医疗数据治理，从补短板与立规则做起

来源：HIT专家网 作者：李崇铭

当下，医疗数据治理的重要性已成行业共识，但真正落实到日常工作中，多数医疗机构却陷入“不知从哪起步、如何持续发力”的迷茫：是先从顶层规划入手，还是从具体业务场景率先突破？数据治理与临床、科研、管理等数据应用常规任务如何衔接？这些问题，正是当下医院信息中心绕不开的现实课题。

近日，北京信息化协会信息技术应用创新工作委员会与HIT专家网主办的“医疗数据治理方法与实践——2026年HIT专家网工程师讲坛”成功举办，来自北京及其他地区的医疗机构信息中心负责人、工程师及医疗信息化企业代表等，围绕上述困惑分享了不同维度的观察与实践经验。

补短板、想清楚，医疗数据治理需夯实基础

“目前，医院开展数据治理活动还是比较初步的，基础性、系统性的治理还较为欠缺。建议医院数据治理工作要先从薄弱环节做起。”CHIMA副主任委员薛万国一针见血地指出，医院不应仅关注“专病数据库”“高质量数据集”等就事论事的治理，更要脚踏实地，做好数据治理的基础性工作。数据治理是一项涉及技术和管理的系统性工程，其中数据资源的顶层规划、元数据管理、主数据管理等是基础性的治理活动，也是当前医院数据治理的薄弱环节。“补强这些环节，可以为医院整体数据治理打下坚实基础。”

“数据治理是伪命题吗？数据是产品还是服务？如何看待前治理和后治理的关系？”高博医疗集团首席信息专家陈金雄从一系列问题引入，希望业界厘清对医疗数据治理相关概念的认识。他认为，数据的本质是“服务”，不是可以简单采购的“产品”，数据采集、治理到应用的全流程，大多需要个性化服务，因此数据产品没有一劳永逸的解法，将数据能力寄托于“开箱即用”并不现实。数据治理不是清除或修改数据，而是制定规则。其中，“前治理”即业务数据化，像准备食材；“后治理”即数据业务化，就像烹饪。“如果忽略食材品质和食客喜好，就很难做出好菜肴。”他建议医院可采取“前治理全量、数据湖兜底、后治理按需”的策略，三者协同释放数据价值。

“谁来进行医疗数据治理，是信息科吗？谁使用治理之后的数据，是AI吗？”除了概念厘清之外，会议主持人、解放军总医院医疗保障中心信息科高级工程师刘敏超也提出了两个开放式问题请业界同仁思考，这两个问题指向数据治理的根本命题：责任主体与价值去向，将对数据治理的可持续性产生重要影响。

场景导向+架构支持，数据治理见实效

数据治理实践需从医院实际情况出发。首都医科大学附属宣武医院信息中心主任梁志刚与解放军总医院信息科副主任孙晓玮带来了各有侧重的实践分享。

“医院系统很多，医生真正要用数据时仍然很难。数据汇聚，不等于数据可用。当前，信息科面对的不是单纯的数据导出需求，而是数据产品生产需求。”梁志刚认为，数据治理的本质是围绕场景持续加工数据，最终要解决三个层级的需求：数据有没有、数据对不对、数据能不能解决问题。数据治理的终点，就是要找到“能解决问题的数据”。

据梁志刚介绍，宣武医院探索打造高水平医疗数据集，不是从建设“大平台”开始的，而是先选择了一个具体问题（颈动脉支架数据集），逐一解决项目中暴露的各种问题，并沉淀项目数据治理能力。宣武医院以神经科学优势专病数据为起点，先形成数据品牌，再加以复制，最终从一个数据集走向了医院级的数据能力。

面对海量数据、异构系统和多场景复杂需求，多院区医院应如何治理数据？孙晓玮介绍了解放军总医院具有横向扩展、异构兼容与标准演进能力的弹性架构建设方案：基础软硬件采用国产分布式可扩展架构；打造数据“真”实时汇聚平台、“全”领域融合治理平台、“自助”数据服务平台。

在数据精准供给方面，实现全院全领域统一数据门户供给、AI模型零副本直连治理数据，字段级数据超市支持精准供数，自定义指标形成活化大屏。“以弹性架构为支撑，我们基本告别‘人找数据’的模式，可做到随需而取、精准直达，有效提升了数据服务效率。”

技术赋能数据治理的多元场景方案

会上，四位厂商演讲嘉宾分别分享了医疗数据治理的思考和场景赋能方案。

“治理不等同于管理，制度经济学视角下是‘定义规则’的机制安排。”上海蓬海涞讯数据技术有限公司总经理王志刚认为，数据治理的根本保障不仅在于“解决数据质量问题”：质量问题是规则缺失或规则未被执行后的“结果”，只修数据、不立规则，问题会反复产生。将数据治理视为规则工程时，需思考三个“定义”：每个指标的数据来源是什么（来源规则）、按什么口径计算（口径规则）、业务动作发生时应同步留下什么（产出规则）。

王志刚提出，数据治理进一步为“硅基员工”提供了可操作的规则与工位。以医院运营管理场景为例，数据治理不限于基础的看报表、写SQL、做BI，而是让关联的数据“机器可读”、成为AI应用的基础设施。在把领域概念转化成领域元数据的基础上，可通过“要事优先、异常先见、归因分析、给出对策、协助执行”的多智能体（MAS）协作框架捕捉运营管理中“看不见的关联”。以产出为核心判断资源配置，为智能体提供可理解的业务知识，为新质生产力腾出空间。 

“Agent已走入医疗场景，其表现很大程度上取决于上下文质量。能否利用好‘医院最大的非结构化业务数据库’——工作群聊的信息呢？”腾讯集团企业微信医疗行业区域负责人贾陶介绍了企业微信智能助理“大圆”。传统的数据治理面向“系统中的数据”，而“大圆”可通过AI Agent读取聊天记录并实现结构化输出，激活“工作现场的数据”，让AI开始理解工作。在“大圆”的助力下，医院IT故障报修、项目管理、患者服务等场景有了更智能的应用方案。

“除了术语标准不一、合规要求复杂等问题，医疗数据治理还面临多模态数据无法纳管、口径歧义放大AI幻觉的新痛点。”腾讯健康资深架构师卢可龙聚焦AI时代数据治理面临的新挑战系统介绍了TBDS + WeData + DataBuddy三层一体架构。其中TBDS作为多模态数据湖仓，可实现结构化数据统一纳管和存储；WeData统管全链路数据开发与治理，梳理数据血缘；DataBuddy提供数据分析、治理等Agent服务。

中国电信北京公司大数据专家李翔介绍了中国电信医疗AI使能平台，以及中国电信助力医疗AI发展的四大核心能力，并分享了打造数据可信空间、行业高质量数据集方面的实践案例。中国电信打造高质量数据集平台，提供体系化的规划咨询、平台工具和专业人员服务；依托北京健康云平台搭建可信数据空间，实现数据安全合规流转与应用；完善AI工具链，涵盖模型管理、科研工具、Token工厂等，助力医院数智化发展。

医疗数据治理没有标准答案，也没有“开箱即用”的捷径。这场讨论达成的共识是：数据治理需要补基础，更需要立规则。同时，随着AI深入医疗场景，数据治理的方法论、规则与工具，也正被推向新的升级阶段。

【责任编辑：明超】