跳至正文
朗慧科技

MEDICAL DATA RESEARCH

医院医疗数据资产化不能从估值开始:先把数据治理成可复用、可审计的研究基础设施

面向医疗AI研发、科研和数据采购团队,拆解公立医院医疗数据从目录、主数据、质量治理、专家标注、隐私影响评估到受限交付与退出的可审计路径,区分研究性评估、正式会计处理与临床验证边界。

数据治理与工程交付AI辅助整理 · 研发交流

一家公立医院准备把多年积累的临床数据用于科研、人工智能训练、质量改进或受限的数据服务时,最先要回答的并不是“这批数据值多少钱”,而是:这些数据从哪里来、每个字段代表什么、能否在授权目的内被复核、错误如何被发现和回修,以及换一个科室或时间段后还能不能得到同样的结论。若这些问题没有被写进数据目录、质量规则、权限流程和版本记录,所谓“数据资产”通常只是文件的集合,既难以稳定复用,也不能支撑审计和责任追溯。

本文把一类面向公立医院的数据资产全过程管理需求,改写为可独立成立的技术问题。原始需求包含数据盘点、分类分级、质量治理、医疗数据标注平台方案、专业人员参与机制、信息化架构、个人信息保护影响评估、授权运营、价值评估和交易流程设计。公开讨论只保留这些可迁移的方法论,不涉及特定机构、采购条件、价格、合同、人员名单或任何病例资料。这里的“资产化”也不是承诺可以自由出售医疗数据,而是指把数据的来源、质量、使用边界、加工过程和可交付形态治理成可管理的资源。

一、先把需求还原成临床数据工程任务

这类项目不是一个单一的医学AI分类或分割任务,而是临床数据基础设施任务。它的临床关联性来自数据产生于诊疗、公共卫生、科研和医院管理流程,难点则在于把不同用途、不同系统、不同时间产生的数据,组织为可验证的研究对象。医院首先需要明确:数据是服务于科研队列、质量改进、标注训练、运营分析,还是支持某个经过伦理审查的具体研究问题。用途不同,纳入范围、字段精度、标注粒度和质量阈值都会不同。质量不是脱离任务的绝对属性,而是数据是否适合预定用途的问题;医疗数据质量综述也指出,同一数据在临床管理和研究分析中的“够用”标准可能并不相同。5

输入模态通常包括结构化业务数据、电子文书、检验与检查结果、医学影像、设备或监测时序,以及它们的元数据。输出并非只有一个模型标签,而应包含数据资产目录、分类分级规则、数据字典、主数据和元数据管理办法、质量指标与问题清单、标注规范、培训和质控方案、信息化架构、合规清单、授权记录、研究或服务数据包及其版本说明。数据颗粒度也必须在立项时固定:可以是系统、表、字段、记录、检查、病例链、影像序列、文本片段、时间窗或批次;若颗粒度混用,后续去重、切分和验收都会失去边界。

标注任务还要进一步拆分。文本可能需要实体、关系、事件、时间线或风险状态标签;图像可能需要分类、检测、分割、测量或关键区域标记;时序数据可能需要事件起止点、趋势、质量状态或异常片段。标注主体不能笼统写成“专家”,而应在规范中写清临床专业人员、数据工程人员、初审者、复审者和终审仲裁者各自能做什么,哪些标签需要专科判断,哪些标签可以由经过培训的人员完成。输出应保留原始值、派生值、标签、置信或不确定状态、标注指南版本、审核记录和拒标原因,而不是只保留一个最终类别。

公立医院医疗数据资产全生命周期的可追溯闭环(技术示意,不表示真实患者、现货数据或临床诊断结论)查看完整技术图(可放大)

