数据融合激发医疗健康价值增量-

数据融合激发医疗健康价值增量Introduction引言多模态医疗大数据包含多种不同类型的数据源，如临床、基因组学、影像学和生物标记物等，这些多元化的数据具有多模性、动态性、实时性、连续性、海量性和客观性等特点，以多种方式表达了患者的信息，承载了患者临床信息有价值的内涵。数据融合是一种综合处理和分析多个数据源信息的技术，通过采集、存储、清理、转换、集成、管理分析、解释等过程，将来自不同数据源和不同模态的数据进行整合，以生成新的、更丰富、更有价值的信息，实现更丰富和深入的理解。数据融合是近年来医学研究领域的热点之一，其潜在价值在于能够从多个角度深入理解疾病的发病机制、诊断过程和治疗效果，为临床实践提供更加精准和个性化的医疗服务，获得更准确的决策支持和更好的预测能力。本报告就医疗健康大数据融合的必要性和意义、数据融合当前所面临的主要问题或瓶颈、解决途径与方法、应用领域、个人隐私保护与医学伦理规范五个方面提出了一些观点和见解，为医疗健康数据要素工程和数字化转型的工作提供参考。01数据融合，激发医疗健康价值增量一、时代进程：把握数据融合新态势1.1数据要素成为医疗数字化转型、发展新质生产力的核心引擎1.2数据融合成为数据要素价值释放的重要手段1.3数据融合成为公立医院高质量发展的关键特征1.4数据融合成为以人为中心服务的基础支撑1.5数据融合成为医疗健康产业培育壮大的沃土二、方案探索：谋划数据融合主路径2.1究根探底，数据融合面临四重挑战制约2.2攻坚破难，多措并举纵深推进数据融合2.3安全保障，数据融合中的个人隐私保护与医学伦理规范三、多元赋能：解锁数据融合新场景3.1便捷就医：流程再造，体验升级3.2智慧临床：智慧决策，提质增效3.3健康管理：联动服务，延伸呵护3.4数智中医：技术创新，精细管理结语主编Editor

inChief范

春执行主编

ExecutiveEditor徐安琪编委

EditingTeam徐一涵

杨吴婕

马

洁

金

灿校对

Proofreader张璟玥设计

Designer王晓晨数据融合，激发医疗健康价值增量

0203040505060607080915161724262831Contents目录一、时代进程：把握数据融合新态势03数据融合，激发医疗健康价值增量数据要素

×

医疗健康相关政策（2022

年

-2024

年）时间发文机构政策名称主要内容2022年

11月国家卫健委《“十四五”全民健康信息化规划》提出“完善健康医疗大数据资源要素体系”、“推进数字健康融合创新发展体系”等主要任务。2022年

12月中共中央、国务院《关于构建数据基础制度更好发

挥数据要素作用的意见》提出“建立保障权益、合规使用的数据产权制度”、“建立合规高效、场内外结合的数据要素流通和交易制度”、“建立体现效率、促进公平的数据要素收益分配制度”、“建立安全可控、弹性包容的数据要素治理制度”。2023年

2月中共中央、国务院《数字中国建设整体布局规划》提出要释放商业数据价值潜能，加快建立数据产权制度，开展数据资产计价研究，建立数据要素按价值共享参与分配制

度，并指出在医疗等重点领域加快数字技术创新应用。2023年

12月商务部《关于加快生活服务数字化赋能的指导意见》在推进医疗健康领域数字化应用方面，提出推进医疗健康大数据建设和信息互通共享，完善电子健康档案、电子处方等

数据库。2024年1月5

日，国家数据局等十七部门发布《“数据要素

×”三年行动计划（2024-2026年）》，提出要从提升数据供给水平、优化数据流通环境、加强数据安全保障三方面支撑数据应用，至2026年底数据产业年均增速超过20%，并特别指出医疗健康作为重点领域要加强医疗的数据融合创新，有序释放医疗健康数据价值。在医疗数字化转型进程中，数据要素产生新的价值增量，成为发展新质生产力的核心引擎已成为行业共识。1.1数据要素成为医疗数字化转型、发展新质生产力的核心引擎数据要素是指以电子形式存在的、通过计算的方式参与到生产经营活动并发挥重要价值的数据资源。根据国家网信办报告，2022年我国数字经济规模达50.2万亿元，总量稳居世界第二，占

GDP

比重提升至41.6%。从数字赋能到数字经济的跃迁，数据要素作为新型生产要素已然成为驱动我国经济高质量增长的关键动能。数据融合，激发医疗健康价值增量

04时间发文机构政策名称主要内容2024年

1

月国家财政部《关于加强数据资产管理的指导意见》明确了数据资产属性，提出依法合规推动数据资产化，进一步创新数据资产管理方式方法，并鼓励医疗等数据富集行业探索开展多种形式的数据资产开发利用模式。2024年

2月中央网信办《2024年提升全民数字素养和技能工作要点》强调加快弥合数字鸿沟，拓展智慧便捷的数字生活场景，提升重点生活领域数字化水平。2024年4月国家数据局《深化智慧城市发展推进城市全域数字化转型的指导意见》丰富普惠数字公共服务。推动数字技术和教育、医疗、住房、

