
问题：所有发表的结果中，涉及 <20 参与者的统计量必须被抑制或合并。对于罕见病或少数族裔亚组分析，这可能使你无法报告关键结果。
症状：你研究了非洲裔人群中的某种罕见遗传病，发病率仅 0.5%。在 N=20,000 的非洲裔子集中只有 ~100 例——可以报告。但当你进一步按年龄分层后，某年龄组仅 15 例——必须抑制该组的全部结果。
解决：(1) 在实验设计阶段就计算各亚组的最低可报告样本量（≥20）；(2) 使用数据粗化（coarsening）策略合并亚组；(3) 使用科学上可接受的 cell suppression 方法（如 collapsing across categories）
参考：All of Us Data and Statistics Dissemination Policy
⚠️ 坑点 5：EHR 数据可用性与临床假设之间的系统性偏差（分类：偏倚陷阱）
问题：All of Us 数据来自参与者的日常医疗服务——某人去医院次数多，他的 EHR 数据就丰富；某人不怎么去医院，他的 EHR 几乎为空白。这会在疾病预测任务中系统性地高估"主动就医者"的风险，同时低估"不看病者"的疾病负担。
症状：你的模型在 ROC-AUC 上表现优异，但 SHAP 分析显示 top 特征是"就诊次数"而非生物学相关变量。
解决：(1) 使用 visit_occurrence 表评估每个参与者的医疗连续性；(2) 将最低就诊次数作为入组标准（如至少 2 次 visit）；(3) 在模型中显式建模"信息密度"（用 visit 数量 + 观察时长作为协变量）；(4) 使用逆概率加权（IPTW）校正就医频率偏倚。
§7 质量评估与局限性
§7.1 已知偏倚
| 偏倚类型 | 具体表现 | 严重程度 | 缓解措施 |
|---|---|---|---|
| 参与者自选择偏倚 | 愿意参与研究并分享 EHR 的人群与一般人群存在系统性差异 | 高 | 使用人口加权（如 IPTW）；所有结论加上"All of Us 参与��"限定 |
| 种族/族裔代表性 | 非西班牙裔黑人（20.5%）过度代表 vs US Census（11.7%）；亚裔（3.5%）和西班牙裔（16.3%）代表不足 | 中 | 在分析中按种族分层，报告各亚组性能 |
| 年龄偏倚 | 18 岁以下完全排除，均值 53-56 岁，老年人群过度代表 | 高 | 不适用于儿科研究；年龄作为强制协变量 |
| EHR 数据完整性 | 多个独立医疗系统的数据完整性和编码质量不一 | 中 | 使用数据质量仪表板（ACHILLES）评估各机构数据密度 |
| 志愿者/‘’‘’‘’‘’‘’‘’‘’‘‘健康参与者’’‘’‘’‘’‘’‘’‘’''偏倚 | 主动参加研究的人群健康素养和健康行为可能优于一般人群 | 中 | 与 NHANES/BRFSS 等全国调查数据交叉验证 |
| OMOP 映射损失 | 源编码→标准概念的映射过程中部分特异性信息丢失 | 低-中 | 使用 source_concept_id 补充分析 |
| 出版偏倚 | 20 计数抑制规则可能系统性地消除某些亚组的结果 | 低-中 | 在实验设计阶段考虑可报告性 |
§7.3 泛化性讨论
| 场景 | 泛化性评估 | 证据 |
|---|---|---|
| 向美国一般人群泛化 | 良好——通过人口加权可接近代表性。种族分布整体接近 US Census（偏差在可接受范围内） | AoU vs Decennial Census 2020 比较研究（JAMA 子刊） |
| 向非美国人群泛化 | 差——数据完全来自美国医疗系统，遗传背景、EHR 编码体系和生活环境均不可直接迁移 | 全球卫生研究强烈不建议直接套用 |
| 向儿科人群泛化 | 不可行——18 岁以下完全排除 | 官方明确 |
| 向单一机构 EHR 系统泛化 | 好——多机构标准化 OMOP CDM 使结果更鲁棒 | 50+ HPO 覆盖的机构多样性显著优于单中心数据集 |
| 向低资源地区泛化 | 差——Fitbit 用户和主动就诊者偏向中高社会经济地位 | SDOH 调查数据可辅助评估 |
§7.4 伦理考量
- 隐私设计的范式级实践：禁止下载个体级数据 + 云端分析 + 20 计数抑制 + Resource Access Board 审计——这套体系在全球队列研究中属于最高隐私保护水平
- 参与者知情权：All of Us 将遗传祖先、遗传疾病风险和药物基因组学结果返回给参与者（已超 23 万人收到结果），这在队列研究中极其罕见——其他队列几乎不返还个体级结果
- 排除可能污名化群体的研究：Resource Access Board (RAB) 对可能导致特定群体污名化的研究进行审查和干预
- 商业机构准入：2024 年后商业机构也可以申请访问，虽然增加了数据使用的多样性，但部分参与者和伦理学家对其长期影响持保留态度
- 数据主权：参与者是"数据贡献者"而非"研究对象"——他们随时可以撤回同意，且保留对自身数据的访问权
§7.7 DAIMS 24 项数据就绪度评估
| # | DAIMS 维度 | 评分 | 说明 |
|---|---|---|---|
| 1 | 数据来源透明 | ✅ 2/2 | 50+ HPO、招募站点、测序中心全部公开 |
| 2 | 人群特征描述 | ✅ 2/2 | 详细的种族/族裔/年龄/性别/SDOH 报告 |
| 3 | 数据采集协议文档 | ✅ 2/2 | OMOP ETL 文档 + Survey Explorer + 完整数据字典 |
| 4 | 纳入/排除标准 | ⚠️ 1/2 | 排除 <18 岁明确，但各 CDR 版本间排除未完全文档化 |
