跳至正文
朗慧科技

MEDICAL DATA RESEARCH

医疗健康可信数据空间:从授权治理到可核验数据产品

从医疗数据目录、分级授权和脱敏出发,拆解可信数据空间如何通过MPC或联邦计算、数据卡、版本治理与跨站点验收,形成可追溯、可复核的健康数据协作链。

数据治理与工程交付AI辅助整理 · 研发交流

医疗数据协作真正难的地方,不是把更多病历、检验、影像或结算记录搬到同一个数据库,而是让不同主体在明确目的、权限和责任的条件下,完成一次可复核的使用。医疗机构、公共卫生部门、保险方、药械研发团队和数据服务方面对的输入并不相同,能够交付的结果也不应被笼统称为“医疗数据”。一套可落地的医疗健康可信数据空间,需要把数据目录、授权文件、脱敏策略、受控计算、标签或统计输出,以及全过程审计接成一条链。

国家卫生健康委已将卫生健康行业可信数据空间试点、公共数据资源登记和医疗数据资源治理列为推进方向,强调数据的合规高效、安全有序应用1。国家数据局的行动计划也把可信数据空间放在数据要素合规流通和使用的基础设施位置2。这些政策背景说明,可信空间是一个需要共同设计的治理与工程问题,不等于某个企业已经拥有可立即交付的医疗数据,也不等于数据一旦脱敏就可以公开传播。下文围绕医疗健康数据运营方案中常见的目录、授权、隐私计算和数据产品需求,给出一套面向研发与采购的技术拆解。

先把医疗任务和数据边界写清楚

“全民健康数据”不是一个足够精确的采购对象。一次任务至少要回答四个问题:谁在什么目的下使用什么数据,数据以什么颗粒度进入计算,最后要输出什么可验收的结果。研究者可能需要基于就诊、诊断、检验、用药、影像检查或随访记录进行队列发现;保险或健康管理场景可能需要规则匹配和聚合统计;模型团队可能需要训练标签、统计标签或一份可复跑的评测集。它们的授权依据、时间范围、风险和评价方法都不同,不能用同一份“数据包”代替。

数据字典应先于接口开发。对结构化记录,要冻结字段含义、编码体系、单位、空值写法、更新时间和来源系统;对文书,要说明可提取文本、文档类型、就诊关联键和版本;对影像,则要记录检查级标识、模态、序列或关键元数据,以及影像与报告如何配对。FHIR把可交换内容组织为带有元数据的Resource,并用CapabilityStatement描述接口能力、用StructureDefinition约束字段和术语3。这类资源化思路可作为接口设计参考,但并不意味着所有项目都必须采用同一种标准版本。真正的验收对象应是双方冻结的字段字典和映射规则。

数据单元也要在方案中落笔。一个“人”可能对应多个就诊、多个检查和多次随访;一个机构批次也可能包含不同设备、科室和时间段。若纵向关联键、时间窗和纳排条件没有被定义,后续的统计标签就无法判断是否把同一人的不同记录错误拼接,也无法发现训练集和评测集之间的近重复泄漏。对涉及敏感健康信息的任务,文章只讨论匿名的技术设计,不复述任何患者、客户或机构身份,更不把需求中的规模、名单和内部收益测算改写成公开案例。

输出同样不能只写“提供医疗服务”。合格的产品说明应写成可核验对象,例如授权范围内的查询接口、聚合分析报告、模型训练标签、统计标签或受控环境中的分析结果。若输出涉及风险分层、理赔审核或健康管理规则,应明确它是研发或业务流程中的数据结果,不是对个人作出的诊断、治疗建议或保险结论。临床使用还需要由有权主体依据适用规则单独审查,不能由数据空间的工程验收替代。

为了避免“平台验收通过”掩盖数据本身的问题,项目可以把验收拆成数据层、计算层和业务层。数据层确认来源、字段、关联键、时间范围、缺失和脱敏状态;计算层确认任务脚本、节点权限、加密或聚合协议、日志和结果释放条件;业务层确认输出是否回答了原定问题、是否超出授权用途、是否能被另一位审核者复核。三层应各自有失败状态和责任人,某一层未通过时不能用另一层的高分抵扣。这样既能避免把接口连通误认为数据可用,也能防止一次成功运行被误写成持续稳定的服务能力。

数据空间还应维护变更单。字段含义、编码映射、标签规则、参与节点、授权范围和算法版本任何一项发生变化,都要标记影响批次并说明是否需要重算。对外部数据更新,不能只覆盖旧文件而删除历史记录;对模型更新,也不能只保存最终权重而丢掉训练轮次、参与站点和评价切分。版本链的目的不是增加文档负担,而是让撤回、复核、返工和二次使用都有明确的起点。涉及小样本或高敏感组合的统计结果,还要在释放前按项目约定复核粒度和重识别风险,不能以“已经聚合”为理由跳过检查。

