主题 4.11 — 基因组学与精准医学数据

基因组数据是你的机构将持有的最私密、最持久、最具家族关联性的数据，因此你如何存储、解读、征求同意并反馈它，是一项贯穿终生的、与临床安全、公平性和公众信任相关的决策——而不是实验室的后台事务。

为什么这在卫生与照护中至关重要#

基因组不是一份会过期的检验结果。当你对一个人的 DNA 进行测序时，你产生的这份记录在其一生中都将保持临床相关性，部分与其父母、子女和兄弟姐妹共享，并可能在多年后随着知识的进步被重新解读。一个今天看似无关紧要的变异，十年后可能解释一种癌症、标记出一种会伤害患者的药物，或揭示其未经检测的亲属也携带的风险。这份数据的寿命超过了照护发作期、最初存储它的 IT 系统，往往也超过了下达检测医嘱的临床医生。

这种持久性改变了每一项普通数据决策的利害关系。存储不再是保存一个数字直到下次预约那么简单；而是对一项终生资产的托管，必须在数十年内保持可读和可重新分析。知情同意不再是申请表上一次性的勾选；它必须预见到连临床医生和患者都无法完全预见的用途和发现。访问控制不仅关乎眼前这位患者，因为一个基因组牵涉到那些从未走进你诊所、也从未同意任何事情的人。

基因组学和精准医学数据还带有一种独特的公平性负担。世界上大多数参考基因组和研究基因组来自欧洲血统的人群，因此对一个群体而言自信的变异解读，对另一个群体而言可能是不确定甚至错误的——这是一种嵌入在数据中的偏见，任何床边的善意都无法纠正（参见主题 1.9——数字包容与无障碍性）。而且，由于基因组具有独一无二的可识别性，它们不可能真正实现匿名化；"我们删除了你的姓名"这一承诺，对于一段本身就是你姓名的序列而言并不成立。把工作方式弄错，你泄露的不只是一条记录——你还会侵蚀整个基因组医学事业所依赖的公众信任（参见主题 1.8——数据伦理、知情同意与公众信任）。

核心概念#

基因组学（Genomics）是研究一个生物体全部 DNA——即其基因组——的学科，包括基因如何发挥功能、变异和相互作用，这与经典上研究单个基因的遗传学有所不同。精准医学（Personalized medicine，Precision medicine）（通常也称为个性化医学）是根据每位患者的个体特征——常常是其基因组特征——量身定制预防、诊断和治疗的做法，而不是对所有人套用单一的平均方案。基因组学是精准医学的主要驱动力之一，但两者并非同义词：精准医学还依赖其他分子、影像和生活方式数据。

全基因组测序（Whole genome sequencing，WGS）实际上读取了整个约三十亿碱基对的基因组，这与靶向面板（少数几个基因）或全外显子组测序（编码蛋白质的部分）形成对比。WGS 是数据量最大的选项：单个测序基因组产生的原始和处理后数据大约有一百千兆字节，因此一个全国性项目要以拍字节（petabytes）衡量其存储容量，以数千处理器小时衡量其计算量。这种规模是使基因组数据成为一个独特工程问题、而不只是另一种实验室数据流的首要原因。

将原始序列转化为临床意义的工作，是生物信息学（Bioinformatics）的领域——即比对读段、识别变异、筛选、注释并为人类科学家排出优先级以供解读的计算流水线。这些流水线依赖于参考基因组（Reference genome），即用于比对个体序列的标准化组装体；这一参考基因组的选择和版本，以及用于注释变异的数据库，都会实质性地影响结果。因此，一份基因组结果不是一个原始事实，而是一个经过版本控制、依赖证据的过程的产出，必须能在多年后被重现和审计。

药物基因组学（Pharmacogenomics）是精准医学的一个分支，关注一个人的基因组如何影响其对药物的反应——哪些药物会起作用、哪些不会，以及哪些在标准剂量下有伤害风险。做得好时，它会在开处方的那一刻发出基因型指导的提醒，让临床医生避免使用患者无法安全代谢的药物（参见主题 4.8——电子处方与药物管理）。还有两个特征定义了这种数据类型：意外医学发现（Incidental medical findings）——与检测最初原因无关的、具有临床意义的发现，例如一个意外发现的癌症易感基因——以及数据重新识别（Data re-identification），即基因组具有独特的可识别性，即使姓名被剥离，也能被匹配回个人身份，这正是普通匿名化手段失效的原因。