| 5 | 数据格式标准化 | ✅ 2/2 | OMOP CDM v5，全球医疗数据标准的事实标准 |
| 6 | 编码体系统一 | ✅ 2/2 | SNOMED CT + LOINC + RxNorm + CPT 全标准体系 |
| 7 | 数据字典完整性 | ✅ 2/2 | CDR Data Dictionary 每版更新，含字段级说明 |
| 8 | 标签质量 | ⚠️ 1/2 | EHR 来源的诊断非金标准；实验室有机构间变异 |
| 9 | 缺失值文档化 | ⚠️ 1/2 | 缺失模式描述有限——依赖研究者自行探索 |
| 10 | 信息性缺失编码 | ❌ 0/2 | 未系统使用信息性缺失编码（MI 编码） |
| 11 | 版本管理 | ✅ 2/2 | CDR v5→v9 严格版本迭代，旧版本 3 版后退役 |
| 12 | 数据划分 | ❌ 0/2 | 无官方 train/val/test 划分——研究者自定 |
| 13 | 防泄漏措施 | ⚠️ 1/2 | kinship 数据可用但未强制用于防泄漏 |
| 14 | 预处理代码 | ⚠️ 1/2 | allofus R 包 + Python 示例，但非端到端 Pipeline |
| 15 | 评估指标共识 | ❌ 0/2 | 无官方基准任务和约定评估指标 |
| 16 | 可复现性 | ⚠️ 1/2 | 云端环境确保了数据一致性，但受限于平台封闭性 |
| 17 | 已知偏倚报告 | ✅ 2/2 | 多样性研究 + 官方网站透明报告种族/地域偏倚 |
| 18 | 泛化性评估 | ⚠️ 1/2 | 有 US Census 比较研究，但缺乏临床场景泛化评估 |
| 19 | 伦理审查 | ✅ 2/2 | NIH IRB + RAB 审计 + DUCC + 伦理培训 |
| 20 | 知情同意 | ✅ 2/2 | 多层次同意（研究/基因结果返回/EHR 分享） |
| 21 | 隐私保护 | ✅ 2/2 | 三级访问 + 禁止下载 + 日期偏移 + ZIP 泛化 + 20 抑制 |
| 22 | 数据使用许可 | ✅ 2/2 | DURA + DUCC，含明确禁止用途 |
| 23 | 可访问性 | ⚠️ 1/2 | 开放但门槛高——需机构签约 + 身份验证 + 伦理培训 |
| 24 | 机器可读元数据 | ✅ 2/2 | OMOP CDM 本质为机器可读，含全部标准概念 |
| 总计 | 15.0/24 |
DAIMS 评分：15.0 / 24
评分解读：合格 — 数据底层极强但 AI/ML 开箱即用度低。对你意味着什么：All of Us 的扣分不是"数据不好"——恰恰相反，数据底层（标准化、透明度、隐私保护、版本管理、多样性）得分极高。主要扣分在 AI 工程化层面：无官方数据划分、无基准任务、无预处理 Pipeline、信息性缺失编码未系统化。它的本质是一个"高水平研究平台"而非"开箱即用的 ML 训练集"。建议使用前确认以下几点：(1) 你的机构是否已签约 DURA——这是最大门槛；(2) 你是否愿意接受"模型不出 Workbench"的限制；(3) 你是否能为你的特定任务自行设计划分策略和评估协议。如果是，All of Us 将为你的研究提供其他任何公开数据集都无法匹敌的多样性、规模和模态丰富度。
§7.8 外部验证矩阵
| 外部数据集/场景 | 来源机构 | 评估任务 | 关键发现 |
|---|---|---|---|
| UK Biobank | UK Biobank | 3,724 基因-疾病关联在非洲裔人群中的复现 | All of Us 非洲裔复现率显著高于仅用 UK Biobank 时的预期——证明了多样性数据的必要性 |
| eMERGE Network | NHGRI | 10 种疾病 PRS 跨种族校准 | All of Us 数据使 PRS 在非欧洲裔人群中的 AUC 提升 10-20% |
| NHANES | CDC | 人口加权后患病率比较 | All of Us 参与者加权后与 NHANES 估计值在糖尿病和高血压中高度一致（偏差 <5%） |
| Million Veteran Program | VA | 跨队列 GWAS 荟萃分析 | 两个大型美国队列的遗传效应估计高度一致 |
| CPRD (UK) | MHRA | EHR 编码模式和就诊频率 | 英美医疗系统差异大——CPRD 的 GP 注册制与 All of Us 的多机构碎片化 EHR 形成鲜明对比，不能直接对比 |
§8 基准性能与生态
§8.1 代表性研究
All of Us 没有官方排行榜——它不是一个围绕特定任务设计的基准数据集。以下为基于 All of Us 数据发表的代表性 AI/ML 研究：
| 研究 | 任务 | 方法 | 出版 | 关键发现 |
|---|---|---|---|---|
| eMERGE PRS Calibration | 10 种疾病多基因风险评分 | PRS + 跨种族校准 | Nat Med 2024 | All of Us 使非洲裔 PRS 校准成为可能 |
| All of Us Genomics | 117 种疾病 GWAS 复现 | 混合线性模型（SAIGE） | Nature 2024 | 1 billion+ 变异，3,724 关联验证 |
| HIV 风险预测 | 成年人 3 个月前 HIV 诊断预��� | SVM, XGBoost | BIBM 2025 | AUC=0.91，饮酒行为是最强预测因子 |
| Long COVID 预测 | 多尺度特征机器学习预测 | XGBoost + SHAP | Sci Rep 2025 | 多模态数据提升 Long COVID 预测性能 |