图1|公立医院医疗数据资产全生命周期的可追溯闭环。技术示意,不表示真实患者、已完成实验或任何机构已验收。

国家卫生健康主管部门早已把健康医疗大数据的标准、安全和服务管理放在采集、存储、挖掘、应用、运营和传输的全链路上,并要求责任单位明确管理职责、权限和质量管理程序。1 因此,需求拆解不能从“买一个平台”开始,而应从数据来源、使用目的、临床语义、质量证据和责任矩阵开始。

二、数据设计:目录不是清单,血缘和语义才是可复用性的骨架

第一步是建立数据资产目录,但目录不应只是表名、文件名和存储大小的罗列。对每一个数据域,至少要记录来源系统、产生环节、业务责任、采集时间、更新频率、字段定义、编码体系、敏感级别、授权用途、保存期限、加工步骤、已知缺陷和可供输出的格式。对影像要增加序列、检查设备、空间信息和派生文件的关联;对文书要区分正文、模板文本、结构化字段和自由文本中的识别信息;对时序数据要记录采样率、时钟、缺失片段和设备变更。对数据集而言,还要记录纳入排除规则、版本快照、近重复处理和训练/验证/测试隔离方式。

主数据管理解决的是“同一个对象在不同系统里是不是同一个对象”,元数据管理解决的是“这个字段为何存在、如何产生、如何使用和如何变化”。二者不能被字段字典替代。应建立受控的研究标识和关联键,尽量把身份映射与研究工作区隔离,保留可审计的授权映射而不让标识直接进入标注界面。对时间轴,应同时保留事件发生时间、记录时间和数据入库时间,避免把补录时间误当成临床事件时间。对多模态记录,应记录同一检查或同一就诊内的关联依据和不确定状态,不能只靠文件名或人工记忆配对。

标准化是为了让语义能够在系统之间传递,而不是为了把所有医院强行变成同一套数据库。字段命名、单位、枚举值、诊断或检验术语、时间格式、影像和文本元数据,都需要明确映射表、版本和无法映射的例外。OHDSI对OMOP通用数据模型的说明强调,电子病历、理赔和其他观察性数据因采集目的与结构不同而存在异构,通用模型和标准术语可以降低跨来源分析的摩擦,但转换本身也需要维护和质量检查。7 因此,采用通用模型应当先做小范围映射,报告信息丢失、语义近似和本地扩展,不应把“完成转换”直接写成“数据质量合格”。

FAIR原则为这项工作提供了另一个有用的视角:数据应尽量可发现、可访问、可互操作和可复用,同时要求机器可读的元数据、使用条件和出处记录。对于敏感医疗数据,FAIR并不等于公开原始数据;即使数据受限,仍可公开或在受控环境中提供足够的元数据、申请流程、许可边界和版本信息。6 这意味着医疗数据资产的可交付物应包括数据卡、标签字典、限制条件和血缘,而不是把“能下载”误认为“可复现”。

三、质量治理:六个维度可以落地,但不能冒充统一标准

需求中常见的六个质量维度是准确性、完整性、一致性、及时性、唯一性和有效性。它们适合作为项目沟通的起点,但需要进一步定义计算对象、分母、抽样方式、参考依据和适用任务。例如,完整性可以指必填字段是否存在,也可以指目标人群或事件是否被完整纳入;一致性可以指同一记录内字段关系一致,也可以指不同系统对同一事件的描述一致;有效性可以指格式符合约束,也可以指取值符合临床或业务规则。若不先定语义,一个“完整率”数字无法说明数据是否能用于研究。

Kahn等人提出的电子健康记录二次利用质量框架,将质量组织为一致性规范、完整性和合理性,并区分基于本地规则的验证与基于可信外部参照的确认,目标是帮助使用者判断数据是否适合特定用途。3 Lewis等人对2013年至2023年的研究进行系统综述,指出完整性、正确性、一致性、合理性和时效性持续被评估,同时出现了规范符合性和偏差等维度,但领域仍没有一套普遍统一的质量评估方法。4 近年的质量改进综述进一步提醒,研究之间在数据定义、干预方式和报告口径上差异很大,仅做清洗而不追查根因,往往难以形成可持续改进。5

