近年来，由于中国本地推进临床速度快、成本低，加上数据逐步获得国际监管认可，使得中国创新药在早期就能吸引全球MNC注意力。因此，临床数据已不仅是科学验证，更是创新药投资的“石油”。而作为估值与风险定价的核心依据，对临床数据进行正确解读的能力也越来越重要。投资人在解读临床时，不仅要看当下结果，更要判断其在下一阶段的复现性和可扩展性。例如，若数据存在选择性披露或偏倚，短期或许难以察觉，但最终会在BD、注册和商业化环节暴露出来，直接影响项目退出。此外，从最终商业化角度，那些能精准切中临床与支付需求的研发的公司，更具商业化潜力，也更容易获得国际药企的合作，从而带来更确定的回报。唯有兼顾科学价值与商业潜力，投资人才能在高不确定性的赛道中抓住真正的赢家。
整个药物开发的过程中存在着大量的不确定性，不同阶段面临着不同的风险。例如：1）临床前的有效性数据能否成功转化到人体临床；2）早期的I/II期临床试验结果能否在III期大规模临床复现；3）临床试验的数据优势能否转化为患者在真实世界的临床获益，或者说药物能否实现成功的商业化销售等等。
无论是药物开发的药企、负责审评药物的监管机构、投资人、抑或是最终使用药物的医生、患者，各方都依赖于临床数据，才能对药物的研发成功率、真实临床获益和适用人群等问题做出判断。然而，出于各种原因，某些临床试验在方案设计或者数据报道时可能存在一定偏倚，例如选择性入组（“挑病人”）、不同剂量组之间的选择性报告/合并报告等等，可能会在有意无意之间，对监管、医生、患者或投资人造成一定程度的误导。
另一方面，一个好的临床方案设计和数据分析可以保障药物的下限，既能确保真正具有临床获益的药物不被其他因素干扰而被拒绝上市，又能避免无效或劣效的药物上市带来风险和社会资源的浪费。最经典的例子莫过于两款PD-1类药物Opdivo和Keytruda的竞赛。两者同样于2014年获批上市，初期Opdivo凭借更领先的临床布局，销售额一度数倍于Keytruda，但在最重要的癌种——非小细胞肺癌（NSCLC）上，Keytruda通过更为精准的人群划分（Keynote-024），率先于2016年6月拿下PD-L1 TPS≥50%人群的适应症；而Opdivo将入组人群设定为更宽松的PD-L1 TPS≥5%（Checkmate-026），于两个月后宣布临床失败。此后Keytruda的销售额迅速追上Opdivo，最终于2018年实现了反超。
本文将以具体案例的形式，讨论临床试验中需重点关注的问题（尤其是如何识别和排除偏倚），以更加全面、准确地评估药物。同时，也期待能够通过这些案例，在如何更好地设计临床试验方面给予读者一些启发。
目录
核心结论
一、临床终点相关
1、临床终点的选择
2、临床终点是否存在选择性披露
3、复合终点是否被正确使用
4、替代终点是否被正确使用
5、同样的临床终点，但评估准则或方法并不一致
6、综合多指标进行评估
二、给药方式相关
1、联合用药的选择
2、给药前的预处理
3、后线治疗&组间交叉
三、统计学相关
1、FAS集与PPS集
2、统计学多重性与多临床终点
3、中期分析中，α是否被适当分配
4、临床整体失败，但亚组分析显示有效
5、真实世界临床研究的倾向性调整
Reference
在立项或临床试验方案设计时，具体选择哪类终点指标，需要与目前临床未满足需求相匹配，而不能盲目跟随已上市药品的临床方案。例如对于原发性血小板减少的治疗，目前一线疗法糖皮质激素和丙球蛋白灌注短期内对于大部分患者都是有效的，但是临床痛点在于血小板提升的持续时间短，患者极易复发、需高频率用药。假设两款新的二线用药A药和B药（根据中国成人血小板减少症诊疗专家共识，血小板减少的标准为小于100x109）：
- B药虽然提升血小板的程度较低（例如只有120 x 109），但实验终点选择为长期内（例如停药后14~24周）的持续应答率（停药后或多次检测中均有应答的患者比例）
显然，A药虽然在提升血小板水平方面表现更好，但B药临床终点的设计才更符合实际的临床需求。
对于某些疾病来说，往往存在一系列的临床终点，每个终点各有其侧重。例如自免领域内经常被用到的终点包括：
- 复合类指标：美国风湿病学会ACR制定的多组合评分等
在评价和比较不同药物时，需注意不同药物的临床终点是否一致，例如PASI 75和PASI 90；如果某些结果存在选择性报告，未经披露的终点数据往往并不理想，往往需要特别注意。此外，除了单项的终点改善，是否对患者整体的生活质量有获益也更为重要，这需要从多个维度进行分析。