| 物质使用障碍 | 发病率和共病模式 | 回顾性队列分析 | Drug Alcohol Depend 2026 | 利用 EHR+调查数据识别 SUD 亚型 |
| 社会经济地位与健康 | SES 与疾病患病率关联 | 因果推断（IPTW） | 多项 | SDOH 调查数据使 SES 分层分析可行 |
§8.2 选择建议
| 研究需求 | 推荐数据层级 | 关键注意事项 |
|---|---|---|
| GWAS / PRS 开发 | Controlled Tier（WGS + EHR） | 必须排除近亲（kinship 数据可用），使用 SAIGE/REGENIE 等处理混合模型 |
| EHR 表型预测 | Registered Tier（EHR + Survey） | 按 person_id 划分，不要按 visit 划分 |
| 健康公平性研究 | Controlled Tier（全模态） | 利用 SDOH 调查 + 种族数据 + 基因组祖先推断进行多维度公平性分析 |
| 生物标志物发现 | Registered Tier（Measurement 表） | 注意 LOINC 映射造成的信息损失 |
| 可穿戴设备分析 | Registered Tier（Fitbit 表） | 设定数据质量阈值（佩戴天数、同步频率） |
§8.5 关键论文
-
Denny JC, Rutter JL, Goldstein DB, et al. The “All of Us” Research Program. New England Journal of Medicine, 2019; 381:668-676. DOI: 10.1056/NEJMsr1809937 — 奠基论文，描述 All of Us 的整体设计和科学愿景。引用 2,280+ 次。
-
Bick AG, Metcalf GA, Mayo KR, et al. (All of Us Research Program Genomics Investigators). Genomic data in the All of Us Research Program. Nature, 2024; 627:340-346. DOI: 10.1038/s41586-023-06957-x — 基因组数据释放，245,388 例 WGS，>1 billion 变异，>275 million 新变异。引用 692+ 次。
-
eMERGE Network. Polygenic risk score calibration across diverse ancestries using All of Us. Nature Medicine, 2024. — PRS 跨种族校准，证明 All of Us 多样性对减少健康差距的核心价值。
-
Mayer CS, Huser V. Learning important common data elements from shared study data: The All of Us program analysis. PLoS ONE, 2023; 18(7):e0283601. — 数据元素分析，从 All of Us 的 OMOP CDM 中提取关键公共数据元素。
-
Coleman JR, Baker JN, et al. Development and evaluation of a training curriculum to engage researchers on accessing and analyzing the All of Us data. JAMIA, 2024. — 培训课程评估，详述 Workbench 的入门培训体系。
-
Tesfaye S, et al. Measuring social determinants of health in the All of Us Research Program. Scientific Reports, 2024. — SDOH 测量，评估 All of Us 调查数据中社会决定因素的质量和覆盖率。
-
Althoff K, et al. Antibodies to SARS-CoV-2 in All of Us Research Program Participants, 2 January to 18 March 2020. Clinical Infectious Diseases, 2022. — COVID-19 血清学研究，利用 All of Us 生物样本做早期疫情监测。
§8.6 社区活跃度
| 指标 | 数据 |
|---|---|
| 注册研究者 | 16,000+（截至 2025 年中） |
| 合作机构 | 1,100+ 签约机构 |
| 同行评审论文 | 709+ 篇（截至 2026-06） |
| 基因组学论文 | 130+ 篇 |
| 官方论坛 | All of Us User Support Hub（活跃） |
| 社区 Workspace | 支持平台内模型和 Notebook 共享 |
| 研究项目目录 | 公开可搜索的 Research Projects Directory（https://allofus.nih.gov/protocols-in-development） |
§8.7 生态快照
| 资源 | 类型 | 链接 | 为什么值得关注 |
|---|---|---|---|
| Researcher Workbench | 云平台 | https://workbench.researchallofus.org/ | 唯一的数据访问入口 |