就业、养老等公共服务融合，促进优质公共资源跨时空共享，提升服务资源覆盖面和均衡普惠度。2024年5月国家发改委、国家数据局《数字经济2024工作要点》不断提升公共服务水平，提高“互联网+政务服务”效能，提升养老、医疗、社保等社会服务数字化智能化水平，推动城乡数字化融合，打造智慧数字生活。1.2数据融合成为数据要素价值释放的重要手段数据融合概念起源于美国。1973年美国首次将数据融合理念与技术应用于军事领域，将多传感器来源的信息进行处理以实现战场态势感知。近年来随着应用场景更趋广泛,数据融合定义也得到丰富。现代数据融合技术是指为了实现及时完整与精准正确的状态判定、身份识别、态势评估等,针对多源异构数据进行检测、抽取、预处理、关联、估计和整合等一系列操作的一种多层次多角度数据处理手段。在医疗健康领域，数据融合技术主要用于异构数据的语义消岐关联和医疗影像的特征提取融合。近年来，诸多国家课题指南聚焦药物药理、精准医学、医疗价值等领域，

以数据为关键要素，以数字技术与医疗应用深度融合为核心开展创新性研究，主动推进医疗数据融合共享，积极拓展智慧医疗新模式新业态。因此，以应用场景为主线对多源异构的海量医疗数据要素进行数据融合，精准捕捉数据间的相关性、因果性关系，确保数据融合的安全性、合规性和有效性，研究数据融合结果的透明度与可解释性，以量变引发质变，创造新的信息和知识，充分释放医疗数据放大、叠加、乘数效应。1.3数据融合成为公立医院高质量发展的关键特征公立医院高质量发展中提出推动大数据与医疗服务深度融合，推进电子病历、智慧服务、智慧管理“三位一体”的智慧医院建设。通过数据融合、分析、处理多源数据，能够实现医疗健康数据的集成和共享，并充分挖掘数据中所蕴含的全部信息，进而做出相应估计和决策，有助于满足电子病历应用水平分级评价对全流程医疗数据闭环管理、高级医疗决策支持、区域医疗数据共享、医疗安全质量监测等要求。在进一步完善医疗卫生服务体系中提出开展国家和省级区域医疗中心、城市医疗联合体、县域医共体建设中，医05数据融合，激发医疗健康价值增量疗健康数据融合在加强、数据共享交换与保障体系建设中发挥至关重要的作用，有助于推进医疗联合体内信息系统统一运营和互联互通，加强数字化管理。在医院精细化管理方面，促进实物流、资金流、业务流、信息流的数据融合，实现临床与管理系统间的互联互通，提升业务管理与运营管理水平。公立医院高质量发展提出实施临床科研提升行动，坚持临床研究和临床诊疗协同，用科研反哺教学、让科研成果服务临床和疾病防控，

融合并利用海量医疗数据信息，加强基于大人群样本的真实世界医学研究。1.4数据融合成为以人为中心服务的基础支撑在真实世界中，医疗健康服务的对象是人，需要以人为中心对医疗大数据进行深度融合，通过对不同来源的医疗健康数据自动检测、关联和融合，实现更加精确的信息估计，打造可持续的临床价值。构建疾病诊断、检验、检查、监测数值等数据集，提取各个模态的特征表示、深度融合，实现信息多源互补，最终完成疾病自动诊断。通过使用健康管理类人工智能和可穿戴设备，对健康状态进行实时、连续数据获取和监测，实现在线实时管理、预警和行为干预。在群体公共卫生管理方面，医疗健康数据也可以用于支撑提升公共卫生服务水平、完善医疗政策体系，有助于合理分配和调度医疗资源、及时调整疫情防控措施，推进医疗、医保、医药联动改革。1.5数据融合成为医疗健康产业培育壮大的沃土数字经济是继农业经济、工业经济之后的主要经济形态，

是数字时代国家综合实力的重要体现。根据Statista数据资料库，2022年数字经济为美国经济总量（GDP）增加了2.57万亿美元的价值，高于上一年的近2.4万亿美元【1】。结合经济分析局（BEA）发布的美国年度国内生产总值

【2】

的报告数据，截至2022年美国数字经济增加值占GDP比重达到9.98%。在我国，

《“十四五”数字经济发展规划》提出2020年数字经济核心产业增加值占国内生产总值（GDP）

比重达到7.8%，预计到2025年，数字经济核心产业增加值占GDP比重达到10%【3】。为全面推进“健康中国”建设，落实习近平总书记“为人民提供全方位全周期健康服务”的指示，需要深化医疗健康产业生态建设、做优做强健康产业。《“十四五”国民健康规划》提出到

2025年，健康服务业总规模预计到达

11.5万亿元【4】

。数据要素对提高生产效率的乘数作用不断凸显，跨行业、跨地区、跨部门的数据融合，将促进数据多场景应用、多主体复用，推动新产业新业态新模式持续涌现，成为健康产业高质量发展和壮大的沃土。数据来源：【1】

