在前面几讲，我们探讨了多种多样的数据“生产”和“采集”技术。
- EMR、HIS，通过人的录入，生产了关于“诊疗行为”的数据。
- 物联网（IoT），通过传感器的采集，生产了关于“生命体征”和“物理世界”的数据。
现在，我们面临着一个幸福的烦恼：数据太多了。
这些来自不同源头的、格式迥异的、质量参差不齐的数据，像一条条浑浊的支流，汇集到医院这个“数据湖”中。此时的“湖”里，充满了泥沙、浮木和杂草。如果你直接跳进去游泳，不但游不快，还可能被水草缠住，甚至喝一肚子脏水。
今天，我们的任务，就是学习如何“治理”这片浑浊的数据湖，并从中“淘金”。
第一部分：重新认识“大数据”——超越“大”，看见“4V”
首先，我们必须纠正一个普遍的误解。很多人听到“大数据”，脑子里浮现的第一个词，就是“大”，就是数据量（Volume）很大。
这没错，但只说对了一半。在医疗这个特殊的领域，另外三个“V”的挑战，远比单纯的“大”要严峻得多。
1. 体量（Volume）：数据规模巨大
- 这最好理解。一家大型三甲医院，一年产生的各类数据，可以达到PB（拍字节，约等于100万GB）级别。特别是PACS的影像、基因测序的序列，都是数据量的“巨无霸”。
2. 速率（Velocity）：数据产生和流动极快
- ICU里的监护仪，每秒钟都在产生新的数据流。5G网络下的远程手术，要求数据传输的延迟必须在毫秒级。
3. 多样性（Variety）：数据类型和结构极其复杂
- 这是医疗大数据最核心、也最艰巨的挑战。
- 有来自HIS、HRP的、格式规整的“结构化数据”（像Excel表格）。
- 有来自EMR病程记录、医生笔记的“非结构化数据”（自由文本）。
- 有来自PACS的影像（DICOM）、病理的切片（WSI）、监护仪的心电波形（ECG）等“半结构化数据”。
- 还有来自基因测序的组学数据、来自可穿戴设备的传感器数据……
- 将这些“语言”和“形态”完全不同的数据，融合在一起进行分析，难度极大。
4. 真实性（Veracity）：数据的质量和可信度参差不齐
- 数据在录入、采集、传输过程中，充满了各种“噪音”和“错误”。
- 医生笔误录错的诊断。
- 传感器因为干扰而产生的异常读数。
- 不同系统之间因为编码不统一而导致的“同名异物”。
- 如果不对这些“脏数据”进行处理，那么后续的所有分析，都将是“垃圾进，垃圾出”。
所以，请记住，医疗大数据的挑战，主要不在于“存不下”，而在于“理还乱”。 它不像金融或互联网行业的数据那样，天然就是高度结构化和标准化的。它本质上，是一片充满多样性和不确定性的“数据沼泽”。
而我们今天要探讨的“点金术”，其核心工作，就是在“分析”和“挖掘”之前，必须先对这片沼泽，进行一次彻底的“勘探”与“治理”。
第二部分：点金术的第一步——“数据治理”，从源头确保“水质”
任何淘金者都知道，你不能直接把一铲子河床里的泥沙，就扔进熔炉。你必须先进行“筛选”和“清洗”。
在数据世界里，这个过程，就叫做数据治理（Data
Governance）。它是一套枯燥、繁琐、但至关重要的“底层工作”。没有它，所有上层的AI和大数据应用，都只是空中楼阁。
数据治理的核心，是建立一套“规则”与“流程”，来确保数据的“质量”与“合规”。
1. 建立“数据宪法”——制定数据标准
- 我们在第十四讲构建ODR时，已经提到过“主数据管理”。这就是数据治理的“立法”过程。
- 医院必须成立一个跨部门的“数据治理委员会”，由医务、信息、运营、核心临床科室共同参与，来制定全院统一的“数据标准”。
- 比如，共同决定全院统一的“疾病诊断编码标准”、“药品编码标准”、“手术操作编码标准”……
- 这个过程充满了痛苦的“扯皮”，但一旦确立，就如同颁布了“宪法”，所有新建和改造的系统，都必须无条件遵守。
2. 建立“质量检测站”——数据质量管理
- 光有标准还不够，还需要有“检测机制”。
- 我们需要建立自动化的“数据质量稽核平台”。这个平台会像一个不知疲倦的“质检员”，定期地扫描所有数据源，并根据预设的规则，自动发现和报告“质量问题”。
- 稽核规则举例：
- 完整性规则：“出院病人的病案首页，‘主要诊断’字段不能为空。”
- 一致性规则：“同一个病人在HIS和EMR中的性别信息，必须保持一致。”
- 合理性规则：“患者的年龄，不能大于150岁。”
- 发现问题后，平台会自动生成“数据质量报告”，并派发“整改工单”给相应的业务部门。
3. 建立“数据身份证”——元数据管理
- 我们不仅要知道数据“是什么”，还要知道“关于数据的数据”，也就是元数据（Metadata）。
