图 1|概念性数据结构示意,非现有库存数量或已完成流程证明。
一、纵向记录的核心建模
患者级数据必须建立稳定、去标识化的患者键;就诊号、文书编号、检验号、影像号和医嘱号分别作为不同实体键,不能把患者与一次住院混为一个样本。所有时间字段要区分事件发生、采集、录入、签署、更新和报告时间。跨分表关联须提供数据字典及参照完整性报告。若采购规格写“100例试点、正式量暂定1000例”,这些数字只是谈判和规划口径,不能在网页卡片上当作已持有库存。
二、保留时间、缺失和来源语境
临床推理依赖时间先后、病程变化和结果更新。应保留原始时间精度、时区/本地时间定义、记录延迟、撤销或修订状态;缺失字段要区分未测、未记录、不适用、系统未提供和转换失败。把这些情况统称 NULL 会丢失临床语义。纵向时间线应能回溯到原始文书或表行,避免预处理时将未来信息泄漏到预测时点之前。
三、文书与结构化表的互相校验
入院记录、首次病程、进展记录、阶段小结和出院记录与检验、影像报告、药品医嘱可形成多视角证据。机器对齐时可检测日期冲突、单位差异、重复报告和诊断演变,但不能自动用结构化编码覆盖原始表述。病历摘要要保留原文依据与生成版本;诊断编码映射记录映射体系及版本。对于 DICOM 原始影像与影像报告,建立检查级关系并处理报告更正,避免错误配对。
四、预训练与后训练用途
去标识化文本可以支持临床语言模型领域适配,但需确保处理基础和使用权覆盖模型训练及衍生模型。监督任务可包括文书类型识别、时间线摘要、检验趋势提取、诊疗事件抽取和报告检索。后训练任务更适合用截止时间、目标问题和可核查证据定义:模型在某时点能否仅依据当时可见信息回答,是否区分现病史与既往史,是否指出数据缺失和冲突。纵向记录评估应按患者和时间窗切分,隐藏未来信息。
五、研究进展带来的数据问题
2025–2026 年的临床模型研究开始更直接处理长时间线、检索增强和长上下文策略,但不同任务对检索和上下文长度的收益并不相同。近期 EHR 研究显示,影像流程检索任务与抗菌药时间线任务可能对上下文方法呈现不同结果;因此采购数据应允许重建检索候选、时间窗口和证据选择,避免把一个总体分数解释为所有临床推理都变好。公开研究的样本与机构条件也不能外推到未验证人群。
六、质量与代表性指标
至少报告患者数、就诊数、文书数、字段数和文件量,不能用“记录条数”替代患者数。按科室、年龄段、性别、年份、住院/门诊、病程长度、机构和模态分层统计;报告重复患者率、跨表关联成功率、时间字段可用率、文书截断率、检验单位完整率和影像报告匹配率。难例比例、长程就诊比例和多病共存情况需要明确定义。随机抽样以患者为单位并由独立人员复核。
七、隐私治理与验收
病历属于高度敏感信息。去标识化需评估自由文本中的姓名、地址、日期、罕见事件、机构标记和影像头信息;稳定映射键应由受控环境管理。数据使用目的、主体授权、医院/供应方权利、再训练、转授权、保留期限和销毁证明必须逐项确认。交付前进行重识别风险审查与访问控制测试。通过字段完整性检查不等于具备合法交易和商业训练资格。
八、数据量的计量单位
采购标准中的试点患者数、正式目标患者数以及每例至少包含的文书数量,必须分清“患者”“住院”“完整记录包”“文档”“检验明细”“影像检查”和“DICOM 实例”。同一患者可多次就诊,一个住院也可能有数十份文书;把文档条数当患者数会严重放大样本量。建议同时报独立患者数、独立住院数、完整时间线数和可用文书数,并说明重复患者、跨年随访及缺失关键表的处理。
九、时间戳与预测时点冻结
每个预测任务应定义 index time:例如入院后 24 小时内预测某项结果,则只能使用该时点前可获得的信息。实际记录时间、事件时间和入库时间不同,未来录入的出院诊断不能回填到早期决策样本。需保留更正记录和版本链,并标记报告何时签署、结果何时可见。测试集切分应按患者隔离并做时间留出;如果同一患者在训练和测试均有记录,纵向记忆可能让模型“看过答案”。
十、文本与代码的跨模态配对
影像报告和 DICOM 图像、检验报告与明细值、医嘱与执行记录需要可靠配对。连接规则应优先使用合法、稳定的检查号和时间范围,冲突时输出待复核而不是采用最近记录猜测。数值标准化要保存原单位、原参考区间、标准化单位、转换公式和转换错误。疾病编码映射需保留原始文本和字典版本;过度规范化会抹掉临床原文中的否定、疑似、家族史和既往史语义。
