跳至正文
朗慧科技

MEDICAL DATA RESEARCH

患者全周期病历数据:从 10 年时间窗到可复核验收

面向医疗AI研发与数据采购团队,拆解门诊与住院病历如何以患者级时间线、10年/5年观察窗、就诊密度、关键表单、时间逻辑和A/B质量分档完成可复核验收,并明确患者级划分、外部验证、授权与公司能力边界。

临床文本与纵向多模态AI辅助整理 · 研发交流

医疗AI研发团队如果拿到一批“有病历”的数据,能否回答三个问题:同一患者的门诊和住院记录是否真的属于同一条轨迹,关键诊疗事件之间有没有被缺件或错误时间戳切断,以及模型评测时是否把患者后来的信息偷偷带回了训练集?这三个问题决定的不是文件夹是否足够大,而是数据能否支撑纵向研究、病历理解和临床信息抽取。对于一个没有限定单一病种、以门诊加住院全周期病历为对象的数据需求,真正的交付单位应是可追溯的患者时间线,而不是若干孤立的PDF、表格和报告。

先把需求说清:它不是一个单一模型标签

这类数据的临床任务是重建患者在较长观察窗内的诊疗过程。研究者可能希望训练模型抽取主诉、现病史、诊断、检查结果、用药和手术事件,也可能进一步分析疾病状态变化、治疗过程或再入院等结局。源需求本身没有指定一个疾病、器官或影像算法,因此不能把它包装成某个专病模型数据集。更稳妥的定位是:为临床文本建模、纵向队列构建、结构化电子病历研究和多任务评测提供经过质量分层的研究数据基础。

输入模态以病历文书和结构化诊疗记录为核心。门诊侧需要保留各次就诊的病历、检查、检验、药品医嘱和非药品医嘱;住院侧需要覆盖病案首页、入院记录、首次病程、连续病程或查房记录、手术记录、出院记录,以及住院期间的检查、检验和医嘱。影像在此需求中首先表现为检查记录、检查所见和检查结论;若项目另行需要原生影像,应把DICOM或其他文件对象、报告、序列元数据和授权边界单独写入规格,而不能从“有检查记录”推断“已有完整影像”。

输出的颗粒度至少要分成四层。第一层是患者级,保存去标识后的稳定研究标识和全周期覆盖范围;第二层是就诊级,区分门诊、急诊、住院和一次住院内的转科事件;第三层是文档或报告级,保存文档编号、类型、记录时间和与原文的关联;第四层是字段、检验项目、药品医嘱和文本片段级,保留数值、单位、参考范围、异常标记、开始和停止时间等语义。只有把这四层关系写进数据字典,研究者才知道一条诊断来自哪次就诊、某个结果对应哪份报告,也才能定位返工,而不是面对一张无法解释的大表。

公开研究对这一点给出了相近的方向性证据。2026年《Nature Medicine》发表的纵向患者旅程研究,将非结构化病历中抽取的临床实体与结构化电子病历整合,并保留到患者级关系和时间轨迹;研究还用医生复核与盲法参考标准检查抽取结果,说明“从文本抽取变量”与“把变量放回患者时间线”必须作为两个可核验步骤。1 这不是对任何采购数据效果的保证,却提醒我们,结构化字段不能替代原始文书语境,原始文书也不能替代可计算的时间和关系。

门诊—住院全周期病历的数据链路示意查看完整技术图(可放大)

图1 门诊—住院全周期病历的数据链路。技术示意,不表示真实患者数据、现成数据库存量或临床诊断结果。

时间窗和就诊密度:A/B档不是宣传标签

源需求把长期覆盖拆成两个质量档位。较高档位要求首末次就诊时间跨度超过10年,住院次数至少3次、门诊次数至少12次,门诊与住院比例至少为4∶1,任意相邻就诊最大间隔不超过18个月。较低档位要求超过5年,住院至少2次、门诊至少8次,门诊与住院比例至少为3∶1,最大间隔不超过12个月。慢病稳定期患者可以按项目规则放宽住院次数,但必须显式标记;低于下限的记录宜降为稀疏数据,而不能继续计入高质量长程队列。

这些数字不是医疗行业通用标准,也不是模型准确率,更不是供应方现货规模。它们解决的是“什么样的患者轨迹可以进入本项目某个质量档位”。如果只统计首末次日期而不看中间的最大间隔,十年跨度可能只是两次孤立接触;如果只收住院而不保留门诊,治疗前后的连续变化和稳定期信息会被系统性遗漏;如果用其他患者或其他批次凑够比例,队列的时间语义就会失真。因此,验收应同时输出首末次间隔、就诊次数、门住院构成和相邻间隔分布,并把例外原因写入患者级清单。