在英格兰，这一切通过 NHS 基因组医学服务（NHS Genomic Medicine Service）交付，该服务委托一个由区域基因组实验室枢纽（Genomic Laboratory Hubs）组成的国家网络，并通过基因组学英格兰（Genomics England）交付——这是一家政府所有的公司，曾运营十万基因组计划（100,000 Genomes Project），如今维护着国家基因组研究图书馆（National Genomic Research Library），这是一个建立在参与者知情同意基础上的受控研究资源。标准来自包括 HL7 快速医疗互操作性资源（Fast Healthcare Interoperability Resources，FHIR）在内的机构，其基因组学（Genomics）工作使结果能在实验室和病历系统之间流动；以及全球基因组学与健康联盟（Global Alliance for Genomics and Health，GA4GH），该联盟为负责任地共享基因组数据制定国际标准。贯穿这一切的基础是遗传隐私（Genetic privacy）——即一个人控制其自身遗传信息及其家族影响之访问权的原则，并且这一原则正日益成为法律。

最佳实践#

1. 将知情同意视为一种持久的、动态的关系，而不是一次签名。 由于基因组数据将被重新分析，并可能揭示任何人都未曾预料到的发现，一份一次性的同意表格无法承担这份重量。采用分层或动态的知情同意，在细粒度层面记录一个人同意了什么——临床用途、研究用途、因新发现而被再次联系、家族间共享——并让他们能够随时间重新审视这些选择。参照十万基因组计划的先例，参与者明确同意其去标识化的数据加入一个研究图书馆，并使同意状态成为记录中一个可查询的一等属性，而不是一份任何系统都无法据以行动的扫描 PDF（参见主题 1.8——数据伦理、知情同意与公众信任）。

2. 为终生托管和重新分析而设计工程，而不是为一次性报告。 在设计存储和元数据时，应假设这个基因组会在十年、二十年后被尚不存在的人和流水线重新解读。不仅要保留最终报告，还要保留版本化的输入——参考基因组版本、流水线版本、注释数据库发布版本——以便结果能被重现，且重新分析能够看出发生了什么变化。要诚实地规划存储经济性：拍字节级、分层存储，使冷归档序列存储成本低廉但可检索，格式和标识符的选择要优先考虑长期存续性而非供应商便利性（参见主题 4.0——技术架构、云与遗留系统）。

3. 让生物信息学流水线可重现、经过验证，并纳入版本控制。 一份基因组结果是软件的产出，因此这个软件就是一件临床仪器，必须像临床仪器一样被治理。对流水线进行版本控制，用参考标准和已知真值数据集对其进行验证，并为每一份报告精确记录是哪个流水线和哪些数据库生成了它。当你升级参考基因组版本或注释来源时，要把它当作一项具有临床安全影响的变更来对待，因为相同的原始数据在不同版本下可能产生不同的判定结果（参见主题 1.6——临床安全与风险管理）。

4. 将结果以结构化的、可操作的数据形式返回到 EPR 中——而不是一份 PDF。 一项基因组发现只有在正确的临床医生在正确的时刻看到它时才能产生价值，这意味着它必须以可计算的、基于标准的形式到达电子病历。使用 HL7 FHIR Genomics 和公认的术语系统，使一个变异及其解读和临床建议成为病历系统能够据以行动的离散数据，而不是一份任何人都无法查询的、锁在文档里的报告（参见主题 4.6——电子病历与临床系统，以及主题 4.3——互操作性与数据标准）。也要为长尾情况而设计：今天归档的一份结果，必须在多年后变得相关时仍然可被找到和解读。

5. 在处方的那一刻交付药物基因组学，而不是把它归档在一封信里。 一个能够预测危险药物反应的基因型，如果只是静静地躺在一份报告里，而开处方的医生却毫不知情，那就毫无用处。要将药物基因组学结果整合进电子处方系统，使基因型指导的提醒在相关药物被开具时触发，并给出清晰、不会造成疲劳感、开处方者能够据以行动的指引（参见主题 4.8——电子处方与药物管理，以及主题 4.7——临床决策支持与临床信息学）。由于基因型是终生的，要设计成能跨越不同场景和照护发作期持续存在的提醒，使一次在肿瘤科生成的结果能在多年后于初级照护中继续保护患者。