复合终点是指通过统计手段，将多个不同的临床终点合并而来的单一临床终点，通常在肿瘤和心血管领域应用较多。实际上，像PFS，DFS等肿瘤领域的常见终点，本质上也是复合终点。MACE（主要心血管不良事件，Major Adverse Cardiovascular Disease）则是心血管领域最常用的复合终点。经典的MACE包含三项事件：心血管事件导致的死亡、非致死性的心肌梗死、非致死性卒中。越来越多不同细分领域的心血管临床实验，加入了许多与某些具体特定临床试验相关的其他终点，例如心力衰竭、血栓、心律失常、计划外血运重建、不稳定心绞痛导致的住院治疗等等。
使用复合终点的初衷是减少所需要的临床统计样本量，更高效和迅速地完成临床，推动药物上市。但目前业界对于MACE等复合终点的不合理使用也产生了一些担忧，例如Gaudino M, Braunwald E, Stone GW等在欧洲心脏协会杂志上提到的（《Beyond the Classic Major Cardiovascular Event Outcome for Cardiovascular Trials》）：
不同的临床试验对各个组成事件的定义不同，增加了药物评价的难度。可能存在某些临床试验为了进一步降低样本量或为了提升结果的显著性，加入了其他重要性存疑或相对重要性更低的临床终点，在评估和判断时需要打开具体细分每一类型事件的具体影响。
不同的临床实验，对于每个终点事件分配的权重也不同。可能导致合并起来的结果掩盖了单个重要事件的可能。例如整体MACE的有效性更多是仅仅其中一项不重要的临床终点贡献的，而药物对于其他事件没有显著的改善作用。
部分终点忽略了事件发生次数的影响：例如同一患者单次的心肌梗死与三次心肌梗死对主要终点的贡献差异。
总的来说，不同临床试验的MACE指标涵义未必相同，若涵义不同直接的横向比较可能引入偏误。
在肿瘤领域，OS是公认的金标准临床终点，可以直接衡量患者的获益。但由于OS数据读出往往需要较长时间的随访，出于伦理和推动药物加速上市的考虑，ORR、DoR、PFS、RFS（无复发生存期，常用于评价药物对于切除治疗后预防肿瘤复发的效果）等替代终点被愈来愈多地使用。CDE于2022年也发布了《在抗肿瘤药物临床试验中运用替代终点的审评考量》，在实践中有越来越多的抗肿瘤药物先通过PFS等替代终点加速上市，再在上市后继续补充以OS为临床终点的确认性研究。然而，替代终点的获益（例如PFS获益）并不总能转化为OS的获益，在时间效率与效果上需要综合权衡比较：
I期剂量探索不充分：例如药物在短期有效，相比对照组提升了PFS；但其代价是同样相对更高的毒性，后期的耐药或者后期毒性的慢慢累积导致最终的OS未获益。此种情形往往是由于I期的剂量探索试验并不充分（毒性的跟踪时间不够久），仅仅探索出了相对短的随访时间内的最大毒性剂量，而随着在更长时间内的长期多次给药，毒性暴露出来，导致了对OS的损害。
药物机制不同导致生存曲线存在差异：与mOS，mPFS、HR等单一数字指标相比，生存曲线更能全面反应药物的临床特征。例如，免疫疗法在对照化疗或小分子靶向药时，往往短期内疗效并没有显著优势，治疗效果（或者说对肿瘤的抑制）需要在较长期体现；而一旦患者能够对免疫疗法产生响应，往往可以实现较长期的生存，导致免疫疗法的生存曲线最终反超（免疫治疗的拖尾效应，tail effect）。因此，小分子靶向药可能在短期内出现更多响应，但中长期因产生耐药性，生存率迅速下降；而免疫疗法往往会体现为PFS等短期指标无获益，但长期指标OS有获益。我们大致简单示意了免疫疗法vs小分子靶向药的生存曲线：
图表 1免疫疗法和小分子靶向药的生存曲线对比（示意图）
此外，类似机制的免疫类药物也可能呈现不同的生存曲线特点。例如某些PD-1虽然在ORR数据一般，但其DoR非常优异，对于有响应的患者能够极强地延长生存；而有些PD-1药物虽然ORR高，患者响应率高，但其DoR短，有响应的患者长期获益有限。
即使选择同样的临床终点，但是否严格遵照评估指标规范、是否采用不同的评估方案等因素也可能影响数据的可比性，常见的偏误可能包括：- ORR是否经确认：在RECIST标准下，PR/CR的认定均需在经过至少4周的第二次评估后仍能维持PR/CR，以确保缓解的可持续性。部分临床披露的仅为未确认的ORR（unconfirmed ORR, uORR），与经确认的ORR（confirmed ORR）并不是同一口径，后者较前者往往会有所降低。
- 临床终点的评估频率是否一致：对于PFS这类依赖于主观评估的临床终点（OS显然更客观、更易于评估和报告），评估频率不一致可能会导致数据读出的偏差。这里的“一致”，既指同一个试验的实验组和对照组之间要一致，也指不同试验间做比较时要一致。对于一个单臂临床，如果使用历史上其他临床试验中的PFS作为对照，需注意保证本次实验的PFS评估频率、评估方案与历史实验方案是否一致；否则，哪怕是同时发生的一个PD事件，在不同的评估频率下，被观测到的节点可能并不相同，造成读出的数据并不一致。下图中列举了一个具体案例：假如试验A每8周进行一次肿瘤评估，而试验B是每6周进行一次肿瘤评估。若同一个 PD 出现的时间在 17～25 周，那么试验A至少要到第24周才能观察到PD，而试验B可能在第18周就会观察到PD。
资料来源：统心协力-医学统计常用方法实操
仍然以肿瘤为例，在随访期间报告的mOS，mPFS等绝对指标（某个时点的指标）若单独评估很可能也带来第一印象上的偏误，应当结合HR等相对指标。mOS，mPFS作为统计估计值（而并非真正的患者生存或死亡比例值），其稳健性受到随访时间，报告时点，不同药物的治疗机制等多因素的影响。随访时间越长，中位生存时点对应的patients at risk越多，数据的稳健越强。单独依赖mOS，mPFS很可能存在高估或低估临床效果的情况。mPFS低估的情形可以参考阿法替尼与吉非替尼在EGFR突变阳性非小细胞肺癌(LUX-Lung 7)的II期数据，中位mPFS相差很小（<1个月），但HR获益显著（降低27%风险）。资料来源：Park K, et al. Lancet Oncol. 2016 May
目前已经比较熟知的患者基线差异会对数据产生很大影响。实际上，除此之外，受试药物的给药方式不同，也可能产生类似的影响。
目前，在肿瘤领域探索联合用药的临床实践越来越多，而联合用药的不同选择搭配，有时也会影响实验药物的效果。例如罗氏的阿替利珠单抗（PD-L1单抗，Tecentriq），在联合化疗（白蛋白紫杉醇）用于一线治疗转移性或不可切除的三阴性乳腺癌（TNBC）的III期IMpassion130的临床研究取得了成功，但在将联用化疗药物改为紫杉醇的IMpassion131临床中却失败了。IMpassion130临床试验的902例样本相比于安慰剂结合白蛋白紫杉醇的对照组延长了7.5个月的OS，但IMpassion131却没有体现出获益。其背后的原因较为复杂，得益于单细胞测序技术的发展，对不同联合用药治疗后的肿瘤微环境（Tumor Microenvironment，TME）测序数据分析后，揭示了部分原因：- 紫杉醇和白蛋白紫杉醇对于TME的影响不同：根据对联用白蛋白紫杉醇+阿替利珠单抗、联用紫杉醇+阿替利珠单抗、单药紫杉醇、单药白蛋白紫杉醇分别进行单细胞测序：发现相比于紫杉醇，白蛋白紫杉醇可以更强的激活肥大细胞和巨噬细胞。相应地，肥大细胞能够更强的激活T细胞，将幼稚B细胞和记忆B细胞募集到TME中，借助CXCL9-CXCR3募集促炎性巨噬细胞，多种途径来增强阿替利珠引起的免疫应答。在白蛋白结合型紫杉醇中，Tsem（stem-like effector memory CD8+ T cells）显著增强，而起到抑制作用的Treg，Texhausted细胞显著减少。
图表 4 白蛋白紫杉醇/紫杉醇±阿替利珠单抗的TME中免疫细胞构成
资料来源：Zhang et al., Distinct cellular mechanisms underlie chemotherapies and PD-L1 blockade combinations in triple-negative breast cancer
从上可知，紫杉醇和白蛋白紫杉醇在TME中能否激活肥大细胞以更好地增强肿瘤免疫应答方面存在差别，可能导致了IMpassion130和IMpassion131两个临床呈现出不同的结果。- 紫杉醇潜在的糖皮质激素预处理可能导致了免疫抑制：除了不同紫杉醇对于TME及TME中的免疫细胞影响差异，另一个可能的原因是与两次临床实验中联用紫杉醇的剂型差异有关。不同于白蛋白紫杉醇，注射紫杉醇有较强的亲脂性，不溶于水，注射时一般还需加入聚氧乙基代蓖麻油及无水乙醇助溶，从而可能导致过敏，因此临床中需对部分患者进行地塞米松等糖皮质激素的预处理。但白蛋白紫杉醇以为剂型的优势无需额外使用糖皮质激素，而糖皮质激素作为常用的免疫抑制剂，这一点也可能对抗PD-L1药物的实际效果产生潜在影响，削弱了免疫治疗效果。
被吉利德以49亿USD收购的FortySeven，最早将CD47推到临床的公司，在临床方案设计中，申办方为了避免CD47抗体对于健康红细胞的攻击，在正式对患者给药前进行了一次低剂量的预激给药Priming Dose（剂量~1mg/kg）。预激给药的目的是清除体内的衰老红细胞，这虽然会导致暂时性的轻度贫血，但同时也会刺激新鲜强壮的红细胞生成，从一定程度上降低了后续正式给药导致的贫血副作用。在I期II期临床实验中，prime dosing确实通过这种方式缓解了部分CD47对红细胞的毒性，但是随着III期人群的扩大、多临床中心的执行差异、给药剂量提升、给药频率的提升等等潜在原因，CD47的毒性问题逐渐暴露得更加明显，在早期临床中没有体现的安全性风险在III期暴露出来。最终，吉利德不得不放弃这个产品。
疾病进展后患者接受多线治疗情况存在差异：患者在疾病进展（PD）后的疾病进展后生存期（SPP）内，会经历其他多线治疗。SPP越长，患者可能接受的治疗方式越多，实验组和对照组的患者在SPP期间接受的后线治疗方式和程度产生差异的可能性就越大，这会导致不同组之间的OS数据受到非药物作用的影响；虽然理论上RCT实验中的随机化能够消除这一因素的影响，但临床实践中，出于各种原因，有时还是能看到实验组和对照组接受后线治疗的比例存在差异。因此一般SPP越长，统计学上所要求的能观察到实验组OS获益的样本量也就需要越大。
实验组和对照组的交叉影响了OS：某些情形下药物OS不显著的潜在可能原因是在IIT集合下，出于临床伦理的考虑有一定比例的对照组患者交叉到了实验组进行了实验药治疗，而这部分交叉患者的获益未能体现在实验组的OS数据中，导致实验组药物的OS被低估。此种情形若占比较大，可通过二阶段模型等统计学方法对实验组的OS获益情况进行校正，以剔除对照组因交叉带来的OS获益的影响。但是，同时也需要注意，任何事后需校正在统计学上都存在引入新的偏倚或估算误差的可能性。因此，在横向比较不同药物OS数据时，需注意对齐临床设计是否允许交叉，以及报道的OS是原始数据还是校正后的数据。
当试验中FAS集（Full Analysis Set，全分析集）和PPS集（Per Protocol Set，符合方案集）的数据差异较大时，也值得重点探究其背后的原因。例如当PPS集的受试人数显著更少，可能是因为依从性差丢失了患者，也可能是给药方式过于复杂、受试者由于自身感受到疗效不佳，或是副作用高、安全性有问题等等原因退出了实验（无论受试者的感觉是主观还是客观的）。无论出于上述哪种原因，都是值得警惕的风险。通俗而言，以上情形也就是“幸存者偏差”在临床实验中的体现。需对所有纳入随机试验的参与者进行分析，无论他们是否完成试验，同时需注重对FAS集的分析。
多重性本质上是因多次进行统计推断而导致Ⅰ类错误概率膨胀的现象。在临床试验研究中，其本质是对同一批数据进行了多次检验而导致放大一类错误的概率。例如假设单次实验中的出现一类错误的概率是2.5%（α=2.5%），但是若重复进行10次统计检验，出现错误的概率将累积起来显著提升。多重性在临床实验中有许多可能出现的情形，例如多临床终点、中期分析、亚组分析等等。在实践中通常通过bonferroni法、固定序列法、后降法、普适链法等对α进行分配和回收。多临床终点：假设某次实验中，设计的主要临床终点为A和B，且任一临床终点达到均认为实验成功。在此种情况下，假设一类错误率和单临床终点仍然设置为2.5%，则会导致双临床终点的一类错误率膨胀至接近5%的水平。两个终点各自独立检验，总体假阳性风险会叠加，本质上相当于给错误结论多开了一扇门。
同理，中期分析也同样涉及多重性和α的分配。例如一项临床试验共进行了3次中期分析，若每次一类错误率的水平仍控制在2.5%，则总体会导致一类错误率膨胀至7%左右的水平（虽然多次中期实验的结果是有关联性而并非完全独立的）。实践中一般会根据执行中期分析时所处的具体阶段（受试者入组的进度、随访期的长短等等）从而设定递增式的α消耗水平。即越早阶段的中期分析，若要求统计显著性，则越要求更小的α水平；随着实验的进行，信息逐渐累积，使结果变得可靠与稳定，α的水平可以逐渐放宽。合理恰当的中期分析可以节省临床开发费用，实现有效药物的上市，例如通过中期分析的结果决定推进全人群或推进某些亚组人群等。但中期分析的设计需要特别注意以下点：- 合适的中期分析次数：过多的中期分析次数意义不大，且会加速消耗α水平
- 进行中期分析的节点：过早的中期分析，因为积累的入组病人数据不充分较难得到有意义的结果；而过晚的中期分析因为时间点接近末期分析，同样意义不大