就诊密度还会影响模型研究的可解释性。一个在高频住院期形成的序列,和一个长期稳定、偶尔门诊的序列,不应只以“记录数量”比较。密集记录可能代表病情活动、转诊或机构记录习惯,也可能只是某一阶段的数据采集更完整。项目方可以按观察窗、临床阶段、科室和来源分层报告覆盖率,避免把来源差异误读为疾病差异。对不存在完整终点的患者,可作为过程队列单独管理,不应在没有证据时补写死亡、复发、治愈或长期结局。

数据设计的第一原则:先建立患者和就诊,再谈算法

患者级主键是纵向病历的骨架。去标识后的研究标识要在不同就诊、文书、检验和医嘱之间保持稳定,同时不能暴露原始身份。就诊号和文档编号需要分别满足唯一性与外键关系。若多个来源需要合并患者,还应保留受控的映射记录和合并理由;无法确认是否为同一患者时,应留在待核队列,而不是凭姓名片段或相似日期强行合并。

时间字段必须区分临床记录时间和系统更新时间。入院、出院、手术开始与结束、检查时间、检验采样时间、报告时间、首次病程记录时间、药品医嘱开始与结束时间,承担的临床意义不同。把报告生成时间当成采样时间,会改变结果在病程中的位置;用1900年之类的占位日期填补空值,会让暴露期、住院天数和事件间隔出现虚假精度。应统一时区、格式和精度,记录“未记录”“不适用”和真正阴性结果的区别。

可以参考标准化数据模型来组织概念,但不能因为采用某个模型就宣称数据自动合格。OHDSI OMOP Common Data Model把Person作为身份管理核心,把Visit Occurrence用于表达患者与医疗系统的接触,并允许在住院访问下继续描述转科等更细的Visit Detail。这样的设计有助于把门诊、住院、检查、用药和观察值放进关系图中,但实际项目仍需回到原始文书核验映射、术语转换和缺失模式。2 对中文病历、院内编码、不同科室表单和多来源数据,应在字段字典中写明原始值、标准化值和映射版本,避免“统一编码”掩盖无法解释的转换。

结构化表和原始文书要双向可追溯。表格可以提供便于计算的诊断编码、数值、单位和异常标记,PDF或文本原件则保留主诉、病程、检查所见、检查结论和出院医嘱的上下文。两者不一致时,不能默认结构化列一定正确,也不能静默修改原文;应按事先冻结的优先级记录冲突,或者同时保留冲突状态。公开的EHR质量研究将完整性、正确性、相符性、合理性和时效性区分为不同质量维度,并指出目前仍缺乏适用于所有项目的单一标准化评估方式。3 因此,本项目的阈值应服务于目标任务,而不是追求一个看似精确的总分。

字段质量不是“填充率越高越好”

源需求对关键字段给出了较细的完整性要求。例如就诊号、患者号和文档编号是主键或外键,要求可稳定关联;就诊时间、诊断、主诉、现病史、诊疗计划、入出院时间、入院和出院诊断等字段有较高填充约束;年龄等字段允许相对宽松的覆盖,但不能以字典编号或无意义代码代替明文值域。对于检验,要同时保留套餐或项目名称、定量或定性结果、单位和参考范围;对于药品医嘱,要保留通用名、途径、频次、剂量和医嘱时间;对于非药品医嘱,要区分检查、检验、护理、饮食、治疗和手术等类型。

业务完整性还要落到一次住院的过程链上。入院科室与出院科室不一致时,应能找到转科记录;病程记录的相邻记录间隔按本源规则不应超过两天;存在手术记录时,需核对术前讨论、术前小结、术后首次病程等关联文书。源标准还要求,在有医嘱的住院就诊中,检查和检验的覆盖比例按项目约定核验,不能只凭一张医嘱表宣称住院过程完整。这里的“有记录”不等于“临床事实成立”,每项检查都要有适用性、缺失原因和对应就诊。

验收不能只数非空单元格。现病史被截断、体格检查和专科检查完全重复、检查所见与检查结论机械复制、多个诊断被任意删掉,都会在“有值”的统计下被误判为合格。文本核验要检查异常截断、字段串位、模板残留和跨文书复制;数值核验要检查单位、参考范围、值域和时间;关系核验要检查手术是否处在住院期间、出院日期是否晚于入院日期、医嘱是否有停止或执行信息。对每类失败都应保留示例编号、规则版本和处理结果。

