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、十二类表不是十二份孤立文件
规格覆盖病案首页、入院记录、首次病程、病程记录、阶段小结、会诊、出院记录、实验室检验、影像检查、药品医嘱、暴力攻击风险评估和自伤自杀风险评估。应以患者编号连接跨次就诊,以就诊号连接一次住院,以文档编号连接文书,以检验号/影像号/医嘱号连接各自事件。这样既保留患者长期过程,也能防止把同一住院多张表错误统计成多例患者。字段级字典需标明原始文本、结构化值、时间语义和缺失原因。
二、精神科专科信息的语义复杂度
精神检查、症状描述、病程演变、风险量表和治疗护理措施都具有时间和情境依赖。风险评估不是患者固定标签:应关联评估时间、当时观察依据、量表版本、评估人角色和对应措施。诊断可能在住院期间变化,数据集应保留原始诊断及时间点,不以后来的诊断覆盖早期记录。模型任务应避免将单一风险分值直接转化为自动限制措施或临床决策。
三、病历质量和测量偏差
精神科记录会受到机构模板、医生书写风格、就诊渠道、病情严重度和社会因素影响。EHR 研究综述指出,机构差异、缺失和诊断过程会影响模型解释;没有记录并不等于没有症状。训练数据应区分未评估、拒答、未记录、系统未采集和不适用。按医院、科室、年份、年龄、性别、就诊类型和风险等级监测覆盖率,避免模型把某机构的书写习惯当成疾病信号。
四、适合的模型训练任务
受控用途可以包括病历章节识别、时间线整理、药物医嘱结构化、量表字段抽取、文书间事实一致性检查、出院后随访要点提取和证据定位。风险相关任务须由临床专家定义可接受目标,重点评测漏报、误报、拒答与升级人工流程。可将摘要事实与原文段落定位绑定,让审核者能检查证据。数据不应被用来未经审查地预测个体危险性、决定强制措施或替代临床评估。
五、去标识化不等于匿名
直接标识符移除后,稀有事件、精确时间、住院机构、专科文本和关系组合仍可能识别个人。风险量表和自伤信息特别敏感。需对自由文本、表格、影像元数据和文件名进行多层扫描;时间偏移应保持同一患者内时序且评估年龄/节假日等推断风险。访问使用最小权限、分级导出、环境隔离、审计和删除。依据《个人信息保护法》,医疗健康信息属于敏感个人信息,处理需满足特定目的、充分必要和严格保护要求;具体法律基础、单独同意及告知义务须逐项目核验。
六、评测集与安全机制
以患者为单位切分训练、验证和测试,按时间留出后续记录,防止历史文书泄漏未来标签。建立临床专科审核的黄金样本,报告标注者一致性和争议仲裁。模型评测需覆盖正常、冲突、缺失、极端风险、模板变化和不完整病历。对高风险输出设置拒答或人工升级,校验引用是否真实来自病历。红队测试需关注提示注入、敏感数据复述和跨患者信息泄漏。
七、可交付资产的证据链
采购目标中关于百万级“套”的描述必须先定义“套”是患者、住院还是十二表完整关联包,并给出实际可用数量、期间、机构范围和缺失率。未提供授权链、伦理批件、数据盘点和样例验收,不得将规格页面写成现货。朗慧可以在方案阶段交付字段映射、数据质量规则、脱敏风险模型、标注指南与试点验收框架;正式数据服务需在来源合法、用途明确、伦理和合同边界完整后启动。
八、量表与风险记录的数据字典
暴力攻击与自伤自杀风险表需要拆解评估条目、选项、分级、总分、评估时间、版本、执行者角色、观察依据和已采取措施。量表名称和版权许可也要核验,包含受限量表时不可默认允许复制或训练。风险分数如果缺少量表版本与阈值,跨机构不可比较;如果仅保存总分,模型无法复核分项证据。治疗护理措施要区分已执行、计划执行和建议执行,避免把文本意向误读为实际处置。
九、精神科自由文本的再识别
罕见病程、家庭关系、职业、地域、突发事件和精确入院日期可以组合识别个体。去标识化需要对文本、标题、文件属性、扫描件 OCR、影像 DICOM 和目录结构同时执行,并人工抽审模型未识别的隐含标识。日期偏移应维持同一患者的相对时间,但同时评估节日和重大事件泄露。输出统计若出现极小单元格,需合并或抑制。任何对外样例均使用独立合成记录并明确标记,不能直接展示真实病历片段。
十、临床标注者的资格与分工
标注岗位需要区分数据整理、医学事实抽取、专科判断和风险量表审核。非临床人员可以按指南做格式化和原文定位,但不能决定诊断、风险等级或临床合理性。专家资质、专科范围、审核日期和冲突解决流程需留痕。对带有自伤内容的样本,还要给标注人员提供安全规范、暴露管理和升级机制。页面不应只宣传“专家标注”,而要在项目数据卡上列明哪些字段由何种资格人员复核。
十一、负责任的模型评测
评测集覆盖不同机构模板、病程长度、症状表达、共病、用药和风险等级,并检查人群子组误差。输出要能定位至证据片段并给出不确定性;对未授权或超出训练范围的请求应拒答。不得将模型分数直接解释为个体自杀或暴力风险,不用于自动化剥夺权利、约束或惩罚。研究发现的性能只适用于特定样本和协议,部署前需要临床、伦理、法律和安全多方评估,并持续监测失效事件。
十二、数量和完整包验收
“一百万套”若作为采购口径,必须定义一套对应一个患者、一段住院还是十二类表的完整患者包。完整率应按必需表计算,同时报告每张表的缺失比例、每患者平均文书数和跨表键匹配率。对一例多次住院,要明确各住院是否重复计数。低风险字段完整不能抵消高风险评估表缺失。抽检按患者整包进行,发现严重标识残留或授权缺失时应整批暂停而非只返修单条记录。
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/住院/文书/风险量表”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:自由文本标识扫描、量表版本、风险评估时点、措施执行状态、患者级切分、稀有事件风险。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:章节抽取、病程时间线、量表字段结构化、医嘱变更、证据引用、人工升级与安全拒答。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:把分值当诊断、风险误用、漏掉否定、把计划当已执行、重新识别、跨患者串扰和模板偏差。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:专家资格、整患者包抽审、文本与影像脱敏、风险亚组评测、访问日志及到期删除证据。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
- EHRs in psychiatry: review of use and limitations
- Personal Information Protection Law of China (official)
- WHO Ethics and governance of AI for health
- 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。