/statistics/961908/digital-economy-value-add-to-gdp/【2】

/statistics/1031678/gdp-and-real-gdp-united-states-1930-2019/【3】

/fggz/fzzlgh/gjjzxgh/202203/t20220325_1320207.html【4】

/gongbao/content/2022/content_5695039.htm数据融合，激发医疗健康价值增量

06二、方案探索：谋划数据融合主路径二、方案探索：谋划数据融合主路径07数据融合，激发医疗健康价值增量2.1究根探底，数据融合面临四重挑战制约医疗健康数据覆盖范围广，数据种类繁杂。从医疗数字化转型进程来看，尚存在数据标准化程度不高、医疗数据质量与可靠性低、数据应用专科化个性化场景模糊、“医工交叉”复合型人才团队建设亟待深化等问题。2.1.1标准不统一引起多源异构数据融合障碍多源数据异构是医疗数据融合面临的主要瓶颈之一。医疗数据种类繁多格式复杂，数据范畴不仅包括患者基本信息和常规体征数据等业务系统产生的结构化数据，还包括各种医疗设备采集的时序性生理数据、医学影像以及大量关于患者病历和诊断文书等半结构化、非结构化数据。这些异构数据在形成过程中标准无法统一，对数据的抽取、转换需要充分规范保障数据的一致性和可理解性，如何将电子病历中的非结构化数据转化为机器可识别的结构化数据依然是当前技术需要突破的焦点。即便一些医疗数据具备通用性行业标准作为参照，也会因为医院系统建设的标化差异增加数据融合的复杂性。在电子病历系统功能应用水平分级评价、医院信息互联互通标准化成熟度测评、医疗机构智慧服务分级评价等工作推动下，医院信息系统建设基本与国家、行业发布的数据标准实现并轨，但细分的业务系统较多依赖于所选择软件供应商的标准遵从度，加之系统的分阶段建设、数据标准存在滞后，数据统计口径不一致，缺乏统筹，造成多源数据之间的格式混乱、语义矛盾、重复冗余。这使得多源数据的转换和对齐上耗费大量工作，特别是一些早期建设或定制开发的业务系统、历史数据等未完全符合数据标准的要求，需对这类数据与标准进行映射，实现转换与对齐，确保源头数据符合标准的要求。2.1.2数据质量缺陷难以满足难以满足医疗决策分析需求临床数据缺失是困扰医疗决策分析的主要问题。相对于临床诊疗，对临床数据的分析利用存在一定滞后性。由于对信息价值的判断偏差等主观因素，一些决策所需数据并未在临床诊疗过程中及时记录，事后补录难免丢失重要的过程性数据，加之部分医院对临床数据质量把控不严，这使得有效的数据样本量减少，影响决策分析结果；

同时，在医疗健康服务及临床科研的精准性需求下，对患者生命体征信息、康复训练信息等多维信息的利用尤为重要，而由于物联网技术水平限制，这些信息仍无法及时准确采集，造成数据维度的缺失，影响决策分析过程。数据的准确性引起医疗决策分析的可靠性争议。一些科研数据指标在不同环境条件下的定义和解读存在差异，在一项分析决策中如果没有对数据内涵加以控制，将会导致分析结果的错误、歧义或误导性问题。特别是在分析患者体征数据时，需考虑环境温度、个体情绪状态对数据偏离真实情况的影响，避免数据失真。而在临床诊疗过程中，数据内涵控制环节薄弱，病例样本情况发杂，数据在语义、逻辑层难以统一，导致分析结果准确性。在院级之间病例归集方面，各医院科室设置差异混杂，

DRGs病组细分或切分到专科难度较大，院际间数据的融合分析也需要考虑专科内涵一致性的问题。2.1.3基于数据循证的临床专科化、个性化应用程度不高大数据模型的可解释性尚不能满足临床需求，专科化应用还需以临床经验为主导。大数据、人工智能相关的技术“黑箱”依然存在，无法提供数据分析背后的逻辑原理，对医疗健康大数据的挖掘不仅需要分析数据间的相关性，还需要严格验证其中的因果性，由此基于数字循证的临床专科化应用仍存在模型信任争议，需要结合医师经验做人工判断和纠正，并辅以长期临床跟踪和数据佐证，保障专科化临床应用的可靠性。患者需求差异化日益增加，数据应用场景缺少个性化创新。“新医科”概念的提出使医院服务理念走向从治疗为主到兼具预防治疗、康养的生命健康全周期医疗，对基于数据循证的场景化应用提出更加个性化的要求。首先是个性化诊疗方案，一些疾病的个体依从性较高，需根据每位患者的疾病情况、身体状况、基因特征等制定相应治疗方案；其次是个性化健康管理，特别是慢性病的防治，需从饮食、运动、心理等维度对患者进行长期跟踪与随访；同时，数字化患者服务还需更好地满足医疗资源配置优化、数据融合，激发医疗健康价值增量

08便捷性就医体验、医患沟通顺畅等多层次患者服务需求。2.1.4“医工交叉”复合型人才团队建设仍需深化当前具备深厚医学专业知识且能够深度理解分析医疗大数据的高层次人才依旧短缺，医工交叉合作停留在较浅层次。特别是在生成式人工智能颠覆了机器学习对医疗数据的处理能力之后，医院对医疗数据的融合分析需求急剧增加。而临床医学和信息工程双方对问题的认识不同，医疗专业人员对智能技术的可用性、安全性问题存疑，而技术人员缺乏对临床需求的全面深刻认识，学科之间的壁垒难以完全消除，交叉合作的切入点有待精准定位和有效挖掘。适应医工融合工程的人才保障机制仍需进一步完善。部分医院已经建立医工交叉研究院、医工交叉研究中心等医工交叉平台，为医工交叉配置足够的人力、物力和财力资源。但配套的人才培养制度、职称评价制度、人事薪酬、绩效考核制度还需建立健全，适应医工及交叉人才的职业特点，以消除交叉融合的体制机制屏障。2.2攻坚破难，多措并举纵深推进数据融合针对数据融合当前所面临的主要问题或瓶颈，一般可通过以下方法进行改善或解决：2.2.1建立数据标准、实现数据对齐，开展针对标准的规范化管理数据标准是保障数据在内外部使用、交换共享时的一致性和准确性的重要保障，需要对数据的命名、数据类型、长度、业务含义、计算口径、归属部门等定义一套统一的规范，保证各业务系统对数据的统一理解、对数据定义和使用的一致性。建立在数据标准基础上的数据是数据融合的基本前提，通过标准规范约束标准代码、度量单位、字段标准、命名词典等，来保障后续建模与应用过程中数据处理的一致性，从源头上保障数据的标准化生产，为医疗大数据库的建设、数据集成、数据交换以及数据共享打下基础。标准监管评价促进标准管理区域医疗数据中心/医疗集团/医共体数据上传标准下发联网医院医院1

