MEDICAL DATA RESEARCH
全量纵向长病历如何成为可复核的多模态研究数据
面向医疗AI研发与数据采购,拆解患者—就诊—事件—文件关系、DICOM与报告配对、复杂病例分层、metadata.json、时间截断、质控和独立验证边界,并说明项目阈值、专家复核与数据和模型验收如何分开。
如果同一位患者的门诊、住院、影像、检验和用药记录被拆成互不相认的文件,模型看到的就不是病程,而是一组时间顺序被打乱的片段。它可能知道某张影像对应什么报告,却不知道影像发生在治疗前还是治疗后;可能识别出一次异常检验,却无法判断这是首次发现、复查趋势,还是另一段就诊的结果。对需要诊断推理、鉴别诊断、治疗决策、病情演变和随访转归的医疗人工智能任务来说,真正的技术问题不是把文件凑到一起,而是把每个证据放回患者的临床时间线,并让研究者可以复核这条关系。
先把“完整病历”改写成可执行的临床任务
一份患者级纵向病历数据集,首先需要回答模型究竟要完成什么任务。诊断推理任务要求输入某个索引时点之前的病历、检验、影像及报告,输出诊断候选、依据和不确定性;鉴别诊断任务需要同时保留支持与反对证据,不能只留下最终诊断;治疗决策任务要区分决策发生前已知的信息和事后形成的记录;病情演变任务需要把重复检查、用药、处置和症状变化放到同一条时间轴上;随访转归任务则必须明确终点、观察窗口和终点的证据来源。任务定义不同,允许进入输入的文件、标签发生时间和评价方式也不同。
一项2026年《Nature Medicine》研究在特定的GLP-1受体激动剂治疗响应分析中,将结构化电子健康记录与自由文本中的叙述、治疗理由和结局信息整合,并由医生对抽取结果进行盲法专家核验,重建患者级纵向轨迹。1 这项研究支持“结构化字段与临床文本互补”的数据设计,但不等于任何采购数据集已经具备临床性能。文本里的否定、时间限定、症状变化和临床语境,往往决定一个标签是否成立。因此,采购或建设规格应先写“任务—输入—输出—证据”四元组,再决定需要哪些文件和标注颗粒度。
对于数据采购读者,建议将临床任务拆成四个层次。第一层是患者状态,例如某一时点的主要诊断、伴随疾病、严重度或当前治疗状态。第二层是事件关系,例如某项检验、影像或处置属于哪一次门诊或住院。第三层是跨时间变化,例如指标上升、下降、稳定或出现新的异常。第四层是结局及其观察边界,例如再次就诊、复发、进展、死亡或末次可见随访。四层不能用一个总标签替代,否则模型可能把结果字段当成输入,或者把“没有记录”错误解释成“没有发生”。
四层对象:患者、就诊、事件与文件
源需求最重要的边界是“以患者为单位,而不是以单次就诊为单位”。工程上可以把它落实为四层对象。患者层只保存项目内唯一的匿名ID,并明确同一医疗机构范围和经过约定的基本人口学字段;就诊层保存门诊、急诊或住院的就诊ID、类型、科室、开始和结束时间及离院信息;事件层保存诊断、检验、用药、医嘱、手术、检查和随访等临床事件;文件层保存病历正文、报告、原始影像对象及其可追溯的文件清单。每一层都应有明确主键,并通过受控的外键关系向上或向下连接。
这不是单纯的数据库美化。MIMIC-IV的公开数据论文指出,临床数据常存放在面向日常业务的归档系统中,原有结构未必适合研究解释和分析;其数据通过模块化组织,并用患者、住院和日期时间等标识连接不同模块。2 对定制数据集而言,同样的原则可以转成验收问题:一条检验结果能否追溯到一次就诊?一份影像报告能否找到对应的检查对象?一条用药记录是否带有开始和结束时间?一个结局是否能回到原始文书或明确的记录依据?如果答案是否定的,文件数量再多,也不构成可用的纵向队列。
患者层和就诊层还要避免两个相反的错误。第一个错误是把同名或重复编号的记录误合并,导致不同人的疾病轨迹被拼成一条;第二个错误是同一人的不同就诊被拆散,导致模型无法看到长期病史。匿名化后仍应保留稳定的项目内患者键,并建立从来源ID到交付ID的受控映射表。映射表不进入公开稿,也不交给不需要它的研究角色;但在内部质控中,必须能用它验证合并和拆分是否正确。
图1.患者级纵向长病历的数据对象链。技术示意,不表示真实患者、已完成实验或临床诊断结论。
多模态输入不是文件清单,而是证据关系
这类需求涉及门诊病历、入院和病程记录、手术记录、出院记录、检验明细、医嘱、影像、诊断报告以及按授权可得的其他检查或检测结果。影像部分不能只写“有CT”或“有MR”,而应明确检查级、序列级和实例级颗粒度,记录检查日期、部位、期相、序列标识、图像数量和报告关联。源需求同时提出平扫和增强CT、MR、DR/CR与超声等模态,实际建设时还要允许同一次就诊存在多组检查,并逐组登记,而不是为追求样本整齐只保留一组。