十一、纵向任务的错误分类
模型错误至少区分时间顺序错置、跨就诊混淆、阴阳性翻转、将缺失当阴性、漏掉检验趋势、医嘱单位错误、引用错文书、把计划写成已执行、引用未来信息和过度概括不确定性。每类错误对应不同的补数或标注策略。评价摘要可要求逐句证据指针,抽查证据是否支持断言;对临床判断任务由专家审阅,并区分“事实抽取”与“建议”。统一总体评分会把高危错误平均掉,不足以用于安全判断。
十二、采购批次与外部验证
首批试点应按专科和住院/门诊类型分层抽取,先核对关联率、时间完整性、原文可读性和授权范围,再决定扩量。试点不能只选最完整的病例;需披露试点与目标总体差异。若最终只有一个机构,产品介绍应限制为单中心数据方向,外部中心迁移留待后续验证。开放 benchmark、预训练语料和客户专有评测集应分开授权,分别约定训练污染检测和后续模型权重使用。
从“文件集合”到可训练任务
数据集不是把影像、病历或轨迹装进压缩包就结束。面向基础模型预训练,需要来源可追溯、模态可解码、重复与污染可识别、分布可描述;面向监督微调,需要样本与任务、输入输出、参考答案及标注依据一一对应;面向偏好优化和强化学习,还要定义状态、动作、约束、奖励或可验证结果,并保留失败样例。三类用途可以共用底层实体和来源台账,但不能把同一条记录不加区分地重复计入训练、评测和验收。
以原始证据为锚点
工程上建议建立不可变原始层、标准化层、标注层和发布层。每个文件及派生对象记录来源批次、采集时间、授权文件编号、设备/软件版本、转换工具版本、校验和、脱敏策略和责任角色。转换只生成新版本,不覆盖原件;标注保存坐标、时间戳、标签、置信度、指南版本和复核记录。这样才能重建“模型看到的输入来自哪里、经过什么处理、谁作了什么判断”。
把切分与评测设计前移
医学与金融数据尤其容易发生主体泄漏和时间泄漏。应优先按患者、账户、家庭、建筑项目、设备或源机构分组,再按时间设定训练、验证、测试;同一患者的检查、报告和住院文书不得跨集合泄漏。测试集来源、标签和访问权限单独管理,冻结版本并记录哈希。内部随机切分只说明同分布表现,不能替代跨医院、跨设备、跨市场或前瞻性外部验证。
以错误分析驱动补数
总体准确率会掩盖少数群体、低频类别和关键边界条件。交付数据卡应同时报告单位定义、纳入排除规则、缺失率、重复率、字段完整率、标签一致性、类别分布、机构/设备/时间分布及置信区间。对困难样本、阴性样本、模糊样本和真实世界失败样本设置独立清单。数据补采的优先级应由下游错误成本与不确定性决定,而不是单纯追求更大数量。
用可复核的流程体现运营能力
朗慧可把能力落实为可审计的工作包:需求映射、权利与伦理核验、样本盘点、格式转换、双人标注、专家仲裁、自动化质检、盲测抽检、数据卡和版本发布。每个环节都应有输入、输出、责任人、判退条件和留痕。页面介绍的是拟构建方向,不等于已完成采购、取得授权或达到客户验收;正式承诺应以逐批数据清单、许可证明、样例评测和合同附件为准。
落到字段:最小交付实体
本方向建议以“患者—就诊—文书—事件”作为主要实体,并为患者/项目/检查/会话等上层主体保留受控关联键。每条记录需要稳定 ID、数据版本、来源批次、采集或事件时间、生成/转换软件版本、权利依据状态和责任角色。字段级数据字典需要列出类型、单位、允许值、空值语义、原始来源和变换规则;派生标签应保留原文或几何证据指针。交付方要同时提供样本计数脚本和去重逻辑,采购方才能重算数量。
质控要覆盖的方向特异指标
除通用完整性外,至少跟踪:患者和就诊去重、跨表键匹配、事件/记录/签署时间区分、单位一致、文书截断、未来信息隔离。指标应分别报告总体、批次、机构/设备和关键子群分布,列明统计分母、抽样方法、缺失处理和置信范围。数据异常不能只以“已清洗”概括,要保留缺陷类别、处置动作、返工数量和豁免依据。若某项指标不可计算,应明确原因与风险,而不是用空值掩盖。高风险字段可设置自动阻断阈值,但阈值要由项目方与领域专家签署确认。
任务设计围绕可观察能力