6. 在测序之前而不是之后，就规划好意外发现和继发发现。 全基因组测序有时会揭示一些与检测原因完全无关、但具有重要临床意义的发现，因此要提前决定你们要寻找什么、报告什么，以及患者选择了如何被告知。让政策与患者的知情同意选择保持一致，提供遗传咨询路径，以人性化的方式传达一项严重的意外发现，并确保操作流程——谁联系谁，何时联系——真正存在。等到发现出现之后才临时想办法，正是患者因"好消息处理不当"而受到伤害的原因。

7. 将参考数据偏见视为一个安全和公平性问题来正视。 当参考数据库和变异数据库对某一人群代表性不足时，对该血统人群的解读就会更不确定、更容易出错——一个对某一群体而言"意义未明的变异"，可能仅仅因为数据存在，就对另一群体而言是"确信良性"的。要跟踪你们的解读所依赖数据集的血统多样性，对临床医生坦诚说明哪些情况下置信度较低，并支持构建更具代表性参考数据的努力，而不是把以欧洲人群为中心的基线当作普适标准（参见主题 1.9——数字包容与无障碍性）。这里的公平性不是一种软性的愿景；一个代表性不足的参考数据会带来可量化的、更差的照护结果。

8. 将基因组数据作为具有家族关联性、可重新识别、且极度敏感的数据来治理。 基因组无法真正实现匿名化，且它牵涉到从未同意过任何事情的血亲，因此普通的信息治理默认做法是不够的。应用强有力的访问控制、目的限定和完整的可审计性；将研究访问引导至安全数据环境，在原地分析数据而不是复制出去（参见主题 4.10——安全数据环境与研究数据访问）；并与你的卡尔迪科特监护人（Caldicott Guardian）和临床伦理支持团队一起处理家族相关的问题——何时以及如何告知亲属共同的风险（参见主题 1.7——信息治理、数据保护与网络安全）。对任何跨机构或跨国界共享的数据采用 GA4GH 标准，使负责任的共享成为内嵌设计，而不是事后附加。

与团队讨论的问题#

1. 对于我们将在患者余生中反复重新分析的数据，"同意"究竟意味着什么——我们的系统能否据以行动患者做出的选择？ 这一点很重要，因为患者今天给出的基因组知情同意，必须支配双方都无法预见的用途和发现，而一份扫描表格不是开处方系统或研究流水线能够据以执行的东西。讨论你们的知情同意模式是否真正是动态的——患者能否改变关于被再次联系或研究用途的决定，这种改变是否会传播到所有依赖它的系统？揭示广泛同意与具体同意之间的张力：广泛同意能促成研究和未来的收益，具体同意尊重自主权，但可能将数据挡在本可帮助患者和他人的用途之外。要考虑十万基因组计划和国家基因组研究图书馆的先例，其中明确的、分层的知情同意支撑了公众对一个研究资源的信任。一个好的、诚实的答案会承认目前同意在哪些地方仍是一份无法查询的文档，而不是一个实时属性，并承诺让同意状态成为系统能够读取和遵守的东西，而不仅仅是文件柜里的一份文件。

2. 当全基因组测序揭示我们本来没有在寻找的东西时，我们会怎么做——我们是否已经在发现出现之前就建好了这条路径？ 意外发现和继发发现不是边缘情形；在基因组尺度上，它们是一个可预见的结果类别，而伤害来自在没有计划的情况下处理它们。讨论你们的机构会主动寻找并报告什么，这如何与每位患者的知情同意相一致，以及谁负责以其所需要的遗传咨询方式传达一项严重的意外发现——比如一个癌症易感基因。审视操作上的现实情况：联系患者、提供咨询、并考虑未经检测的亲属的工作流程，是否真的存在并有足够能力，还是仅仅是一段没有团队支撑的政策文字。要考虑家族维度，即这项发现牵涉到那些不是你们患者、也从未同意过的亲属。一个好的答案会指明报告政策，将其与知情同意挂钩，并确认存在一个有资源保障的咨询和再联系路径，而不是假设临床医生会在压力下临时人性化地处理。