医院2医院3医院4医院

…图1数据标准管理与评价促进平台在区域医疗中心、医疗集团、医共体等模式下，基于统一的数据标准管理与评价促进平台，可推进数据统一上传、汇集与互联互通，开展大数据支撑下的临床诊疗、病历文档共享调阅、远程会诊、双向转诊、医疗质量管理、绩效考核、临床科研等业务。2.2.2开展持续性数据治理，确保数据质量数据质量直接影响着数据融合的效果，因此在数据融合过程中，需开展持续性的数据治理，确保数据的质量。数据治理首先要解决基础数据的标准化、统一性、针对数据标准本身也需要进行规范化管理，对标准的有效性、相关性、适用范围等进行识别、研判与跟踪，建立标准维护动态更新机制，确保标准的有效性和可用性。如在建立区域医疗数据中心、医疗集团、医共体时，可以区域为中心，以规范化、集约化为目标，建立医疗健康统一的数据标准管理与评价促进平台，构建一套统一的基础数据标准管理体系，改变原有通过下发数据标准文件进行宣贯的方式，实现数据标准在中心端一次更新全域统一，满足医院端对数据标准进行查阅、引用、同步和仲裁的要求，

实现对数据标准的云化、知识化管理。在此基础上，定期对医院数据标准使用情况进行评价，形成统一评价结果，促进标准的落地与执行。数据标准资产监管数据标准应用监管数据标准管理标准审核发布标准版本管理数据标准下发数据标准应用评价数据标准应用促进09数据融合，激发医疗健康价值增量中心端质量控制不同医疗机构、部

门和系统数据•

数据融合模型管理•

对象主索引关联•

业务规则稽核•

数据仲裁

……•

数据预处理：数据清洗和

标准化

数据内涵质控

减少数据噪声

消除异常值

消除冗余信息一致性、完整性和准确性等问题，实现针对同一对象表征的数据同源，需要对业务数据模型、数据全生命周期活动过程（数据的产生、传输、存储、使用、共享等）

、元数据和主数据等核心要素进行治理。数据治理还要解决不同医疗机构、部门和系统数据的标准化和互操作性问题，在对多模态数据进行融合的时候，可通过数据预处理将来自不同医疗数据源的数据、多模态数据进行清洗和标准化，统一到一个平台上，便于后续的数据分析和处理。通过数据预处理，可以减少数据中的噪声和不一致性，消除异常值和冗余信息，提高数据的准确性和对客观现实的表达力。前置质量控制基础数据•

业务数据模型管理•

数据全生命周期活动管理•

元数据管理•

主数据管理

标准化

统一性

一致性

完整性

准确性在数据治理基础上，从数据的规范性、准确性、完整性、一致性、关联性、约束性和及时性等维度，建立医疗健康数据质量评价促进机制，建立数据质控闭环，通过智能化方法提升数据质量，推动数据质量长效改进。基于数据质控规则，对数据采集、数据处理、数据汇集等环节的数据质量进行追踪记录，及时形成数据质量问题报告并进行追溯。加强前置质量控制，在数据采集的时候对源头数据进行质量控制，确保源头数据质量。在数据汇集的时候进行二次质量控制，即中心端质量控制，对数据融合模型进行管理，基于对象主索引进行关联，通过业务规则稽核发现数据质量数据质量报告数据质量追踪数据质量评价与促进数据质量评分数据质量总览异常质量监控数据汇集数据处理数据采集图2数据质量控制与评价促进数据融合，激发医疗健康价值增量

10的深层次问题，对有冲突的数据进行数据仲裁，确保数据在汇集时的权威性，从数据内涵上进行质控。对数据质量进行评估是数据质量控制的核心，从数据规模和数据质量两方面进行评估，通常包括数据质量报告、数据质量追踪、数据质量评分、数据质量总览、质量异常监控等内容。2.2.3多源采集医疗健康真实世界的数据，扩展医疗健康数据的多样性医疗健康真实世界的数据具有多样性、相关性和因果性，在对个体开展疾病诊断、个性化治疗、健康风险预测和康复等活动中，需要掌握多种类型的信息，实现基于真实世界数据的临床多样性证据，如电子病历数据、医疗影像数据（放射、超声、CT、MRI、PET等图像数据）