完整性还要在患者、就诊和表单三个层面分别计算。某位患者缺少一次门诊记录,和该次就诊缺少一项非核心检验字段,不应被同一个总体缺失率抵消。对于源需求规定“每位患者的关键记录类型都要有”的部分,应以患者为分母;对于字段填充率,则注明是所有适用表单、所有就诊还是所有字段行。源需求A档和B档的抽样或系统核验错误率上限均为5%,这是该项目的放行约束,不是可以外推到其他数据集的统一医学标准。A/B分档中的“错误率低于约定阈值”还要先定义错误单位,是记录、字段、患者还是事件;未经定义的百分比不能直接当作验收结论。

2024年的EHR数据质量综述纳入26项原始研究,发现完整性、规范性和合理性是最常见的质量指标,但不少研究存在报告不完整、难以复现和外推性有限的问题;该综述还把时间新鲜度、公平性、稳定性和可共享性作为依场景补充维度。4 这对采购的启示是,质量报告不应只给一个整体通过率,还应给出不同科室、不同来源、不同观察窗和不同字段组的分层结果。高覆盖率的科室不能掩盖低覆盖率的专科,完整的住院文书也不能替代缺失的门诊轨迹。

标注和专家复核:把“原文事实”与“推断结论”分开

全周期病历项目不一定需要把每段文本都做成同一种标签。若目标是临床信息抽取,可以针对主诉、症状、诊断、检查、检验、治疗、手术、药物和结局建立实体与关系;若目标是纵向推理,则还需增加事件发生时间、时间不确定性、否定、待查或鉴别诊断、既往史与当前病史的区分。若只想提供结构化字段而不做临床语义标注,应明确交付的是数据治理与字段质量,而不是已经完成的医学标注成果。

建议由经过任务培训的标注人员做初标,由具有相应临床领域经验的复核者处理关键字段和冲突记录。双人独立判断的价值不在于制造一个平均分,而在于发现规则边界:同一段文字是“既往有”还是“当前存在”,一条诊断是入院诊断、出院诊断还是鉴别诊断,某项检验缺失是未做、未记录还是报告尚未返回。分歧应保留原文位置、双方意见、裁决人和规则版本;无法判断时可标为不确定,不应为追求完整而强行确诊。

标注验收应将专家一致性与数据真实性分开。两个标注者都同意一个被截断的诊疗过程,不代表源数据本身完整;某字段在多个表里高度一致,也不代表它真实反映了临床状态。可以使用双人复核、抽样复判和外部或源文件对照,但要报告抽样策略、样本适用范围和未解决争议。2026年纵向患者旅程研究采用医生复核和盲法参考标准支持其抽取任务,正是因为算法输出与临床原文之间需要一个可追溯的验证环节,而不是只看自动抽取数量。1

评测设计要防止患者级泄漏

全周期数据最容易发生的工程错误,是把同一患者的不同文书随机分到训练、验证和测试。这样模型可能通过姓名残片、固定模板、长期用药组合、机构编码或重复病程内容识别患者,而不是学习可迁移的临床规律。患者级划分应在所有文书、就诊、报告、检验、医嘱和派生表生成之前冻结;同一患者的全部可用记录进入同一分割。若任务是预测未来事件,还要再加上明确的时间切分,保证训练数据不会看到测试期之后才产生的信息。

时间泄漏不只来自标签列。一个看似普通的出院诊断、术后病理、停止医嘱或最终结论,可能已经是预测目标或其替代终点。每个任务都要写清预测时点、可用窗口、观察终点、停止预测条件和哪些字段在时点之后才会出现。Davis等提出的医疗机器学习标签泄漏框架区分患者级、时间型和关联型泄漏,并强调模型输入必须与预测视角和适用场景一致。5 这也说明,同一字段在回顾性描述任务中可能可用,在实时预测任务中却不应作为输入。

外部验证不应被“从同一批数据再留出一部分”替代。至少可以按时间段、数据来源、科室或设备设计独立留出,前提是这些维度确实存在且授权允许。外部验证报告要呈现队列构成、门住院比例、缺失模式、年龄和性别分布、诊断谱以及无法进入验证的样本。若数据只支持研究级离线评测,就应明确写出,不把研究性能改写成临床效果,更不能从数据质量阈值推导诊断准确率或监管批准。

纵向特征本身可能很有价值,但价值必须通过合适的比较得到。Lancet Digital Health的一项研究从初级保健记录的时间戳序列提取就诊间隔,并通过多步验证分析急诊住院预测;研究使用的是特定地区、特定时间范围和明确排除规则的数据,结果不能直接外推到其他病历系统。6 对采购方而言,这意味着可以借鉴“保留事件时间、比较时间模式”的研究思路,却不能把论文中的效果数字写入本项目的验收承诺。