可信空间的核心是“可控、可管、可防”

医疗健康可信数据空间至少包含四类角色:数据提供方、空间运营与技术管理方、数据使用方,以及负责授权、伦理、合规或审计的管理角色。角色可以由不同组织承担,也可以在一个项目中进一步拆分。关键不是画出一个漂亮的平台框图,而是把每一次数据使用绑定到主体、目的、范围、期限和结果版本。国家数据局关于可信管控能力的解读把这种机制概括为“可控、可管、可防”:身份认证和最小权限解决“谁能做什么”,来源与用途记录解决“数据如何流动”,异常监测和事件溯源解决“出了问题如何定位”4。

数据进入空间时,先登记来源类型、数据范围、更新周期、责任角色和允许用途,再进行分类分级。对于可公开数据、取得授权的数据和需要受控计算的敏感数据,入口策略不能相同。脱敏、去标识化、假名化和加密分别解决不同风险,不能用一个标签笼统宣布“安全”。自由文本、影像元数据、稀有疾病组合和时间地点组合都可能成为重新识别线索;处理前后应有抽检和版本记录,授权状态不清的样本应停留在待核状态。

授权文件或令牌应当成为空间中的一等对象。设计时至少需要表达使用目的、数据字段或资源范围、使用方、期限、允许的计算类型、结果接收方、再分发限制、撤回条件和审计责任。它们不一定都以同一种电子表单实现,但必须能够被系统检查、被审计人员复核。授权撤回后,系统还要知道哪些任务、缓存结果、模型版本和下游交付受影响,而不是只把一个账号设为失效。

接口不能绕过用途控制。目录可以让使用方发现“有什么数据”,但不应自动获得原始数据;API需要将可查询字段、返回粒度、分页限制、聚合规则和错误状态写入版本化契约。对于健康数据的二次使用,可以参考国际健康数据空间对许可、目的限制、安全处理环境和结果释放的严格区分5。这只是国际设计参考,不是对中国项目适用法律的替代。国内项目仍应由数据提供方、使用方及其合规责任主体确认权利、伦理和监管路径。

医疗健康可信数据空间从授权到可核验输出的技术链路示意查看完整技术图(可放大)

图1 技术示意:数据来源、授权、受控计算、结果释放和审计组成一条可复核链路;不表示真实患者、已完成部署、现货数据、临床验证或监管批准。

用什么方式计算,取决于任务和威胁模型

“数据不动”常被当成隐私保护的终点,但它只描述了原始数据的位置。跨机构计算仍会产生模型更新、统计量、查询结果、日志和管理元数据,这些对象都可能携带敏感信息。联邦学习适合让各参与节点在本地训练,再交换受控的模型更新;安全多方计算则更适合联合统计、隐私求交或在不公开输入的前提下共同完成规定运算。可信执行环境、同态加密和差分隐私可以作为特定威胁模型下的补充,但每种方法都有性能、安全假设和运维成本,不能用“隐私计算”四个字代替选型。

安全聚合的一个基本目标,是让协调方看到经过协议处理后的聚合结果,而不是每个参与方的单独更新。Bonawitz等人的原始工作给出了可处理掉线并讨论恶意服务器的安全聚合协议,同时量化了通信扩展开销6。这说明安全聚合是可工程化的密码协议,并不意味着所有实现都自动满足同一安全等级。项目说明仍要写清参与方数量、掉线策略、密钥或掩码管理、结果最小粒度和异常节点处理方式。

联邦学习也不能天然消除隐私泄漏。医疗联邦学习综述指出,模型更新和权重在传输时仍可能遭受重建或成员推断等攻击,因此需要结合安全聚合、差分隐私、访问控制和审计,并根据威胁模型说明保护边界7。工程验收不应只检查训练脚本能否跑通,还要检查未经授权的节点能否看到单站点更新、结果释放是否会暴露小样本组合、日志是否泄露原始字段,以及任务结束后密钥、缓存和临时文件如何处置。

算法验收还要面对机构间的分布差异。真实医疗联邦研究显示,独立测试点的失败可能来自输入质量不足或分布外人群;站点间的非独立同分布、设备差异、时间漂移和人口结构差异会影响泛化8。因此,跨机构空间应把本地质量检查、站点元数据、参与轮次、留出站点或时间段以及错误类型记录到同一版本。不能因为原始数据没有集中,就跳过缺失、编码、标签一致性和数据泄漏检查,也不能把论文中的性能数值改写成某家公司统一准确率或临床效果。