、基因组学数据（DNA测序、RNA-seq、miRNA-seq等高通量测序数据）、生物标记物数据（蛋白质表达谱、代谢组学等）

和公共卫生服务数据（免疫接种、健康体检、疾病筛查、随访等）等。此外，

一些新型的数据，如体征监测数据、姿态体态数据、康复运动数据、脏器声纹数据、行为习惯数据、心理情绪数据、饮食营养数据、环境与职业因素数据等，极大地丰富了医疗健康数据的多样性，对研究疾病发病机制、个体化差异、个性化治疗方案、治疗效果评估等具有重要参考意义。扩展医疗健康数据的多样性，需要解决数据采集最后一公里的问题。数据的采集要从源头抓起，需要通过一些技术手段和生态机制提高对多样性数据的获取能力，确保数据的可靠性和真实性，且能够实现数字化表征，对一些实时性要求高的数据，还需要进行实时更新和处理，以便及时反映患者健康情况的变化。通过自动化采集、机器学习和网络采集等方法突破传统手工采集方法的局限性，如通过生成式人工智能技术实现对患者诊前信息的理解与精准获取、对电子病历文本的辅助书写和录入、对检查报告的自动合成以及对病历内容的内涵质控等，通过网络采集实现对舆情、疫情、公众图3医疗健康真实世界数据的多样性健康状况和需求等信息基本面的掌握，通过智能传感设备、物联网、医工结合等方式实现对一些健康新领域数据源的自动化采集。如通过声纹识别技术对体内心脏、肝脏、肺脏、胃肠、肾脏发出的声音进行探测并对异常声音进行识别，掌握脏器的健康情况；通过各种传感器和监测设备，收集有关生活和职业环境的各种参数，如温度、湿度、空气质量、辐射强度等，将来自不同源的环境因素数据进行集成，构建一个面向个体的完整的环境因素数据库；通过移动健康应用、可穿戴设备、问卷调查或访谈等方式，长期追踪个体的行为习惯和生活方式，对收集到的行为习惯数据进行编码和分类，实现数字化表征和分析。2.2.4建立有针对性的数据融合模型，实现对多模态数据的知识发现和利用多模态数据之间的内在联系复杂且不易被发现，因此数据融合需根据要研究的主题，将来自不同数据源和不同模态的数据按照一定的规则和逻辑进行整合，形成一个完整、准确、具有代表性的数据模型，通过这个数据模型，可以体征监测数据脏器声纹数据

姿态体态数据电子病历数据医疗影像数据

基因组学数据生物标记物数据公共卫生服务数据心理情绪数据…………环境与职业因素数据11数据融合，激发医疗健康价值增量饮食营养数据康复运动数据行为习惯数据和建模，从模型信息中推断含义和因果关系，找出其中的关联性和规律。将多模态数据与现有的医学知识相结合，解释复杂的医学信息，提取出隐含的知识和规律，构建医疗知识图谱，实现基于多模态医疗大数据的知识发现，使医护人员更好地理解患者的病情并制定精准的诊疗方案。基于多模态医疗大数据、知识图谱和生成式人工智能，可让大数据分析模型更加稳定且具有可解释性，开展针对诊疗相关性和因果性分析的增强性临床辅助决策的应用。2.2.5建立以医疗健康数字基座为核心的数据服务机制,提高数据利用效能数据服务的核心是让医护人员、患者、医院管理者可以方便高效地使用数据、应用数据，充分释放数据要素价值，提高数据利用效能、降低数据利用成本，从“以流程为核心”转变为“以数据为核心”，围绕医学数据和医疗实践数据来优化诊疗流程和创新诊疗方法。因此，数据驱动的架构正在发展成为未来重要的设计实践，应用的关注点也不再完全以功能为主，而是围绕数据和需求，基于共性开发平台，从数据和需求的视角来开发新应用。数据的复用比功能的复用更重要，

数据丰富化、知识化和可挖掘的程度越高，就越能产生更大的能力价值。医疗健康数字基座可充分提升数据服务能力，让数据用起来。基于医疗健康数字基座构建的应用系统，其所产生的医疗业务数据，不仅可以实时支撑临床系统的运行，而且还可以在数据汇聚中减少系统集成操作，加强临床应用数据与知识数据的融合，创建更多的知识服务。它采用云原生、微服务、湖仓一体与分布式存储等技术，突破了现有医疗信息系统IT架构弹性不足、数据利用不充分、操作体验差及技术升级受限等瓶颈，具备高可用性和高可扩展性。在数据服务层面覆盖了从数据汇聚存储、数据统一治理、数据分析计算、数据统一利用全生命周期管理，提高了数据整合处理速度和数据处理性能，并确保数据的安全性和隐私保护，是医疗数字化转型的重要基础支撑。发现数据之间的关联和规律，提取有价值的信息，实现对数据的深度分析和综合利用。数据融合模型与业务需求、拟解决的问题、研究目标等紧密相关，需要根据特定的需求，研究数据之间的内在相关性、特征信息、信息的权重、决策规则、信任度等，设计有针对性的数据模型。数据模型可以在数据整合、分析和利用的过程中进行优化，形成模型管理闭环，以进一步提高数据分析利用的效果和实用性，在数据层、特征层和决策层三个层次上实现数据融合。数据考察内在相关性特征信息

信息的权重决策规则

信任度……图4数据融合模型管理闭环可通过数据有效整合和关联建立针对某一主题的数据视图，对离散性数据、稀疏数据或流式时序性数据进行归集，突出数据融合后的可视化效果，如个人健康画像、疾病画像、疑难病或罕见病诊断画像、疾病起因画像、体征数据时序画像等，识别患者健康随时间的变化趋势、疾病危险因素随时间的变化趋势等，通过图形和图表的方式展示多模态数据的结果，使医护人员更容易理解和掌握数据的含义。探索能够跨模态关联、跨时空关联的广谱关联技术，实现不同来源与不同模态数据之间的信息互补，通过统计分析与机器学习等方法，对多模态医疗大数据进行挖掘业务需求拟解决的问题研究目标……数据整合、计算、分析、利用优化数据层融合特征层融合决策层融合数据融合，激发医疗健康价值增量

12数据融合模型需求场景设计使用设计数据中台业务中台技术中台：AI人工智能、物联网、区块链、5G

、分布式微服务、分布式存储、配置管理中心

……标准数据，还包括通过机器学习开发出来新的知识，如建立知识图谱，通过知识来驱动诊疗技术的进步。数据统一利用是对医疗信息系统数据、医疗数据标准库、临床指南知识库、医学知识图谱、临床决策知识库以及数据资产标签等通过API、微服务等方式提供数据服务。强调数据的共性和复用，实现以客户需求为驱动的动态复用能力和数据开放共享能力，可同时满足临床诊疗、运营管理、临床科研等多种系统的应用，及时响应业务的高频变化。基于医疗健康数字基座，实现对医院多源业务数据的实时采集、整合、计算和分析，实现数据自我管理和全息数据（内部数据、外部数据、内外交互数据）资产的全覆盖。通过数据服务，可培养灵活丰富的新应用开发能力，构建多维、全量业务空间，提高医院对各类医疗需求的快速响应和为患者提供个性化服务的能力。数据汇聚存储基于湖仓一体架构，能够完成医院多源业务数据整合，聚合了对多样性、多形态、多源性医疗业务数据的汇集能力，支持实时数据采集和计算，完成医院数据资产保全、分析与应用。数据统一治理是医疗健康数字基座的重要组成部分，是以元数据驱动，提供包含数据标准、数据质量、数据安全、数据资产的数据治理体系，帮助医院完成数据资产管理。数据分析计算是将医学和医疗数据抽象成数据基础服务、数据建模服务和数据分析服务，并将其提供给前台，满足医院实时数据展示和分析要求。基于数字基座并结合人工智能、自然语言处理等技术，能够实现医疗健康数据挖掘分析、知识发现、运营指标实时计算与智能分析、数据后结构化处理、病历内涵质控等工作。重点实现对动态数据的资产化和价值化，不仅仅是基础的医学数据统一利用数据分析计算数据统一治理数据汇聚存储业务中台API：患者服务、医嘱闭环、智慧文书、费用结算、物品药品等数据中台API：数据标准API集、数据资产API集、数据应用API集等中台

层产业对接

……临床诊疗运营管理质量管理科研教学患者服务区域联动图5

以医疗健康数字基座为核心的数据服务机制医疗健康数字基座护

理记录物

品计费数据全生命周

期治理知识就诊⼈数据质量管理数据主题API集市层数据分析服务元数据管理数据建模服务数据标准管理数据安全管理数据资产管理数据仓库临床数据基础服务数据接入数据治理13数据融合，激发医疗健康价值增量应用场景数据管理数据分析数据一致性评价是通过比较、匹配和校验等方法，对不同数据源的数据以及之间的逻辑性应一致而不一致的情况进行评价，反映了数据与其他特定上下文中使用的数据无矛盾的程度，发现不同数据源数据可能存在的差异性。数据完整性评价是对融合后的数据是否能完整反映原始数据的内容进行评价，包括数据元素按照数据规则要求被赋予数值的程度、数据的缺失率、缺失样本的分布情况等，可通过数据可视化方法，对融合后的数据进行可视化展示，直观地评估数据的完整性。数据准确性评价是通过数据抽样、数据对比和数据验证等方法对融合后数据的准确性进行评价，发现不同数据源可能存在噪声、错误等问题，对其所描述的真实实体“实际对象”真实值的程度进行评价。数据可信度评价是通过对数据源的权威性、数据的来源、采集过程分析等方法对数据的真实性和可靠性进行评价，对融合后数据的整体可信度进行评价。数据多样性评价涉及数据类型、覆盖范围等内容，是对融合后的数据是否能充分反映不同数据源的特点和差异以及2.2.6建立对数据融合的评价与验证机制,判断数据融合的可行性和有效性对数据融合的评价与验证是确保数据融合过程有效性和可靠性的关键步骤，为数据科学和人工智能的应用提供可靠的基础。评价与验证主要针对融合后的数据质量和融合效果，从数据的一致性、完整性、准确性、可信度、多样性和可用性等维度进行评价，对判断数据融合的可行性和有效性具有重要意义。根据结果进行优化数据融合的方法与技术根据结果进行优化评价融合后的数据验证数据一致性数据完整性数据准确性数据可信度数据多样性数据可用性图6数据融合的评价与验证数据融合，激发医疗健康价值增量

14预测模型数据的互补性进行评价，消除数据的局限性和数据偏见。数据可用性评价是从与用户需求的匹配程度、数据的时效性、数据的易用性等维度对融合后的数据是否能满足用户需求和实际应用价值进行评价。借助机器学习、人工智能等技术，

可对数据融合的整体效果进行验证，建立预测模型，预测模型通过训练与实际结果进行拟合，预测模型可以根据已知的数据，预测出未知数据的结果，从而对数据融合结果的准确性和效果进行验证。根据评价与验证结果，

