陈金雄：别只埋头“建数据平台”，医疗数据治理需要“三层协同”

来源：HIT专家网 作者：李崇铭

“要不要做数据治理，需围绕具体业务场景和技术条件来谈，不能仅泛泛地谈一个概念。关于医疗数据相关的问题，要遵循基础的业务逻辑进行思考。”

近日，在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”上，资深医疗信息化专家陈金雄从一系列问题切入，希望业界厘清对医疗数据治理相关概念的认识。

何为医疗数据治理

“数据治理是伪命题吗？回答这一问题要从认识数据治理开始。”陈金雄介绍，涉及医疗数据治理的业务场景主要有两类：

一是联机事务应用，也就是生产业务系统对数据治理的需求。如果没有患者主索引和药品主数据，医生无法汇聚各信息系统数据进行实时决策，临床业务在系统层面几乎无法有效地开展。

二是联机分析应用（面向临床、科研和管理的分析型应用）。围绕这类应用又是另一种治理方式。如数据是否一定要做结构化处理？在AI时代，病历的前结构化与病历的后结构化哪种方式更好？

陈金雄认为：“AI会为医疗数据治理带来巨大的价值，AI数据治理不怕数据‘脏’，而是怕不真实、不全面，‘缺胳膊少腿’的数据无法使用。”同时，医院信息部门也要认识到AI数据治理的局限性：对于需要实时驱动业务的数据（如检查、检验结果、实时采集的生命体征数据等）不能依靠AI治理再使用；AI数据治理会产生额外的成本，在源头尽可能地规范医疗数据，对业务本身有较高的价值。

不过，数据治理能解决“数据脏”的问题，却未必能解决“应用难”的问题；医疗数据应用能否真正落地，需破解数据“叫好不叫座”的症结。陈金雄认为，当前医疗数据存在应用目标不明确、基础数据不健全、数据治理不到位、医院参与不充分、应用效果不明显等问题，使得医院端的数据没有发挥应有的价值，产业端也没有诞生有足够影响力的企业。

此外，治理的前提是建立对数据的正确认识。数据是产品还是服务？陈金雄认为：“数据的本质是服务，不是可以简单采购的产品。它没有一劳永逸的解法，无法开箱即用，更多地是提供基于业务场景和治理方向的个性化服务。”因此，医院需要掌握数据治理的主动权。

医疗数据治理需要“三层协同”，“前治理全量、数据湖兜底、后治理按需”

数据赋能的核心是“数据-业务-场景”三者融合，数据治理也相应地分为三个层级，包括前治理、后治理和应用。如果将数据治理比作做菜，“前治理”即业务数据化，就像准备食材；“后治理”即数据业务化，就像烹饪；“应用”即从业务场景需求出发，了解食客的喜好。

“如果忽略食材品质和食客喜好，就很难做出好菜肴。”陈金雄认为，目前医院普遍看重“后治理”，对数据基础和应用场景不够重视。但是，如果数据质量不高、应用目标不明确，即便后治理“用出牛劲”，消耗了大量的成本，数据治理成效也很难提高。

“医院可采取‘前治理全量、数据湖兜底、后治理按需’的治理策略，三层级协同释放数据价值。”陈金雄建议，第一，医院应主导数据治理工作，以“前治理”为主，“后治理”承担必要的标准桥接与补齐工作。

第二，数据前治理尽可能全量，建设主数据、修复系统、规范业务、夯实数据基础。前治理的目的是改进系统与管理的源头工程，实时支撑联机事务应用。在数据前治理的过程中，发现并修复生产系统的缺陷，规范业务流程、数据标准，尽可能在源头消除主数据、标准、数据链等基础问题。“前治理做好，后治理才能将主要精力放在业务价值上，而不是反复处理基础性数据问题。就像生产矿泉水的第一步是找到优质水源。”陈金雄说。

第三，构建“三个1”治理体系，包括：一套治理标准，可参考DAMA治理体系等内容，制定可执行的质检规则，让数据质量可度量、可管理。

一个质控平台，通过平台完成脚本管理、定时查询、异常侦测等，实现自动化、常态化治理，7×24小时在线值守。

一套运行机制，通过响应处理、根因分析和持续改进形成闭环。

第四，建议有条件的医院打造数据湖，全量沉淀原始数据，包括结构化业务数据、非结构化文档、医学影像与信号、多模态与外部数据等。“数据可以先不用，但不要轻易丢。”

第五，后治理围绕具体业务需求和业务场景建模，按需治理，不追求全量治理。哪个场景需要数据，就为哪个场景建模，通过抽取、转换、加载等步骤，满足数据可读性、结构化等质量规范要求，产出临床、科研、运营等主题数据集。陈金雄强调：“后治理的目标是业务价值，不是重复处理基础问题。”

将数据价值转化为业务能力

陈金雄介绍，医院数据治理的价值，首先体现在把复杂资料转化为医生可快速理解的病情摘要，形成临床驾驶舱。例如，临床驾驶舱不仅支持PDF、图片、Word及多语言OCR接入，将分散资料归并为统一病例画像，集中呈现基本信息、诊断、风险标签和关键指标，还能将多份资料提炼成摘要，按时间轴与缺项提示缺失的病历资料。这让医生在有限时间内更快看懂复杂患者，发挥稳定、贴近临床的业务价值。

其次，数据治理可进一步沉淀为四类可复用能力。一是知识工程方法，将固定模板、临床字段、规则提示词和专家反馈转化为可版本化、可迭代的方法资产。二是相似患者推荐引擎，通过病种粗筛、临床表型语义相似和差异比较，输出相似点与差异点。三是专家推荐引擎，结合病种专长、历史经验和运营规则，给出专家方向与推荐理由。四是初步形成临床数据底座，涵盖患者画像、时间线、缺失项等，同时支持人读与机器检索。这些能力已在业务中得到验证，使数据治理从一次性项目走向可持续复用的资产。

第三，将数据检索能力从“客服”延展至“临床场景”，将底座、方法与引擎嵌入现有业务。如：在MDT会前准备中，可整理复杂病例并标出关键缺项；在转诊与会诊中，快速形成统一病例视图；在专家推荐中，给出专家方向与可解释依据等。由此，医院数据治理的价值不再停留在后台支撑，而是直接服务于临床协作与决策，形成从数据到场景的闭环。

展望数据治理的未来，陈金雄认为有必要进行“预治理”。一方面，在AI Coding时代，代码越来越不可见，无法像过去一样逐行阅读和验证。数据验证因此成为新的质量闸门。另一方面，预治理能在前治理之前解决数据质量问题，把不规范数据扼杀在萌芽状态，治理越早，成本越低，效果越好。“因此，基于AI Coding开发的系统不仅要验证功能，还要把数据规范、数据链和数据结果纳入测试标准。”陈金雄建议。

【演讲视频】

【资料下载】

【责任编辑：明超】