因此,质量模型应至少分成三层。第一层是结构规则:字段类型、值域、单位、主外键、时间逻辑、重复记录、必填条件、编码和文件格式。第二层是语义与临床合理性:数值是否符合预期范围,相关字段是否能互相解释,文本、影像、检验和事件是否真正属于同一研究单位。第三层是用途适配与外部偏差:样本是否覆盖目标人群,缺失是否与病情、科室、设备或记录习惯相关,数据是否受到时间、机构和流程变化影响。第三层不能由自动规则完全替代,通常需要研究者、临床专家和数据方法学人员共同判断。

质量规则也不应只在交付前执行一次。可把规则检查做成入库门禁、批次画像、异常工单、回修验证和版本冻结的连续流程。对每个问题记录发现时间、根因类别、影响范围、责任环节、是否改变纳入标准、回修操作和复验结果。数据清洗不能覆盖原始记录,更不能把不确定内容静默改成“正常”。对于无法判定的标签,应保留未知、不可见、冲突或拒标状态,并让下游算法知道这些状态存在。

医疗数据质量与验收的双层证据链(技术示意,不表示统一行业阈值或真实样本结果)查看完整技术图(可放大)

图2|医疗数据质量与验收的双层证据链。技术示意,不表示统一准确率、临床疗效或任何采购项目已验收。

四、标注平台与专家机制:把“众包”写成可控的角色系统

医疗数据标注平台的核心不是界面上有多少按钮,而是能否把任务、人员、权限、指南、标注、复核、仲裁和导出连接成状态机。一个可讨论的架构可以分为基础设施、数据管理、标注引擎、质量控制和业务应用五层。基础设施层处理院内部署、存储、计算、备份和身份认证;数据管理层负责脱敏、目录、版本、权限和血缘;标注引擎层按文本、图像、时序等模态提供任务工具;质量控制层管理盲审、抽检、返工、争议和统计;业务应用层才承接研究队列、数据集批次、报表和受限交付。

平台验收应验证“上传—分配—标注—复核—仲裁—导出—回溯”这一完整链路。每个任务要能回到样本版本、指南版本、标注者角色和审核状态;成员之间应按任务隔离可见范围;驳回应有原因代码和文字依据;导出包应带标签字典、版本号、质量报告和使用限制。若只验收能否打开影像或填写表格,无法判断平台是否适合高风险医疗标注。

人员治理需要准入、培训和持续考核。培训不应只考察会不会点击工具,还应考察标签定义、边界案例、隐私红线、缺失与不确定状态、异常上报和版本变更。初审可以处理格式和明显规则问题,复审应处理指南适用性和标签边界,终审或仲裁应由具有相应临床或方法学资格的专家负责。岗位配置要随任务风险变化:低风险结构化字段与高风险病灶、治疗事件、病理意义标签不能使用同一种人力模型。

Cohen's Kappa等一致性指标可以用于比较标注者在分类任务上的一致程度,但它不是质量的单一真相。类别极不平衡、不同标签成本不对称、标注者存在共同误解或任务本身允许多种合理解释时,单一Kappa可能误导。应同时报告任务定义、抽样策略、分歧类型、类别分布、专家裁决和版本变化;必要时增加敏感性、召回、边界距离、测量误差或任务特定指标。真正有价值的不是把争议抹平,而是把争议集中到指南修订和专家仲裁中,使模型训练端可以识别不确定性。

五、隐私、合规与技术架构:把“可用不可见”拆成可检查的控制点

医疗数据的授权运营需要先回答四个问题:谁可以使用、使用什么范围、为了什么目的、由谁负责。问题看似简单,落地时要拆成数据分类分级、最小必要字段、审批链、角色权限、脱敏规则、日志留存、导出限制、保留期限、撤回与销毁,以及第三方人员的接触边界。国家卫健委关于健康医疗大数据的管理办法要求按授权范围使用、实施访问控制和痕迹管理,并强调统一分级授权、分类应用和权责一致。1