对数据融合与集成的方法和技术不断进行改进和优化。2.3安全保障，数据融合中的个人隐私保护与医学伦理规范隐私数据泄露、医疗数据滥用、医学伦理风险等安全问题贯穿数据融合始末，必须引起高度重视。我国已在法制层面对医疗数据安全建立多重保护，如《个人信息保护法》、《数据安全法》等。除采取有效技术管理手段强化患者知情同意和隐私保护之外，还需慎重考虑融合工具以及相关分析方法所带来的潜在伦理道德风险，以促进医疗数据融合的良性长续发展。强化隐私保护能力。医疗健康数据涵盖健康、疾病、基因等高度敏感信息，一旦数据被别有用心者利用和整合，个人隐私和尊严将不可避免地受到侵害。特别是在数据采集交换环节，移动端应用、各类穿戴式设备容易以“采集数据”为名过度采集、非法窃取个人身份信息和生理数据，隐私泄露较为隐匿。在保障数据的合规采集下，

对患者信息等重要敏感数据采取分级隔离、数据数据加密措施，

及时核查认证与用户和匿名用户，强化对隐私数据的主动防护。减少数据偏见。人工智能算法模型作为医学数据循证的技术主流，在众多智慧医疗场景中得到广泛应用，必须重视数据偏见所带来的潜在风险。特别是在临床辅助决策场景下，较多错误、重复、低质量的数据，或者样本代表性不足，会导致训练模型记忆有偏差信息，造成生成结果的偏差、错误，甚至造成严重的医学事故。因此，在保障数据质量的同时，检测和纠正医疗人工智能算法模型中的数据偏见十分必要，应建立配套的临床验证机制对模型加以长期验证。防范临床研究的伦理合规风险。在医疗数据的流转和二次使用过程中，群体数据的“知情同意”可能引起数据使用的伦理合规争议。在临床医学研究中，由于临床诊疗未涉及研究知情同意签署过程，患者“不知情”且被动加入数据库，大量生物医学数据作为整合的“受试群体”信息被使用，在多次重复使用过程中对数据的用途不确定，由此带来的医疗数据滥用会引发临床研究的伦理合规争议。如何打破传统的患者知情同意模式，强化研究管理机构的监督机制，仍是防范医学伦理合规风险的焦点。15数据融合，激发医疗健康价值增量三、多元赋能：解锁数据融合新场景数据融合，激发医疗健康价值增量

16术、用药、不良反应等，是对患者后续就诊的关键临床信息补充。（1）个性化诊疗传统的电子病历数据共享及检验检查共享互认，侧重于整合各区域、各单位、各条线分散的数据，在破除数据孤岛上有一定成效，但仍无法突出数据的临床价值。电子病历在两家医院的数据共享通过区块链技术实现，不仅可实现医疗资源共享，也可有效保护患者的隐私安全、防止共享内容被篡改。患者在医院A刷身份证就诊，医生完成诊疗并生成电子病历，系统会判断所有数字签名的可信度，确认可信度后即执行数字签名、加盖时间戳，加密后的电子病历将在系统内保存。患者前往医院B就诊后，医院需征得作为数据主体患者的充分同意方可获取数据。医生对患者的电子病历数据发出授权请求，请求中将明确数据范围、数据使用方式、数据使用期限、数据主体权利等具体信息。患者授权电子病历数据后，医院

B的医生可通过区块链访问患者的历史就诊记录，系统在判断数字签名可信度后，医生可直接查看患者的电子病历数据。电子病历共享的数据来源按照《WS445.1-2014

电子病历基本数据集》可分为三类，包括患者基本信息、患者健康信息、健康事件摘要。患者基本信息包括患者姓名、患者健康卡号等患者标识性信息；患者健康信息包括疾病史、手术史、传染病史、输血史、个人史等，患者过去健康状况有助于后续医院对患者进行系统性回顾；健康事件摘要包括患者在医疗机构产生的就诊情况、医学处置、治疗方案、手电子病历数据共享需尽可能达到电子病例评级与互联互通五级的要求，即“全流程医疗数据闭环管理，高级医疗决策支持”，构建不同医疗机构之间的电子病历数据共享互认模式，注重电子病历共享所产生的临床价值，在患者的个性化治疗、疑难杂症及罕见病诊疗上有突出贡献。示意图如下所示：EMR

EMR医疗机构A——电子病历医疗机构B——电子病历数据采集3.1便捷就医：流程再造，体验升级3.1.1电子病历数据共享应用数据应用图7

电子病历数据共享示意图健康事件摘要医学处置治疗方案手术代码患者基本信息患者健康信息健康事件摘要患者基本信息患者姓名健康卡号……个性化诊疗疑难杂症及罕见病诊疗电子病历数据共享融合数据模型疾病史手术史传染病史输血史个人史……17数据融合，激发医疗健康价值增量就诊时间入院时间检验报告药物名称不良反应患者健康信息数据融合录入诊疗信息，生成电子病历发起判断数字签名可信度的请求判断数字签名的可信度判断数字签名的可信度电子病历数据共享流程图患者发送方医生发送方医院电子病历系统数字签名服务接收方医生接收方医院电子病历系统开始是否可信？是结束否开始是否可信？ 是否结束（2）疑难杂症及罕见病诊疗当前电子病历数据共享难以对罕见病诊疗提供深度价值，临床上病例较少，若充分利用电子病历则可极大地降低研究成本和研究难度，为循证医学的发展提供新的思路。患者在上一家医院的病程记录、治疗方案、用药、术后、不良反应、感染、危急值、合理用药等都可以共享到患者当前就诊的医院。以罕见病非典型溶血性尿毒症（a