全周期病历的质量闸门与外部验证示意查看完整技术图(可放大)

图2 全周期病历的质量闸门与外部验证。技术示意,不表示某一模型已经完成或达到特定准确率。

把质量要求变成可执行的验收路径

准入阶段先做机器可读性和文件结构检查。对可提取文本,抽样复制病历正文,复制失败的扫描件应被单独标记,不计入文本配额;若使用OCR,应在工作说明中写明字符质量和人工复核范围。对结构化表,检查表头、编码、日期格式、主外键和空值字典。对患者队列,生成缺件清单,按患者列出缺少的门诊、住院、检查、检验、手术或出院文书。准入失败的样本不应在后续标注阶段“顺手补写”。

第二阶段是临床结构和时间逻辑核验。可以先通过脚本检查唯一键、重复键、断裂外键、非法日期、入出院倒置、手术不在住院期间、医嘱无开始或结束时间等硬错误,再对病程连续性、诊断多值保留、文本完整性和检查所见与结论的区别做人工抽检。病程记录的相邻时间间隔、转科记录和手术相关病程应按项目规则检查;不适用的字段要写明原因,不能用空值掩盖规则例外。

第三阶段是分层放行。完整的长程队列、关键表单部分缺失但满足B档条件的次级队列、低于时间或就诊密度要求的稀疏队列,以及关键字段或授权不合格的剔除队列,分别计量和报告。A档应满足项目规定的核心表单、核心字段、10年覆盖和低于约定错误阈值;B档允许检查、检验及药品或非药品医嘱等部分记录缺失,但仍须满足其余关键表单、关键字段、5年覆盖和相同的质控约束。低档数据不能因为“总量不够”被其他患者补齐;一类表单不合格也不能用另一类表单抵消。高质量数据建设的官方指引强调,数据集建设需要同时考虑应用需求、建设方法和运营体系,而不只是交付文件数量。7

项目应设置版本冻结、失败样本返工和变更记录。字段名、值域、空值写法、时间定义或A/B分档规则发生变化时,应生成新版本并说明影响范围,旧批次不自动按新规则改写。抽检员与执行员应尽量分岗,复核结果能够追溯到样本、文档和规则版本。失败超过约定阈值时,先停止当前批次的放行,修订字典或流程后重新抽检;返工单关闭前,失败样本不应计入交付量。

业务逻辑:先做样例评估,再决定是否扩量

对于数据采购或专项建设,最小可行的业务闭环不是“先报一个大数量”,而是先确认目标任务、观察窗、门住院范围、核心表单、原始文件、授权和评测划分。试标包应按患者抽取能够代表完整、稀疏、手术、长期稳定和多次住院等不同情形的样例。每个样例都要有字段字典、原文与结构化配对、缺失说明、失败理由和版本号。只有样例能够由另一位复核者独立打开并复述,才适合进入下一阶段。

已核验的公司能力边界可以支持围绕数据字典、样例评估、专业审核、质量记录、版本和数据交付的项目化协作,但不等于已有某一特定队列现货,也不等于已经完成该项目的临床验证。长时间跨度、门住院联合、复杂病种、原生影像或病理全片等范围,应在项目书面规格中分别确认。脱敏也不等于可以公开传播;授权、伦理、出境和访问控制由数据提供方、买方及其法务按适用规则确认。

从研发角度看,这种谨慎不会降低数据价值,反而会减少后续返工。一个明确标出10年或5年观察窗、就诊次数、最大间隔、表单缺失和时间冲突的队列,比一个只给“高质量病历”标签的压缩包更容易复盘;一个能从模型输出回到原始文书的字段体系,也比只保留最终标签更适合审计和再研究。最终交付的不是“诊断数据”或“疗效数据”,而是一套在授权边界内可理解、可追溯、可分层、可独立验收的临床研究数据基础。本文不构成个体诊断、治疗或用药建议,也不表示文章审核已经替代医学、法务或监管审定。

参考来源

  1. Computable longitudinal patient journeys from structured and unstructured EHR data
  2. OMOP Common Data Model v5.4
  3. Electronic health record data quality assessment and tools: a systematic review
  4. Electronic Health Record Data Quality and Performance Assessments
  5. A framework for understanding label leakage in machine learning for health care
  6. Harnessing the Value of Temporal Patterns in Administrative Patient Data to Predict Emergency Hospital Admission
  7. 《高质量数据集建设指引》发布