网络安全管理办法进一步要求医疗机构定期梳理数据资产,依据重要程度和受损害程度建立分类分级标准,并对收集、存储、传输、处理、使用、交换和销毁实施全生命周期管理。2 这直接影响信息化架构:数据汇聚、存储、计算、服务和治理可以作为功能分层,但安全责任必须横向贯穿每一层。系统设计应同时写明身份认证、最小权限、接口控制、密钥和备份、日志防篡改、远程运维、第三方接入、应急处置和退出时的数据回收。

个人信息保护影响评估不应成为项目末尾的一张表。它应在数据目录和任务定义之后、样本进入标注或分析环境之前完成,描述处理场景、数据主体与敏感字段、使用目的、必要性、再识别风险、访问角色、输出对象、保留期限和补救措施。去标识化或匿名化也不能被写成万能承诺:自由文本、影像内烧录文字、影像元数据、稀有组合和时间线都可能形成再识别线索。应有自动规则、人工抽检、失败拦截、导出复核和小范围试运行,并把仍依赖制度或伦理审批的部分单列出来。

“数据资源持有、加工使用和数据产品经营”的分工可以作为讨论权责的分析框架,但不能自动等同于法律上的权利确认,更不能绕过个人信息、数据安全、伦理和行业监管要求。数据交易模式也应先明确提供的是受限数据访问、数据加工服务、统计结果、模型协作还是联合研究,再定义各方责任和退出条件。对医疗数据而言,不能把一份目录、一个标注平台或一项服务商资质,直接写成数据已经获得充分授权或可以对外经营。

六、资产评估和入表:把财务问题与数据质量问题分开

数据资产评估常见的成本法、收益法和市场法,各自回答的是不同问题。成本法可梳理采集、清洗、标准化、标注、存储、质控和维护的可归集成本;收益法需要对预期用途、收益分配、风险和持续维护作出假设;市场法需要存在足够可比且权利边界清晰的交易参照。三种方法都依赖数据来源、加工记录、授权范围和质量证据,不能用一个估值数字替代这些基础工作。

财政部发布的企业数据资源相关会计处理暂行规定,针对企业按照企业会计准则确认的数据资源及相关会计处理和披露事项作出规定。8 这并不意味着公立医院可以把任何临床数据库自动确认为可交易的财务资产,也不意味着咨询项目中的价值模型就是会计结论。公立医院的组织属性、资金来源、数据权利、内部控制和适用会计制度都需要由医院财务、审计、法务和主管部门结合具体情况判断。文章和方案应把“研究性评估模型”“管理决策参考”和“正式会计处理”明确分栏。

多主体贡献度量化可以帮助讨论不同科室、数据生产者、平台和维护团队的投入,但不能把数学分摊直接变成收益分配规则。若使用Shapley值等方法,应明确参与者、成本口径、边际贡献、共同基础设施和不可分割投入,并做敏感性分析。更稳妥的顺序是先完成数据目录和血缘,再完成质量和合规证据,最后把评估模型与用途、维护责任、风险准备和复审机制连接起来。

七、外部验证与验收:验收的是证据链,不是报告数量

这类项目往往交付很多制度、报告、方案和培训材料,真正的风险却在于“每份文件看起来完整,但互相对不上”。验收应从交付物数量转向证据链:数据目录是否能回到来源;分类分级是否映射到权限;字段字典是否映射到标注指南;质量指标是否能重算;问题清单是否能回到根因;平台状态是否能导出审核证据;合规清单是否能对应PIA、日志和退出方案;资产评估是否使用了可追溯的成本和用途假设。