适合构建的训练和评测能力包括:病程时间线、检验趋势、医嘱变更、证据定位、出院摘要、缺失解释和截止时间问答。每个任务包需定义目标输入、可用信息截止点、输出结构、参考证据、允许的替代答案、失败边界和人工升级条件。监督微调数据可强调正确映射和证据引用;偏好数据需成对呈现质量差异及判据;RL 环境则必须加入状态、动作、工具权限、终止条件和奖励验证。不能把不同任务类型合并为一项综合分数,也不能用语言流畅度替代专业正确性。
必须主动测的失败模式
测试集要明确覆盖:重复患者跨分区、把未测当正常、使用未来诊断、报告与影像错配、单位错转、机构模板泄漏。针对每类错误准备最小反例和近似正例,检查标注者与 Judge 是否稳定区分。训练集、调参集和最终盲测集按主体及来源分开;所有派生版本记录样本哈希,审计重复与答案污染。对稀有但高后果的边界案例,单独报告样本量和不确定性,禁止把平均指标解释成全人群保证。发现错误时,要能定位到数据来源、字段、标注规则或模型组件。
客户可独立复核的验收包
本方向建议以如下证据作为可交付门槛:患者级完整包抽检、时间窗留出、跨表关联矩阵、字段缺失原因、独立来源复核及用途授权表。此外提供数据卡、字段字典、来源与许可清单、去标识化说明、质量报告、标签指南、版本差异、样例使用协议和已知限制。验收抽样由双方约定的随机种子或采购方独立抽取,并保留复核过程。涉及敏感信息的样例应在受控环境检查,不能通过邮件或公开网页传递原始记录。任何数量、准确率或完成率都注明测试日期、批次、分母及责任签署人。
治理、合规与用途边界
任何敏感数据都必须先回答“谁有权提供、为何可处理、谁可以使用、能否再分发、何时删除”。健康与精神健康记录属于敏感个人信息场景,不能仅凭删除姓名就宣称匿名;影像标签、稀有事件、机构和时间组合仍可能重新识别。应完成合法处理基础、必要性与最小化评估、单独同意或其他适用基础核验、伦理审查、访问控制、加密、导出审批、日志审计和到期删除设计。跨境、商业训练、公开发布和模型权重再分发分别核验。
复现、漂移与版本发布
建议为每次构建生成批次快照,固定输入清单、转换代码、标注指南、模型和评测器版本;关键步骤有变更时,不覆盖已发布版本,而是生成新版本并写明变更原因、影响字段、受影响样本数和回归测试。定期检查来源接口、设备软件、指南、市场数据或业务模板变化。若分布漂移超出约定范围,应暂停自动发布并重做代表性抽检。客户引用数据卡时可以定位到批次和版本,朗慧内部也能从缺陷报告回溯处理责任。
从数据质量到业务价值的闭环
运营指标应与模型风险和客户工作流连接:数据是否覆盖目标场景、标注分歧是否集中在高价值边界、模型错误是否能通过补采或规则调整降低、每轮迭代的成本和质量是否可解释。建议设置需求提出、样例验证、权利审查、工程构建、专家复核、买方盲测和售后监控等阶段门,每阶段明确责任人及退出条件。复盘不仅记录通过的样本,也要记录拒收、授权不足、格式失败和模型失效案例,使下一批建设有证据而非凭经验扩量。
发布与持续运营的管理指标
产品运营应分开追踪需求确认周期、来源核验通过率、样例到正式批次转化率、字段和格式一次验收率、专家复核分歧率、返工周期、客户复测差异及版本更新影响。指标须注明计数单位、统计时间和样本范围,避免用“交付量”掩盖权利材料或质量缺陷。每次发布前由数据负责人确认数据卡与页面描述一致,法务/隐私负责人确认允许用途,技术负责人确认格式及复现,领域专家确认标签规则。发生版本变化时同步更新目录、数据字典、样例协议和客户通知记录。
参考资料与技术依据
- AI4Doctor, npj Digital Medicine 2026
- RAG vs long-context for EHR reasoning, JAMIA 2026
- TIMER: time-aware longitudinal records, npj Digital Medicine 2025
- MedR-Bench, Nature Communications 2025
论文用于说明方法和研究方向;结果依赖其数据与实验条件,不直接证明本页面所述数据已经建成或可用于特定部署。
联系朗慧,讨论样例与数据方案
朗慧科技
电话:137-5502-0164
邮箱:lk@langhuiai.com
地址:长沙高新开发区文轩路27号麓谷钰园F1、F2栋2006房
请注明关注的数据方向、用途、模态/字段、预期规模和交付时间。具体范围以授权核验及双方书面确认结果为准。