DICOM官方说明,DICOM对象同时包含属性和像素数据,单个对象还可能包含多帧内容;标准也定义了存储、查询、检索以及检查执行相关服务。3 因此,数据工程不应在导出时只保留一张压缩预览图,再把原始序列当作可选附件。对研究任务而言,原始对象中的检查上下文、序列边界和技术元数据可能影响纳排、分层和复核。脱敏也不能只处理表格字段,还需检查文件属性、附带文档以及图像内可能出现的烧录文字。
FHIR R4的ImagingStudy资源把一个DICOM检查表示为study、series和实例层级,并明确一个study可以包含不同模态的多个series;它还可以通过服务端点指向原生DICOM对象的访问方式。4 这为定制的metadata.json提供了一个可借鉴的关系框架:患者、就诊、检查、序列、实例和报告可以分别记录,但必须保留可核对的标识与引用。该标准不是要求每个项目照搬,也不能替代买方字典;它的价值在于提醒建设者不要把“影像已交付”写成一个没有study/series上下文的文件夹。
报告和结果同样需要分层。FHIR的DiagnosticReport资源允许报告关联患者、就诊、标本、观察结果、影像检查、关键图像和最终结论,适用于实验室、病理、影像及其他诊断报告。5 在数据集里,可以保留报告原文,同时提取报告类型、出具时间、结果状态、关联就诊、检查或标本标识。对于文本任务,全文和结构化摘要应并存;对于影像任务,报告不应脱离影像对象单独交付;对于病理或内镜等结果,需明确报告与原始对象是否同批可得。缺少某一端时,记录为“报告可得但原始对象不可得”或相反,而不是用空白暗示两端都不存在。
复杂病例筛选要说明“为什么复杂”
源需求不是普通随机病例抽样,而是要求围绕复杂案例和疑难病情组织数据,并把住院病例与多次门诊病例分层。这样的设计有研发价值,因为诊断推理和病情演变任务需要足够的事件密度;但“复杂”不能只由文件数量决定。住院天数、是否有疑难病例讨论、同一科室反复就诊、同一疾病编码反复出现,都只是可操作的代理条件,不能直接等同于疾病严重度、诊断难度或临床价值。
因此,筛选逻辑应被写成可复核的纳排规则。住院层至少应确认存在住院就诊,再按项目约定检查住院时长或讨论记录;门诊层应确认没有住院记录,再检查同一科室或同一疾病的重复就诊条件。每个患者只允许进入一个明确的分层规则,若同时满足多个条件,要记录优先级和原因。分层比例是队列构成约定,不是模型性能指标,也不能在公开表达中转换成公司库存或临床代表性承诺。
原需求中的样例批次、正式批次、门诊与住院构成比例、每次就诊最低文件种类及科室覆盖,均属于具体项目的书面约定,不应在公开稿中被写成行业统一标准。交付前应把比例、件数、例外条件和待定项落在版本化字典与验收表中;条件尚未确定时,要明确标为待确认,而不是用默认值补齐。
复杂病例的偏差尤其需要提前记录。长住院病例往往文件更多,容易被误认为标签更完整;长期随访者更容易出现重复检查,因此可能在训练和测试中形成隐性泄漏;某些科室的电子文书规范更稳定,可能让模型学习到科室或文书风格而不是疾病特征。年龄段、性别、就诊类型、科室、模态可得性和时间跨度都应在交付统计中分层报告。若某些外院检查只在病历中被提及、但原始对象无法提供,应逐条登记,不能用本院数据替代。
metadata.json应该是研究入口,不是压缩包目录
患者级压缩包的价值不在于“一个患者一个文件夹”,而在于研究者打开元数据后可以立即知道这个患者有哪些就诊、覆盖什么时间、哪些科室参与、每个诊断来自哪个阶段,以及哪些结局有来源。最低结构可以包括患者唯一ID、性别、首次记录时年龄、病历覆盖起止时间、科室集合、就诊数组、诊断编码数组和死亡信息。就诊数组需要区分门诊、急诊和住院,并记录每次就诊的开始、结束、科室和离院方式;诊断数组至少要带就诊关联、编码体系、编码、诊断名称、诊断阶段和主要诊断标识。
年龄和性别统计应作为队列级质量报告,而不是患者级元数据的替代。年龄分箱用于检查样本构成和可能的选择偏差,不能回填或推断个体缺失年龄。死亡信息也应区分“明确记录死亡”“未观察到死亡”“没有足够随访证据”三种状态。若只写一个空值,研究者会把未知终点误读成阴性终点。所有日期要统一格式,但统一格式不等于改变原始发生时间;若存在后补记录,应保留来源时间语义,并在质量报告中说明采用哪一个时间字段排序。