- 合适的α分配方式：选择合适的α分配模型，不使得早期过小的α水平得出药物无效的结论；同时避免选择一个过大的α，避免因后续的中期分析或终期分析没有足够的α导致最终结果不显著
以Keynote-604 在ES-SCLC（extensive stage small cell lung cancer）III期临床为例，共设计了2次中期分析，其中期分析数据及α消耗水平情况如下：
在终期分析时，虽然PFS实现统计学显著，但OS对应P值0.0164，略大于设定的终末期分析α=0.0128，导致整体实验未达终点。中期分析I和分析II的间隔时间较短，且OS例数增加相对有限，某种程度上第二次中期分析浪费了一部分α水平，若留到终期分析可能达到整体OS也统计学显著。
在很多失败的临床研究中，开发者会发现在其中的某几个亚组中（例如亚洲人群亚组，某些基因型突变亚组，带有某些合并症的亚组等等），显示出了药物的有效性，从而启动新的一项实验专门针对显示有效性的亚组。但很多时候，基于事后（而非事前预先设定的）亚组分析情况，重新再开展临床的结果往往并不理想。例如Rilotumumab基于cMET亚组阳性而推进的胃癌III期临床试验、Motesanib基于亚洲人群亚组而推进的NSCLC临床试验等。当然，亚组分析推动的成功临床试验也有很多案例。我们认为，对于此类基于亚组进行新开发的临床试验，需要重点关注前次失败临床实验中亚组分析的可靠性，包括：
真实世界的临床研究很难像临床阶段的随机对照试验，可以严格对病人进行随机分配处理，使得实验组和对照组之间的患者各个方面（治疗基线、年龄、性别，疾病进程）都保持一致。通常而言真实世界研究存在着各种各样的混杂因素，在不对各种混杂因素进行调整时评估和分析药物可能带来显著的偏误。倾向性评分匹配（Propensity Score Matching, PSM）就是一种常见的用于修正和调整临床实验分组偏倚的方法。PSM可以通过平衡混杂变量（如年龄、性别、疾病特征等）来模拟随机对照试验的效果，从而减少选择的偏倚。例如对于某类结直肠癌药物A，发现年龄低于60岁的且此前未经过其他治疗的患者有更大可能用A药，PSM通过logisitic回归计算一个患者使用A药的概率，并将这个患者与和他PSM概率一致或接近的患者但未使用药物A的患者匹配到一组进行分析，起到“事后随机化的”效果。特别地，在对真实世界研究的临床数据统计时，除了关注是否进行了随机化调整，也需要关注使用PSM时对照组的样本数量是否足够大，以保证几乎所有的试验组都可以被匹配上合适对照组样本。如果有试验组大量的不合适的样本剔除，有可能造成选择性偏倚，且计算PSM评分时回归模型仅包含已知的可能影响药物选择的因素，无法包含未知的因素（例如尚不明确的遗传影响）。
Reference
Merino M, Kasamon Y, Theoret M, Pazdur R, Kluetz P, Gormley N. Irreconcilable Differences: The Divorce Between Response Rates, Progression-Free Survival, and Overall Survival. J Clin Oncol. 2023 May 20;41(15):2706-2712. doi: 10.1200/JCO.23.00225. Epub 2023 Mar 17. Erratum in: J Clin Oncol. 2023 Sep 20;41(27):4449. Gaudino M, Braunwald E, Stone GW. Beyond the classic major cardiovascular event outcome for cardiovascular trials. Eur Heart J. 2024 Nov 21;45(44):4700-4703.Li YJ, Liu XZ, Yao YF, Chen N, Li ZW, Zhang XY, Lin XF, Wu AW. Efficacy and safety of preoperative immunotherapy in patients with mismatch repair-deficient or microsatellite instability-high gastrointestinal malignancies. World J Gastrointest Surg. 2023 