3. 我们的解读是建立在谁的基因组之上的——这种偏见在哪些方面使我们的结果对我们人群中的某些部分不够安全？ 基因组解读的好坏取决于其背后的参考数据库和变异数据库，而由于这些数据库以欧洲血统人群为主，对其他群体的置信度系统性地较低——这是一个隐藏在看似客观的科学之中的公平性缺口。讨论你们的团队是否知道其流水线所依赖数据集的血统构成，以及临床医生是否被告知，当结果因该患者背景的底层数据薄弱而不那么确定时。揭示"基于现有最佳证据行动"与"诚实承认'最佳可用'对某些患者比对其他患者更可靠"之间的权衡。要考虑你们的机构能做些什么——从本地数据实践到支持构建更具代表性的国家参考数据——而不是把一个有偏差的基线当作自然界不可改变的事实。一个好的答案拒绝把参考数据偏见当作别人的问题，让不确定性在照护现场可见，并指明迈向更具代表性数据的具体步骤。

4. 十年后我们重新运行一个基因组时，能否重现今天的结果并解释发生了什么变化——我们是否还负担得起保存这份数据？ 一份基因组结果是版本化软件在版本化的参考和注释数据上运行的产出，因此重新分析不是一项附加功能，而是终生保存该序列的全部意义所在。讨论你们的流水线是否为每一份报告记录参考基因组版本、流水线版本和注释数据库发布版本，因为没有这份出处记录，重新分析就无法区分"知识的真正变化"和"软件的悄然变化"。揭示这一承诺背后的存储现实：拍字节级的序列必须在数十年内保持可读和可检索，采用你们不想被锁定的格式和标识符，其成本需要有人在原始照护发作期结束很久之后持续承担资金。审视"删除以省钱"与"保留以服务患者未来"之间的张力，以及"今年供应商便利的格式"与"明天的长期存续性"之间的张力。一个好的答案会把流水线当作一件受治理、有版本控制的临床仪器来对待，诚实地规划分层存储经济性，而不是假设用今年的预算就够了，并能指出一个真正被重现或重新分析的案例，而不是一种理论上的能力。

5. 一个预测伤害的基因型是否真的会到达处方医生的屏幕上、在其开处方的那一刻——还是静静躺在一份归档的报告里？ 一项药物基因组学结果只有在相关药物被开具时触发提醒才能保护患者，而这可能发生在多年后、在与测序时不同的服务中，因此实验室结果与电子处方系统之间的整合，正是临床价值得以实现或丧失的关键所在。讨论你们的基因组结果是否以离散的、可计算的数据形式，使用 HL7 FHIR Genomics 和公认的术语系统返回到病历中，还是仅以文档形式存在、只有主动查找的临床医生才能看到。直面提醒疲劳的权衡：一个触发过于频繁或缺乏清晰、可操作指引的提醒会被忽略，因此设计问题不仅在于提醒是否存在，还在于处方医生是否信任并据此行动。要考虑终生、跨场景的要求——一个在肿瘤科发现的基因型必须继续在初级照护中保护患者——而大多数结果返回设计都悄悄忽略了这一点。一个好的答案能够追溯从一个被识别的变异到处方医生决策的路径，指明谁负责这项整合工作，并承认哪些结果仍以无法使用的 PDF 形式到达。

6. 一个基因组牵涉到从未走进我们诊所的亲属——我们如何治理这种具有家族关联性、且不可能真正匿名化的数据？ 由于一段序列具有独一无二的可识别性，并部分与一个人的父母、子女和兄弟姐妹共享，为按发作期计、可匿名化的记录而建立的普通信息治理默认做法并不适用，而"我们删除了姓名"对于本身就是一种标识符的数据而言，只是一种虚假的安心。讨论你们的访问控制、目的限定和审计对基因组数据实际上是如何运作的，以及研究访问是否通过安全数据环境在原地分析基因组，而不是将其复制出去、从而丧失控制（参见主题 4.10——安全数据环境与研究数据访问）。处理那个真正棘手的家族问题：当一项发现揭示出患者未经检测的亲属也可能携带的严重、可采取行动的风险时，谁可以被告知，基于什么依据，并经过谁的伦理批准。揭示亲属知情的利益与患者对自身信息的控制权之间的张力，以及你们的卡尔迪科特监护人和临床伦理支持团队需要在案例迫使决定之前就已解决这个问题这一现实。一个好的答案会默认将基因组数据视为可重新识别且具有家族关联性的数据来治理，通过 GA4GH 标准和安全环境引导共享，并能够描述家族披露的路径，而不是寄望于这种情况永远不会发生。

实践中：一个卫生与照护案例#

金斯布里奇与维尔基因组实验室枢纽（Kingsbridge and Vale Genomic Laboratory Hub）服务于一个区域整合照护系统，为多家信托机构的罕见病和癌症患者处理全基因组和面板测序。以往，其报告以 PDF 信件的形式送达，归档进每家信托机构的电子病历——只有主动查找的临床医生才能读到，任何可能据以行动的系统都看不到它。当一位患者在医院测序检测两年后，在初级照护中被开具一种常见的心脏药物时，没有人看到那份归档的报告，其中显示该患者是一名代谢不良者，患者因此遭受了一次本可避免的不良反应。董事会将这次险情视为它本来的样子：一次数据流失败，而不是一次临床失败。

该实验室枢纽、其所在的 ICS 以及各信托机构召集了一个基因组学信息学小组，成员包括实验室主任、一位顾问临床遗传学家、首席临床信息官、一位药剂师和卡尔迪科特监护人。他们的第一个决定是停止发送 PDF。与各信托机构的 EPR 和电子处方供应商合作，他们转向使用 HL7 FHIR Genomics 以结构化数据形式返回结果，使一个变异及其解读和可操作的药物基因组学建议成为离散的、可计算的字段。那位代谢不良者的基因型现在作为数据存在于病历中，无论该患者此后在 ICS 内的哪个地方就诊，处方时都会触发提醒。

该小组随后着手处理知情同意和存储问题。他们用一份结构化的同意记录取代了扫描的同意表格，细粒度地记录每位患者是否同意通过国家基因组研究图书馆用于研究、是否同意在出现新发现时被再次联系，以及是否同意家族间共享——并使这一状态可查询，以便重新分析流水线在行动前能够核查它。原始序列被迁移到分层的拍字节存储中，为每个病例保留参考基因组版本和流水线版本，以便任何结果都能随着知识进步被重现或重新分析。研究访问被引导至该 ICS 的安全数据环境，在原地分析基因组而不是导出它们。

有两件事被刻意认真对待。遗传学家坚持要求在扩大 WGS 规模之前，先商定并配备好意外发现政策的资源：一份明确的报告清单，与每位患者的知情同意相一致，并配有真正具备能力的遗传咨询路径。该小组还诚实地记录了这样一点：由于参考数据较为薄弱，变异解读对该 ICS 相当数量的南亚裔和黑人人群而言不够确定——因此报告开始明确标注这种较低的置信度，该 ICS 也支持了一项区域性的参考数据多样化工作。一年后，真正的成果不是某个新设备，而是一种纪律：基因组结果能够流动、能够持久保存、尊重知情同意，并承认自身的局限。

行业视角#

初创企业#

一家基因组学或精准医学初创企业——一项测序服务、一款变异解读工具，或一款药物基因组学决策支持产品——其生死取决于信任和标准的采用。从第一个版本起就构建符合 HL7 FHIR Genomics 和 GA4GH 的产品，因为一个 NHS 基因组实验室枢纽或信托机构不会整合一个只讲专有格式的产品，而后期改造标准的成本高昂。在知情同意、数据驻留和重新识别风险方面要做到极度清晰，因为一次对独特敏感的基因组数据的不当处理，可能在一夜之间摧毁一家年轻公司的信誉。你们的差异化优势不仅仅是算法准确性，还包括一个站得住脚、可审计、可重现的流水线，以及对你们解读在哪些地方不够确定——包括对代表性不足人群——的诚实说明。

小型企业#

一家成熟的小型服务提供者——一家全科诊所、一家社区药房、一家单点诊所，或一家小型诊断供应商——更多是基因组结果的使用者，而不是生成者，其挑战在于以几乎没有专职信息学能力的条件，对并非自己产生的数据采取行动。实际的优先事项是，药物基因组学和其他基因组学发现以结构化的、可操作的数据形式到达临床系统，在处方时触发一个可用的提醒，因为一个小团队无法像一个枢纽那样人工留意归档的报告。要坚持要求供应商通过 HL7 FHIR Genomics 交付结果，而不是你们没有能力解读或重新录入的 PDF，并依靠区域基因组实验室枢纽和国家咨询路径来获得解读和意外发现方面的支持，而不是试图在内部建立这方面的专业能力。围绕具有家族关联性、可重新识别数据的信息治理责任，即便只有一位兼职信息治理负责人，也依然全面适用，因此要在你们的病历中让同意状态可见，并将任何你们无法解决的疑问引导至你们的卡尔迪科特监护人安排，而不是临时应对。

大型机构#

一家大型 NHS 信托机构、一个基因组实验室枢纽，或一家制药公司，其运作规模使存储、解读吞吐量和 EPR 整合成为制约性因素。现实的优先事项是将结果以结构化形式返回临床系统、一条经过验证且纳入版本控制的生物信息学流水线、为数十年重新分析而设计的分层拍字节存储，以及接入电子处方的药物基因组学提醒（参见主题 4.6——电子病历与临床系统）。治理必须涵盖实验室、据结果行动的临床服务，以及拥有家族和知情同意问题所有权的信息治理职能。在这种规模下，最大的失败是整合失败——以无法使用的文档形式到达的结果——因此要在追求测序量之前先投资于互操作性和"知情同意即数据"。

政府#

一个国家级机构——NHS England 的基因组医学服务、基因组学英格兰，或一个权力下放的对应机构——通过委托、标准和共享基础设施塑造整个系统。它的影响力在于要求可互操作的结果格式、资助任何单一信托机构都无法独自建设的参考和研究数据基础设施、运营维系合法性的知情同意和公众参与模式，并在明确的参与者同意基础上管理一个国家研究图书馆（参见主题 9.2——全球与国际数字健康）。政府承担着最重的公平性责任：只有国家层面的行动才能有意义地使参考数据集多样化，从而让基因组医学惠及整个人群，而不仅仅是其中代表性最强的部分。它还承担着公众信任的这份承诺——一次高调的泄露或知情同意丑闻可能让这个国家项目倒退数年，因此透明度和强有力的治理是战略上的必需品，而不是额外负担。

常见失败模式#

• 任何系统都无法读取的 PDF 结果。 一项以文档形式归档的基因组发现，对处方和决策支持系统而言是不可见的，因此救命的信息会一直闲置，直到伤害发生。要以结构化的、基于标准的数据形式返回结果。
• 作为扫描表格的知情同意。 如果知情同意的选择被困在一张无法查询的图像里，任何流水线或临床医生都无法遵守它们，重新分析和研究要么停滞，要么越界。要让知情同意成为一个实时的、细粒度的、可查询的属性。
• 没有意外发现路径就开始测序。 在决定报告什么、建立配备资源的咨询路径之前就扩大 WGS 规模，会把可预见的发现变成靠临时应对处理的危机。
• 一条你无法重现的流水线。 如果你不记录参考基因组版本、流水线版本和注释数据库，你就无法重现一个结果，也无法理解为什么重新分析会改变结果——这是一个伪装成技术细节的临床安全缺口。
• 匿名化的表演。 把一个基因组当作可以匿名化的数据，忽视了它具有独一无二的可识别性这一事实；"我们删除了姓名"是一种虚假的安心。要按可重新识别性来治理，并在安全环境中进行分析。
• 把以欧洲人群为中心的参考数据当作普适标准。 用不具代表性的数据解读每个人的基因组，会给代表性不足的群体带来悄然变差的照护。要跟踪多样性，标注较低的置信度，并支持更好的数据。
• 只为一年、而非一生规划的存储。 变得不可读或无法负担保存的基因组数据，会在数十年后真正重要的时刻辜负患者。要规划分层的、持久的、数十年期的托管。