元数据还应带版本、来源和缺件状态。文件清单可以列出文件类型、关联就诊、模态、时间、原始文件是否存在、脱敏状态和质量门结果。对于外院完成但未能取得的检查,记录“引用存在、原始文件缺失”;对于患者未做某项检查,记录“不适用”;对于本应存在但尚未核实的文件,记录“待核查”。这三类状态必须分开。公开的纵向电子病历资源也通常通过模块、患者标识、就诊标识和时间字段组织跨来源信息。2 对医疗数据来说,这种机器可读性必须和最小必要、访问控制同时设计。
标注主体要随任务变化,而不是“一套专家标签包打天下”
这类长病历通常需要多类标注。数据工程人员负责对象识别、文件解析、主外键和格式检查;临床专业人员负责诊断阶段、症状与体征、病情变化、治疗状态和终点依据;影像或病理相关人员负责报告—原始对象的配对、序列完整性和必要的影像语义;方法学人员负责定义输入截断点、标签窗口、训练/验证/测试划分和评价口径。不同角色的职责不能被“有专家审核”一句话替代。相关人员的领域资格、可接触范围和复核责任,应由项目书面确认;官网能力说明不能替代真实资质证明。
标注指南先写适用条件,再写标签名称。比如“病情进展”要定义是依据医嘱、影像报告、病程记录还是多来源一致判断;“治疗开始”要区分开立、执行和患者实际接受;“死亡”要说明日期字段与来源记录;“未见复发”与“没有复发记录”不能混为同类。对于否定句、条件句、推测句和历史既往史,需要在指南中给出正反例。无法判定时保留“不确定”和“资料不足”,而不是强迫标注员选择阳性或阴性。
专家复核可以分为独立初标、盲复核和裁决。高风险字段先由两名具有相应领域背景的人员分别判断,分歧进入裁决队列并保留理由;裁决结果更新指南的例外条款,但不追溯性地悄悄改写已冻结批次。质量指标也要按标签和分层报告,不使用一个总体一致率掩盖某一科室、某一模态或某一时间段的系统性困难。没有必要为每一条原始病历都生成复杂标签,但关键任务的金标准样本必须能回到原文、报告或影像对象。
质量验收:完整、正确、可追溯要分开检查
EHR数据质量综述显示,完整性、符合性和合理性是最常被报告的数据质量维度;正确性、时效性、公平性、稳定性和可共享性则属于需要结合任务补充评估的性能维度。6 这与长病历验收高度一致。完整性回答“要求的文件和字段是否存在”;符合性回答“格式、编码和关系是否遵守字典”;合理性回答“日期、数值、事件顺序和跨文件关系是否符合临床逻辑”;正确性回答“记录是否真实反映来源”;可追溯性回答“结论能否回到源文件”。这些问题不应压缩为一个未经定义的总分。
在结构层,先做自动检查。检查患者ID是否唯一,就诊ID是否重复,文档是否挂接到就诊,报告是否能找到相应检查,影像study和series是否完整,日期是否可解析,是否出现占位日期,单位和参考范围是否齐全,文件命名和目录是否符合约定。随后做跨模态检查,例如影像报告日期是否落在对应就诊范围内,病理报告的标本信息是否能回到样本,医嘱开始时间是否晚于开立时间,出院记录是否晚于入院记录。自动检查不能替代人工复核,但可以把大规模格式问题提前挡住。
在医学层,按患者、就诊、科室、模态、年龄段和性别做分层抽检。抽检不只看文本是否存在,还要看是否截断、是否把否定句变成肯定句、是否遗漏报告附件、是否把不同就诊的事件错接。病案来源审核或签署记录属于来源治理证据,不能被写成模型标签。对于复杂病例,质量检查应特别关注事件密度过高导致的重复文档、后补记录造成的时间错序,以及同一诊断在不同阶段的含义变化。
图2.多模态长病历的分层质控与独立验证。技术示意,不表示真实患者、已完成实验或临床诊断结论。
训练和验收要防止患者级与时间级泄漏
同一患者的多次就诊、影像、报告和检验不能被随机拆到训练集和测试集两侧。否则模型可能通过患者特征、设备风格、重复报告模板或既往图像识别“见过的患者”,得到看似良好的结果。发表于Radiology: Artificial Intelligence的医学影像机器学习综述把数据收集、数据调查、数据划分和特征工程分开讨论,并强调患者或影像重复、来源单一、时间漂移和未经可靠脱敏的DICOM都可能产生偏差。7 对纵向任务还要增加时间截断:若目标是预测某次就诊后的结果,索引时点之后的报告、出院诊断或后续影像不能进入输入特征。
验收应分为数据验收和模型验收。数据验收看目录、字段、关系、文件、脱敏和质量报告是否满足冻结版本;模型验收则要明确任务定义、输入窗口、标签来源、基线、患者级划分、缺失处理、评价指标和独立测试集。若项目只是交付研究数据而不是交付模型,就不应把数据通过门槛描述成“诊断准确”或“疗效预测有效”。如果开展模型试验,应把研究性能、外部验证性能和临床效果分开表述。前两者不能自动推出第三者。