Feb 27;15(2):222-233.Park K, Tan EH, O'Byrne K, Zhang L, Boyer M, Mok T, Hirsh V, Yang JC, Lee KH, Lu S, Shi Y, Kim SW, Laskin J, Kim DW, Arvis CD, Kölbeck K, Laurie SA, Tsai CM, Shahidi M, Kim M, Massey D, Zazulina V, Paz-Ares L. Afatinib versus gefitinib as first-line treatment of patients with EGFR mutation-positive non-small-cell lung cancer (LUX-Lung 7): a phase 2B, open-label, randomised controlled trial. Lancet Oncol. 2016 May;17(5):577-89. doi: 10.1016/S1470-2045(16)30033-X. Epub 2016 Apr 12. PMID: 27083334.Zhang Y, Chen H, Mo H, Hu X, Gao R, Zhao Y, Liu B, Niu L, Sun X, Yu X, Wang Y, Chang Q, Gong T, Guan X, Hu T, Qian T, Xu B, Ma F, Zhang Z, Liu Z. Single-cell analyses reveal key immune cell subsets associated with response to PD-L1 blockade in triple-negative breast cancer. Cancer Cell. 2021 Dec 13;39(12):1578-1593.e8.Zhang Y, Chen H, Mo H, Zhao N, Sun X, Liu B, Gao R, Xu B, Zhang Z, Liu Z, Ma F. Distinct cellular mechanisms underlie chemotherapies and PD-L1 blockade combinations in triple-negative breast cancer. Cancer Cell. 2025 Mar 10;43(3):446-463.e7.FDA：Report 22 Cases Where Phase2 and Phase3 Trials Had Divergent Results百济神州：统心协力-医学统计常用方法实操，科学技术文献出版社，2023周支瑞，胡志德：疯狂统计学，中南大学出版社，2018CDE：在肿瘤药物临床试验中运用替代终点的评审考量CPHI：研发|探究IMpassion131折戟原因助力肿瘤新药研发德福荣誉 | 德福资本荣获母基金研究中心“2025 PE基金最佳回报TOP30”等三大奖项
德福资本战略入股美丽田园医疗健康（02373.HK）并获董事会席位
德福荣誉 | 德福资本入选中国保险资产管理业协会“2024年保险资金投资的私募股权投资基金管理人评价A类”名单德福荣誉 | 德福资本荣获全球PE论坛2023-2024年度中国PE/VC行业评选“中国并购投资机构五强”等三大奖项德福荣誉 | 德福资本荣获“投中2024年度粤港澳大湾区最佳私募股权投资机构Top30”奖项德福资本成功举办第一届德财研习社交流活动，探讨企业财务管理及CFO如何助力企业发展马来西亚经济部长和前卫生部长参加德福资本和银河证券海外举办的马来西亚–中国医疗高峰论坛德福资本携手印度尼西亚主权基金推动印尼与中国医疗领域合作迈向新阶段德福资本携中国医疗企业考察团拜会印尼卫生部长和投资部长 就中国企业在印尼发展进行交流讨论德福荣誉 | 德福资本荣获2024母基金研究中心“2024 PE基金最佳回报TOP12”等三大奖项德福荣誉 | 德福资本荣获FOFWEEKLY“2024新质生产力投资机构软实力排行榜GP TOP 100”两大奖项中日医疗产业重点领域对比研究（第三部分）：日本医疗服务板块研究
2026-06-05
53页
川公网安备51019002008863号
本网站未发布麻醉药品、精神药品、医疗用毒性药品、放射性药品、戒毒药品和医疗机构制剂的产品信息
收藏
登录后参与评论
暂无评论