成熟度模型#

检查清单#

• 基因组知情同意被细粒度地采集（临床用途、研究、再联系、家族间共享），并作为系统能够据以行动的可查询属性存储。
• 结果以结构化的、基于标准的数据形式（HL7 FHIR Genomics）返回到 EPR，而不是 PDF。
• 药物基因组学结果在处方时触发基因型指导的提醒，并跨场景持续存在。
• 生物信息学流水线纳入版本控制并经过验证，每份报告都记录其参考基因组版本、流水线版本和注释数据库。
• 存储为数十年的重新分析而分层、持久并适当配置，保留出处记录以确保可重现性。
• 意外发现和继发发现政策已商定，与知情同意保持一致，并有配备资源的遗传咨询路径作为支撑。
• 解读数据集的血统多样性被跟踪，较低的置信度在照护现场被标注给临床医生。
• 基因组数据按可重新识别且具有家族关联性来治理：强有力的访问控制、完整的审计，以及通过安全数据环境的研究访问。
• 家族披露问题已与卡尔迪科特监护人和临床伦理支持团队一起处理。
• 跨机构边界的数据共享遵循 GA4GH 标准。

关键资料来源#

• NHS England — NHS 基因组医学服务（NHS Genomic Medicine Service） 及国家基因组实验室枢纽网络；委托安排与国家基因组检测目录。
• 基因组学英格兰（Genomics England）— 十万基因组计划（100,000 Genomes Project） 与国家基因组研究图书馆，包括其知情同意和参与者参与模式。
• 全球基因组学与健康联盟（Global Alliance for Genomics and Health，GA4GH）— 负责任共享基因组数据的国际标准与框架。
• HL7 — FHIR Genomics 实施指南，用于与临床系统交换基因组结果。
• 托普尔审查（Topol Review）— 为数字化未来准备医疗卫生人力 （基因组学作为数字化转型的驱动力）。
• 卡尔迪科特原则（Caldicott principles）— 使用保密卫生与照护数据的信息治理原则。
• NICE — 数字健康技术证据标准框架（Evidence Standards Framework for Digital Health Technologies），用于评估基因组学和精准医学工具。

参考文献#

1. Genomics — Wikipedia — https://en.wikipedia.org/wiki/Genomics
2. Personalized medicine — Wikipedia — https://en.wikipedia.org/wiki/Personalized_medicine
3. Whole genome sequencing — Wikipedia — https://en.wikipedia.org/wiki/Whole_genome_sequencing
4. Bioinformatics — Wikipedia — https://en.wikipedia.org/wiki/Bioinformatics
5. Reference genome — Wikipedia — https://en.wikipedia.org/wiki/Reference_genome
6. Pharmacogenomics — Wikipedia — https://en.wikipedia.org/wiki/Pharmacogenomics
7. Incidental medical findings — Wikipedia — https://en.wikipedia.org/wiki/Incidental_medical_findings
8. Data re-identification — Wikipedia — https://en.wikipedia.org/wiki/Data_re-identification
9. Genomics England — Wikipedia — https://en.wikipedia.org/wiki/Genomics_England
10. 100,000 Genomes Project — Wikipedia — https://en.wikipedia.org/wiki/100,000_Genomes_Project
11. Fast Healthcare Interoperability Resources — Wikipedia — https://en.wikipedia.org/wiki/Fast_Healthcare_Interoperability_Resources
12. Global Alliance for Genomics and Health — Wikipedia — https://en.wikipedia.org/wiki/Global_Alliance_for_Genomics_and_Health
13. Genetic privacy — Wikipedia — https://en.wikipedia.org/wiki/Genetic_privacy
14. NHS England — NHS Genomic Medicine Service — NHS England — https://www.england.nhs.uk/genomics/
15. Genomics England — 100,000 Genomes Project and the National Genomic Research Library — Genomics England — https://www.genomicsengland.co.uk/
16. Global Alliance for Genomics and Health — Standards and frameworks for genomic data sharing — GA4GH — https://www.ga4gh.org/
17. HL7 International — FHIR Genomics implementation guidance — HL7 — https://www.hl7.org/fhir/genomics.html
18. Health Education England / NHS — The Topol Review: Preparing the healthcare workforce to deliver the digital future — NHS — https://topol.hee.nhs.uk/