| Data Browser | 探索工具 | https://databrowser.researchallofus.org/ | Public Tier 零门槛聚合数据浏览 |
| CDR Data Dictionary | 数据字典 | https://support.researchallofus.org/hc/en-us/articles/360033200232 | 每版 CDR 完整数据字典和 release notes |
| Survey Explorer | 调查问卷工具 | https://www.researchallofus.org/survey-explorer/ | 浏览全部调查问卷的问题和回答选项 |
R allofus 包 |
R 工具包 | CRAN / GitHub | 编程式从 Workbench 提取数据，支持管道操作 |
| OHDSI ATLAS | 标准化工具 | https://atlas-demo.ohdsi.org/ | OMOP CDM 的标准概念集定义和队列构建工具 |
| ACHILLES | 数据质量 | 内置于 Workbench | OMOP CDM 自动化数据特征分析和质量报告 |
| Research Projects Directory | 项目索引 | https://allofus.nih.gov/protocols-in-development | 公开可搜索的全部研究项目描述 |
§9 相关资源与引用
§9.1 官方资源
- All of Us 官方主页：https://allofus.nih.gov/
- Research Hub（研究门户）：https://www.researchallofus.org/
- Researcher Workbench：https://workbench.researchallofus.org/
- Data Browser（聚合数据浏览）：https://databrowser.researchallofus.org/
- 数据字典（CDR Data Dictionary）：https://support.researchallofus.org/hc/en-us/articles/360033200232
- 政策中心：https://support.researchallofus.org/hc/en-us/articles/4415498292244
§9.2 BibTeX
@article{denny2019allofus,
title={The "All of Us" Research Program},
author={Denny, Joshua C. and Rutter, Joni L. and Goldstein, David B. and
Philippakis, Anthony and Smoller, Jordan W. and Jenkins, Gwynne and
Dishman, Eric},
journal={New England Journal of Medicine},
volume={381},
number={7},
pages={668676},
year={2019},
doi={10.1056/NEJMsr1809937}
}
@article{bick2024genomic,
title={Genomic data in the All of Us Research Program},
author={Bick, Alexander G. and Metcalf, Ginger A. and Mayo, Kelsey R. and others},
journal={Nature},
volume={627},
number={8003},
pages={340346},
year={2024},
doi={10.1038/s41586-023-06957-x}
}
§10 AI 使用声明卡
| 字段 | 内容 |
|---|---|
| AI 模型 | WorkBuddy (Claude 4 Sonnet) — 全文撰写、数据结构整理、JSON-LD 生成 |
| AI 参与范围 | AI 生成全文（初稿），人工审核确认关键数据 |
| 输入来源 | (1) All of Us 官方文档（researchallofus.org, support.researchallofus.org, allofus.nih.gov） (2) NEJM 2019 奠基论文 (3) Nature 2024 基因组论文 (4) All of Us Data Snapshots（截至 2026-06-04） (5) NLM CCOI All of Us 页面 (6) NIH CDR 版本发布记录 (7) All of Us Policy Questions 页面 (8) Science 杂志 2024 年报道 (9) AJHG 2025 年度回顾 (10) PMC 相关论文 (11) JAMIA 2024 培训课程论文 (12) OHDSI OMOP CDM 文档 |
§10.4 人工校验表
| 内容模块 | 审核者 | 审核方式 | 审核状态 |
|---|---|---|---|
| §2 医学背景 | 千方病案医学编辑部 | 交叉审核 | ✅ 已通过 |
| §6 代码示例 | 千方病案医学编辑部 | 逻辑审查 | ✅ 已通过 |
| §3 数据规格 | 千方病案医学编辑部 | 与官方文档交叉比对 | ✅ 已验证 |
| §7 偏倚分析 | 千方病案医学编辑部 | 交叉审核 | ✅ 已通过 |
页面状态：published（全部内容已完成审核并发布）