外部验证不必拘泥于单一形式。可以选择不同时间段、不同设备、不同科室组合或不同来源的病例,但必须解释外部队列与开发队列的差异。若外部数据缺失模式明显不同,报告中要说明模型是否按原规则处理,还是重新调参。对于复杂病例队列,不能只报告总体结果,还需观察住院与门诊层、不同模态组合和关键年龄段的差异。任何“泛化良好”的结论都应限定在任务、队列和验证设计内。
TRIPOD+AI指出,临床预测模型的开发、评价或更新都需要完整、准确和透明地报告,以便读者评估研究设计、性能和实施条件。8 这对数据采购同样适用:数据字典、纳排流程、样本构成、缺件、版本、划分和验证方案,都是研究者判断可用性的必要信息。交付时至少应提供当前字典、正反例、文件清单、质控报告、异常和返工记录、版本差异以及独立测试集的保管规则。只有数据本体而没有这些语境,后续研究很难复盘,也难以解释失败来自数据、标签还是模型。
把业务逻辑写进“可暂停”的交付流程
源需求要求先提供样例批次,再进入正式交付。这种安排适合复杂医疗数据,但样例不能只展示“最好看的病例”。样例阶段要覆盖不同就诊类型、主要模态、不同文件完整度和可能退回的边界情况。第一轮目标是验证目录、字段、关联、脱敏和时间逻辑;第二轮才适合验证规模化导出、批次统计和分层平衡。若样例中外院检查无法提供,应在交付说明中留下缺件清单,而不是在正式批次中静默删除。
正式交付可以按患者包组织,但每个包的合格条件必须与业务统计口径一致。门诊和住院的最低文件种类、检查检验处置用药维度、住院文书覆盖、影像与报告配对、时间可还原程度,均应写入字典和验收表。源需求中的数量阈值只在具体项目书面约定内有效,不能泛化为行业统一标准。对于缺少源文件但仍可用于某些结构化任务的批次,可单独标为降级交付,并明确其不适用的研究任务。
验收状态建议至少分为通过、退回、待补齐和不适用。通过意味着满足当前版本的所有必要条件;退回意味着存在不可接受的缺失、错接或格式问题;待补齐意味着来源或授权尚未完成核验;不适用表示该字段或模态经规则判断本就不应出现。每个状态都要绑定患者包、样例编号、检查点、责任角色和复核日期。这样,返工不会被误计入合格量,版本变更也能解释影响了哪些在制数据。
公司能力应与需求、建议和证据分开
从已核验的公司能力范围看,朗慧的定位是AI数据基础设施及流程服务商,自研LangData平台覆盖采集、处理、标注、质检和数据交付。这个定位与患者级长病历建设所需的字段治理、专业标注、质量记录和项目化移交相匹配。它能说明可以围绕这些环节设计工作包,但不能证明某一特定来源、特定模态、特定规模或特定临床结果已经现货可交付。
因此,项目沟通应把三类内容分栏管理。第一栏是需求:患者级归集、模态范围、交付格式、任务标签、最低文件条件和验收阈值。第二栏是已核验能力:数据处理、标注、质检、版本和交付流程。第三栏是待确认事项:实际来源授权、可用病例、模态覆盖、外院检查、专家角色、交付周期和外部验证条件。任何一栏都不能替代另一栏。尤其不能把建设目标写成公司库存,也不能把数据质量门通过写成诊疗效果承诺。
对医疗AI研发团队而言,患者级长病历最值得投入的不是把压缩包做得更大,而是让每条证据有明确的对象、时间、来源和适用边界。只有当临床任务、数据结构、专家判断、质量门控和独立验证彼此对齐,纵向多模态数据才可能从“文件集合”变成可用于研究的基础设施。它可以支持方法开发、队列构建和模型评测,但不构成个体诊断、治疗建议或临床获批依据。最终能否使用,应以合法授权、去标识化、项目字典和书面验收结果为准。
参考来源
- Computable longitudinal patient journeys from structured and unstructured EHR data
- MIMIC-IV, a freely accessible electronic health record dataset
- DICOM Standard: Key Concepts
- FHIR R4 ImagingStudy
- FHIR R4 DiagnosticReport
- Electronic Health Record Data Quality and Performance Assessments
- Mitigating Bias in Radiology Machine Learning: 1. Data Handling
- TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods

