经过近10年的蓬勃发展，医院里各类应用快速增加，数据的总量和类型也在不断增长，要数据的人也越来越多。卫生疾控等主管部门要数据做监管，医保要数据做支付依据，医院里的管理者要数据做运营管理决策参考，临床科研部门要数据做科研...信息中心作为提供数据的部门面临的数据管理和利用支持压力越来越大了。

知南课堂2022学年第五期直播课于2022年8月24日播出。知南课堂发起人、云南省计算机学会数字医疗专业委员会主任委员路健主持并发言，他说，“知南课堂的学员既有来自大三甲，也有来自县医院，但是数据采集和上报是我们每一位医信人绕不开的工作，尤其是在‘国考’和DRG时代。因此，了解医疗数据、学习医疗数据的管理和利用是每个医信人不可或缺的一节课。”

知南课堂2022学年第五期培训主题为“医疗数据管理和利用”，HC3i数字医疗网总经理张秀丽共同主持会议。

第五期：医疗数据管理和利用

健康医疗大数据应用实践

中南大学湘雅二医院信息网络中心主任朱洪涛

近年来，健康医疗大数据被定义为我国重要的基础性战略资源，是国家大数据重点工程之一！由于健康医疗数据来源众多，数据管理和数据治理难度很大，大数据技术是发掘临床数据巨大价值的有效出路。

健康医疗大数据探索与实践的目标是以持续改善健康医疗服务的公平性和可及性、增进人民健康为宗旨，遵从健康医疗行业特征和规律，以健康中国战略为指引，建成技术领先、示范引领的健康医疗大数据应用技术创新平台。以促进海量数据的有效利用、提升医疗质量与安全、拓展医疗服务能力、形成快速响应决策能力为目标进行整体规划，按照整体规划、分期建设，先试点、后推广，先基础、后应用的路径，形成业务与数据的闭环，构建数据价值生态体系。

健康医疗大数据的关键技术包括：健康医疗大数据标准化治理、医学数据自然语言处理NLP、健康医疗大数据分析与挖掘。

国内健康医疗大数据应用场景十分丰富，可以面向监管、公卫、科研、医生、公众等开展多维度支撑。随着大数据应用广泛落地，医疗机构需要认真思考业务闭环与数据资产共享，沉淀数据资产和业务能力，助力行业业务应用闭环，促进健康医疗领域数字化转型。

医疗健康数据生命周期

安全管理体系建设

复旦大学附属肿瘤医院信息中心主任王奕

数字化转型的本质就是数据从离散到集中、从独立孤岛到融会贯通的演进过程。由于医疗数据复杂，大量数据汇聚和共享开放，管理难度非常大。

2021年6月10日，十三届全国人大常委会第二十九次会议表决通过《中华人民共和国数据安全法》，于2021年9月1日起施行。《数据安全法》明确规定：未履行数据安全保护义务或未采取必要的安全措施的单位将处以5-50万元罚款，主要负责人处以1-10万元罚款。医院每天都会进行医疗健康数据采集、传输和管理，开展数据安全保护刻不容缓。

医疗健康数据生命周期安全体系建设包括五大任务，分别是：

• 构建全面合规的数据安全技术与管理体系；
• 构建以数据安全态势感知为核心的技术支撑体系；
• 构建以数据安全风险管理为核心的纵深防御安全体系；
• 构建新技术新威胁下的先进防御检测体系；
• 构建安全运营管理体系。

对标《数据安全能力成熟度模型（GB/T 37988-2019）》，复旦大学附属肿瘤医院明确了数据生命周期安全防护流程，从数据采集安全、数据传输安全、数据存储安全、数据处理安全、数据交换安全、数据销毁安全等维度开展数据安全防护。制定数据安全分级管理方案将数据安全管理分为五级，按照数据类别列出医疗数据安全要点。

目前医院在数据安全管理建设中已初见成效，可以监测到明文密码，杜绝账户失窃；能够定位可疑IP，落实精细化管控；保障数据脱敏稳定运行。

医疗大数据的“欺骗性”及其对策探讨

北京协和医院医疗保险管理处处长朱卫国

“数据足够大的时候，就可以自己说出结论了。”如果上述说法成立，那么“地心说”的谬论将会一直延续下去吧。

关于大数据的欺骗性还有很多的案例。例如：为调研某药物对患者的各种副作用的发生情况，研究中心采取回顾性研究，电话随访，为提高数据质量，确保患者本人接听，最终研究得出结论——效果特别好，副作用很小。但实际上，死亡的患者接不到电话。

随着医疗大数据和人工智能模型的应用研究越来越广泛，许多研究成果已逐步开始应用于临床，人们对于医疗大数据的准确性和可靠性的担忧也随之在加剧。

对于机器学习模型来说，有时微小的数据干扰也可能会基于对抗攻击导致模型输出错误的结果。如何发现医疗大数据挖掘分析中的陷阱，并采取相应的策略来减少医疗大数据的欺骗性至关重要。

医疗大数据的欺骗性是指在医疗大数据研究中，因被动或主动干预造成研究结果不正确的现象。本次课程主要从数据的欺骗性和机器学习陷阱两个方面概述数据的欺骗性。数据的欺骗性是指用于医疗大数据研究的样本数据在选取或处理时，由于处理不当而造成的偏差等；机器学习陷阱是指在医疗大数据的训练过程中，因模型问题导致被攻击从而产生不准确的结果。

如何减少上述情况发生呢？

医疗大数据的欺骗性应对策略可从数据和模型两个维度展开。通过确保取样的代表性、尊重客观逻辑、基于数据演化更新分析模型,避免数据欺骗；通过对抗样本检测、还原对抗样本、增强模型，防御模型被对抗性攻击；通过特征主导模型预测，确保模型可验证，如能选用可解释性的模型更好。

构建统一的医疗数据平台

空军军医大学第一附属医院（西京医院）

信息科主任蒋昆

数据是信息化建设的出发点和落脚点。医院数据按照类型可分为：结构化数据、半结构化数据、非结构化数据，或批式数据/流式数据，海量数据分布于流程管理、文档管理、多媒体管理等信息系统和医院数据仓库中。要挖掘数据价值，首先要进行数据治理，所谓数据治理是对数据资产管理行使权力和控制的活动集合。

统一的医疗数据平台是数据治理的重要工具，数据治理贯穿医疗数据平台建设的全程。对于医院来说，构建统一的医疗大数据平台势在必行。

数据治理的主要任务包括构建：

数据湖：完成原始数据采集、清洗、存储；

数据集市：构建面向应用的数据立方体；

集成平台：承载主数据、规范数据互操作方法。

建设医疗大数据平台的主要目标是面向多院区互联互通需求，打造跨医疗机构的统一医疗大数据平台。定位是大数据应用研究的“数据湖”、应用系统集成的“数据集市”、多机构协同的“业务中台”、HIS的“去中心化”措施。

医院信息部门正在迎来前所未有的机遇期。一方面，国家治理水平、医院管理水平的高要求倒逼信息化建设必须跟上；另一方面，信息化建设的复杂度和安全性考虑决定了医院信息科不能完全脱离业务。接下来我们的新角色是什么，这个问题需要大家早做考虑。

医疗数据利用与治理新视角

广州医科大学附属第二医院运营办主任陆慧菁

信息化不等于数字化！

数字化是信息化发展到高级阶段必然产物。数字化的核心和本质是运用大数据、云计算、物联网、区块链、AI、5G、VR/AR等数字技术，实现企业的业务和管理创新，增强企业竞争力，其重点关注的是“数据驱动”业务。

我们一直在提数据驱动业务，但在实际应用中却是很难实现的。现在转岗运营后，反而是能站在数据应用的角度去改善前端数据采集，逐步做到业财融合。

借助互联网医院建设，实现患者生命周期数据采集；借助物联网技术实现急诊绿色通道数据精细化管理；借助智能床垫实现患者数据自动检测；借助人脸识别+物联网实现手术室智能化应用；数据采集的场景越来越多，包括：院外随访、资产管理与能效分析等等，越来越多的数据被采集出来作为运营的参考。

除了来自应用的直接数据，通过建设数据中心，把业务系统数据进行集中整合，并且部分关键数据通过集成平台实现实时对接，数据整合后进行数据清洗和治理，形成标准化的可用数据集，通过对外统一的接口服务，满足医院和监管部门对于数据的深入应用需求，例如：临床科研、临床辅助、病历质控、薪酬管理等。

在数据的支撑下，医院能够建立公立医院绩效考核管理体系，满足医院自查自评的需要，及时掌握医院的各项指标运行情况。

在数据治理的标准化探索中，我们尝试了两种模式：一种模式是数据前置，要求先做主数据管理，之后所有业务库对照主数据每一步都存到库里，理论上从业务库到数据中心已经处理完了，但很难落地。另一种模式是数据后治理，保持数据原貌，数据修改重新对标，压力在数据中心，对数据中心资源要求高，尽管存在延时但相对更容易落地。

知南生活窗

医疗资源分布不均衡的状况在医信群体中同样存在。有些医院信息中心成了香饽饽，是医保、管理和科研的好帮手；有些医院信息中心还在修电脑、被动交数，完全没有话语权。

面对这场医疗数据知识盛宴，知南课堂的讲师和学员都给予了充分的重视。为了让更多的医院在数据时代不掉队，我们每一个人都在努力。