- 元数据，就是每一份数据的“身份证”和“说明书”。它记录了：
- 这份数据是谁创建的？（来源）
- 它是什么时候创建的？（时间戳）
- 它的业务含义是什么？（业务定义）
- 它的技术格式是什么？（数据类型、长度）
- 它和哪些其他数据有关联？（数据血缘）
- 一个拥有良好元数据管理的医院，就像一个拥有“中央数据地图”的城市。任何分析师，都可以快速地找到他想要的数据，并理解它的前世今生。
数据治理，是一项“看不到尽头”的、持续性的“苦活累活”。 它不像做一个炫酷的BI驾驶舱那样，能立刻看到成果。但它决定了一家医院数据资产的“含金量”。没有经过治理的数据，是“矿渣”；经过了良好治理的数据，才是“金矿石”。
第三部分：点金术的第二步——“数据标准化”，让世界“说同一种语言”
现在，我们有了高质量的“金矿石”。但是，如果我们想把我们医院的“金矿石”，和北京协和医院的“金矿石”放在一起，进行更大规模的冶炼（比如，进行多中心临床研究），我们就会发现一个新的问题：
即使两家医院内部的数据标准都很好，但他们两家之间的标准，可能完全不同。
这就极大地限制了医疗数据的“流动性”和“可复用性”。
为了解决这个问题，全球的医学信息学专家们，一直在努力创建一种“世界语”，一种能让来自不同医院、不同国家的数据，都能被统一表示和理解的“通用数据模型（Common Data Model, CDM）”。
在众多CDM中，目前全球最受瞩目、应用也最广泛的，是一个叫做OMOP CDM的模型。
- OMOP是什么？
- OMOP（Observational
Medical Outcomes Partnership）是一个国际性的、非盈利的合作组织。
- 它创建的OMOP通用数据模型（OMOP CDM），本质上是一套“标准化的数据库表结构”和“标准化的医学词汇表（Vocabulary）”。
- OMOP如何工作？
1.
标准化的“桌子”：OMOP定义了一系列标准化的“数据表”，比如“PERSON”（病人表）、“CONDITION_OCCURRENCE”（诊断事件表）、“DRUG_EXPOSURE”（用药暴露表）等等。无论你医院原始的数据库长什么样，你都需要写一个ETL程序，把你的数据，转换和映射到这些“标准桌子”里。
2.
标准化的“语言”：OMOP整合了全球主流的医学编码体系（如ICD, SNOMED CT, LOINC, RxNorm等），形成了一个庞大的、统一的“标准词汇表”。在映射过程中，你需要把你医院内部的“方言”编码（比如你院自定义的药品编码），都翻译成这个词汇表里的“标准普通话”。
- OMOP的价值是什么？
- 当全球成百上千家医院，都把自己的数据，转换成了OMOP CDM这种“标准格式”后，奇迹就发生了。
- 一个研究者，可以编写一个分析程序，这个程序无需任何修改，就可以在所有这些医院的数据集上“即插即用”地运行，并快速地得到一个跨越数亿人口的、超大规模的真实世界研究结果。
- OMOP，正在构建一个全球医疗数据的“联邦铁路系统”。 它让数据的多中心、规模化应用，变得前所未有的高效和低成本。
作为咨询顾问，当你向客户的科研副院长，提到OMOP CDM时，这会立刻展现出你对行业最前沿趋势的深刻理解。
结论：从“拥有数据”到“驾驭数据”
今天我们进行了一次深入“数据沼泽”的淘金之旅。
我们必须建立一个超越技术细节的战略认知：
在大数据时代，一家医院的核心竞争力，不再仅仅是“拥有”多少数据，而是“驾驭”数据的能力有多强。
而“驾驭能力”的高低，并不取决于你买了多昂贵的AI算法或分析工具，而是取决于你在那些看不见的、基础性的“底层工作”上，投入了多少精力。
- 数据治理，决定了你内部数据资产的“质量”。它是一场“向内求”的修行，目标是实现院内的“车同轨，书同文”。
- 数据标准化（如OMOP CDM），则决定了你数据资产的“流动性”和“外部价值”。它是一场“向外看”的远征，目标是让你医院的数据，能够融入全球知识生产的“大航海时代”。
这两项工作，都需要巨大的投入、长期的坚持和跨部门的决心。它们是典型的“难而正确的事”。
我们作为咨询顾问的价值，就是帮助客户理解，为什么必须要做这些“难事”，并为他们规划出一条从“杂乱无章”到“价值连城”的、清晰、可行的“点金之路”。
在下一讲，我们将在这些治理好的、高质量的数据之上，释放那个最令人兴奋的“魔法”——人工智能（AI）。
–EOF–
转载须以超链接形式标明文章原始出处和作者信息及版权声明.
No comments:
Post a Comment