把数据产品写成可验收的交付物

健康数据空间的价值不在于目录里有多少条目,而在于每个结果是否能回到任务定义、授权依据和质量记录。数据产品可以有不同形态,但都需要数据卡。数据卡至少应说明输入范围、来源类型、资源或字段版本、允许用途、脱敏状态、处理时间、限制条件和结果版本。若输出是API,应同时提供字段定义、编码映射、查询条件、分页或聚合约束和错误处理;若输出是报告,应保留分析脚本、统计口径、分层维度和不可解释或缺失部分;若输出是训练标签,应记录标签来源、观察窗口、正负例规则、不确定状态和争议处理。

第一道验收门是来源与授权。检查原始材料是否有可追溯来源、授权范围是否涵盖当前用途、授权期限是否有效、数据使用方是否与文件一致。授权存在不代表可以公开发布,脱敏完成也不代表可以任意再利用。第二道验收门是结构与对齐。要检查字段、编码、单位、时间和关联键,确认报告、检验、影像和诊疗记录是否属于同一规定的数据单元。第三道验收门是质量与标签。缺失、空值、重复、异常值、错误映射、标签冲突和专家分歧应分别计数,并保留返工原因,而不是只给一个“通过率”。

标签设计尤其容易引入泄漏。以某个未来时间窗内发生的事件作标签时,输入必须截断在规定观察时点;使用后的诊断、结算或处置记录不能无意混入输入。若多个表共享同一就诊或个人关联键,训练、验证和测试应按任务要求在个人、就诊、机构或时间层面隔离。对于医学专家意见不一致的样本,应预先约定复核、仲裁、不确定或排除规则,不能在看到模型结果后临时改标签。

质量专家、数据工程人员和领域审核人员的职责也应分开记录。领域审核人员负责任务相关的标签解释和边界案例,数据工程人员负责结构、映射、版本及可复跑性,质量角色负责抽检设计、盲审或交叉审核、问题关闭和变更记录。文章不虚构专家人数、真实医师署名或医院合作;项目如果需要医学判断,应由需求方指定符合其要求的专业人员并在书面范围中确认。

医疗数据产品从任务定义到跨站点验收的技术链路示意查看完整技术图(可放大)

图2 技术示意:任务、数据单元、标签、受控计算和独立验证需要在同一版本链中闭合;不表示真实患者、已完成实验、统一准确率、临床效果或可直接发布的医疗服务。

从小规模样例开始,而不是先承诺规模

面向采购或研发的实施路径可以分为五步。第一步是需求工作坊:冻结任务用途、输入模态、数据颗粒度、时间窗、标签和禁止用途。第二步是样例评估:由各方提供少量已获准材料,检查字段、授权、脱敏、关联键、质量记录和结果格式。第三步是受控试算:选择联合统计、MPC、联邦训练或本地分析中的一种,记录站点、参与状态、威胁模型和资源消耗。第四步是独立验收:用冻结样本、脚本和规则重跑,检查跨站点或时间段的外部表现以及失败类型。第五步才是扩展批次,并将授权状态、数据版本、返工记录和使用限制绑定到交付批次。

这一路径既适用于公共数据授权运营,也适用于医疗研究、保险数据分析或药械研发的数据协作。业务价值应通过减少重复对接、提高结果可追溯性、缩短验收争议和支持后续复用来表达,而不是通过虚构的客户数量、现货数据量、诊断率或收益金额来表达。国家卫生健康委所称的试点和治理方向,为行业提供了政策坐标,但不会替某个项目自动完成伦理、授权、数据出境、算法备案或临床评价。

对朗慧这类AI数据基础设施与流程服务商而言,公开可表达的能力边界应落在需求拆解、数据工程、专业审核、质量记录、版本化交付和受控协作方案上。具体数据是否可用、专家与机构如何配置、交付周期和验收阈值,都要在样例评估和书面项目范围中确认。公司能力说明不是独立认证,也不能替代数据提供方、医疗机构或项目合规责任主体的决定。

医疗健康可信数据空间的最终验收,不是“平台上线”或“模型跑出一个分数”,而是能否回答一组可追问的问题:这条数据从哪里来,谁授权了什么用途,哪一版字典定义了它,哪些节点看到了哪些中间结果,结果为何可以释放,谁复核了质量,出了问题能否撤回并重验。只有当授权、计算、标签、质量和审计能够在同一条版本链中互相指向,数据协作才从概念方案变成可讨论、可复核、可持续迭代的工程。

参考来源

  1. 对十四届全国人大三次会议第3616号建议的答复
  2. 国家数据局关于印发《可信数据空间发展行动计划(2024—2028年)》的通知
  3. FHIR Overview
  4. 强化可信管控能力建设,筑牢可信数据空间安全底座
  5. European Health Data Space Regulation (EHDS)
  6. Practical Secure Aggregation for Privacy-Preserving Machine Learning
  7. Privacy preservation for federated learning in health care
  8. Federated learning for predicting clinical outcomes in patients with COVID-19