建议把验收拆成四类测试。第一是文档测试,检查定义、版本、引用、责任人、范围和操作步骤。第二是样例测试,用脱敏且获准使用的小批数据跑通入库、标注、复核、导出和回收。第三是数据测试,重跑完整性、规范符合性、重复、时间逻辑、跨表关联和标签一致性检查。第四是独立性测试,在未参与规则制定的时间段、设备、科室或合作机构数据上复核,观察分布差异、泄漏、近重复和缺失机制。只有通过这些测试,才可讨论扩大范围;内部样例通过不能等同于临床效果或真实世界有效性。

外部验证尤其容易被忽略。随机切分可能让同一对象、同一文书模板、同一检查序列或相邻时间记录同时出现在训练和评测中,造成信息泄漏。对纵向病历或病例链,训练、验证和测试的基本划分单位应在任务开始前明确为患者或其他稳定的研究单位;不能把同一患者的不同就诊、同一检查的不同序列或同一病例链的文书随机拆到不同分割中。多中心或多设备数据还可能存在编码习惯、扫描协议、记录人员和转诊结构差异。应在数据卡中记录划分单位和去重规则,在外部验证报告中说明样本来源、任务定义、基线、缺失处理和失败案例。若研究只验证了数据质量工具或标注一致性,就不能把结果宣传为模型临床性能。

验收还要包含变更管理。规则、数据源、接口、词表、标注指南、模型预标注版本、权限策略和法律政策变化,都可能影响历史数据和结论。每次变化需要影响分析、版本号、迁移或回滚方案、旧版保留策略和重新验收范围。项目结束后,账号停用、远程通道关闭、临时文件删除、备份处理、数据包归还或销毁,也应有可核验记录。只有把退出写进架构和流程,数据资产才不会变成无法撤回的长期暴露面。

八、把研发价值落到可持续的业务闭环

对医疗AI研发团队,治理后的价值不是“数据量更大”,而是训练、评测和复现的边界更清晰。数据目录使团队知道哪些模态和字段可用;质量画像使算法工程师知道哪些误差来自采集和记录,而不是模型;标注版本和争议记录有助于识别标签噪声;外部验证和分布报告能限制模型结论的外推范围;权限和血缘记录则让研究结果可以被审计和撤回。

对医院管理者,业务闭环应从需求受理开始:先定义用途和样本单位,再做小规模样本检查与规则试标,随后开展脱敏、标注、质量和安全验证;通过阶段评审后,才决定是否扩展病种、科室、模态或外部合作。每次扩展都应更新数据卡、授权范围、指南、角色和验收标准。对数据基础设施服务商而言,已核验的能力边界可支持其作为采集、处理、标注、质检和交付流程的实施方参与,但不能据此宣称拥有医院数据现货、已完成特定临床验证、已有监管批准或能保证诊断效果;项目实际范围仍须以书面规格和逐项验证为准。

最终,医疗数据资产化的研发价值并不在于把临床数据包装成商品,而在于形成一套能够持续回答“数据是什么、为何可信、谁能使用、如何复核、何时失效”的基础设施。对公立医院尤其如此:数据越敏感,越需要把质量、隐私、伦理、会计与业务边界同时写清楚;任务越复杂,越不能用一个总分或一个平台宣传替代分层证据。先把数据治理成可理解、可验证、可追溯和可退出的资源,才有资格讨论更广泛的研究协作与受限应用。

参考来源

  1. 国家健康医疗大数据标准、安全和服务管理办法(试行)
  2. 医疗卫生机构网络安全管理办法
  3. A Harmonized Data Quality Assessment Terminology and Framework for the Secondary Use of Electronic Health Record Data
  4. Electronic health record data quality assessment and tools: a systematic review
  5. Data Quality–Driven Improvement in Health Care: Systematic Literature Review
  6. The FAIR Guiding Principles for scientific data management and stewardship
  7. Standardized Data: The OMOP Common Data Model
  8. 财政部关于印发《企业数据资源相关会计处理暂行规定》的通知