HUS）

为例，

aHUS是一种以微血管性溶血性贫血、血小板减少及多器官损伤“三联征”为特征的血栓性微血管病，由于体征和症状多种多样，诊断复杂，需充分评估患者病史、临床表现和相关检查，结合多学科专家协作才能做出诊断。某患者产生了肌张力低下、气短、持续性嗜睡等症状，前往第一家医院进行诊断，遵医嘱进行住院治疗。患者入院后病情加重，期间发现血肌酐进行性升高、无尿，转入肾内病区，患者病情危重、多项指标为危急值。由于第一家医院缺乏aHUS诊断经验，该患者在初次诊断时被诊断为溶血尿毒症综合征（HUS）。患者在症状加重后，前往第二家医图8

电子病历数据共享流程图基于区块链技术的电子病历数据共享融合数据模型，将患者在不同医院的电子病历数据进行融合。医生可以调阅患者在其他医疗机构的历次就诊记录以及外院检查检验结果，依托患者360视图实时查询多维度（按时间轴、临床视角等）、全方位展现患者历史数据，包括病程记录、治疗方案、检验检查报告、住院医嘱、术后记录、不良反应、感染、危急值、合理用药等。基于

AI、知识库、大数据等技术，

把患者特征信息按场景需求加工提炼，实现个性化诊疗。纵向数据融合可进一步追踪患者疾病发展、治疗效果及长期健康状态，对于掌握患者全生命周期健康管理、制定个性化治疗方案至关重要。通过区块链访问患者的历史电子病历信息发起判断数字签名可信度的请求数据融合，激发医疗健康价值增量

18查看患者在医院A的电子病历将电子病历进行加密并保存授权电子病历数据发出授权请求刷身份证就诊执行数字签名/加盖时间戳刷身份证就诊完成诊疗患者在医院B就诊患者在医院A就诊电子病历的数据共享和检验检查互认，在关键时刻提升了患者的生存率。3.1.2就诊全流程智能指引助手通过物联网、5G、大语言模型、智能语音交互、数字孪生、AR/VR等技术，就诊全流程智能指引助手可为患者提供从诊前、诊中、诊后全流程的连续性、场景式、沉浸式、智能化的指引服务。就诊全流程智能指引助手示意图如下图所示：院进行治疗。该患者在第一家医院完成了常规检查（血

/

尿

/

便常规检查等）、血生化检查（血乳酸脱氢酶、总胆红素、肺结核胆红素、尿素氮等）。在第二家医院患者增加了相关抗体检查（直接抗人球蛋白试验、抗核抗体、抗双链

DNA抗体等）

、肾脏穿刺、基因检查。通过第二家医院的补充检查，结合患者在第一家医院的常规检查和血生化检查数据，患者A最终被专家组诊断为aHUS。通过两家医院对患者图9就诊全流程智能指引助手示意图19数据融合，激发医疗健康价值增量导诊分诊导诊分诊指引挂号指引预约挂号

就诊时间提示就诊注意事项提示当日挂号费支付指引业务触点签到•

到院签到指引•

分诊排队指引•

到号通知●就诊•预问诊指引•

缴费指引•

电子票据查询提醒●检验/检查•

检验检查注意事项•报告出具时间指引•

报告查询提醒●回诊开方•

回诊排队指引•

回诊到号通知•

缴费指引•

电子票据查询提醒取药••●

健康宣教•疾病专科知识•

生活方式指导

随访•

随访指引•

健康指导•复诊提醒药品使用指引（1）业务指引按照诊前、诊中、诊后的就诊阶段划分，梳理从导诊分诊、预约挂号、签到、就诊、检验/检查、回诊开方、取药、随访、健康宣教的完整就诊流程，并在各就诊环节设置针对性的业务指引。患者在整个就诊过程中，系统会根据患者当前所处的就诊环节，智能判断并自动触发相应的业务触点指引，并对下一项就诊内容进行提示。例如，当患者到达“签到”环节时，系统自动识别并提供到院签到指引、分诊排队指引以及到号通知3项业务指引服务，并温馨提示患者接下来将进行“就诊”环节。通过对患者就诊全流程各环节提供指引、提醒、指导和通知等服务，打造高效便捷、流畅无忧的就医环境，为患者带来专业细致、温馨体贴的就医体验。（2）智能导航通过3D仿真技术，构建全院建筑空间地图并完成地图标注，全场景、全要素、高精度、高保真地还原医院的楼宇建筑布局、楼层布局和设备设施布局。利用蓝牙、5G或者视觉融合定位方案，实现室内外多种复杂场景全天候、高稳定性、高精度、快速定位。基于预建的全院建筑空间地图，建立院区内全景导航系统，通过移动终端为患者提供从挂号、缴费到药房、诊室、检验、病区等各场所以及自助机、签到机、卫生间等设施设备的多楼层实景指引，为患者提供提供直观、生动的导航体验，让患者更简单地找到目的地，减少迷路和浪费时间的情况。利用大数据可视化工具，结合二维、三维、卫星地图等图形化手段，支就诊全流程智能指引助手所需数据可分为患者数据、建筑空间数据和业务数据三类。其中，患者数据包括从电子病历中采集的患者基本数据和患者健康数据，以及从患者手机中采集的位置数据、影像数据和语音数据。建筑空间数据包括利用建筑图纸或激光雷达

/

相机等方式采集的楼宇建筑布局（全院级别）、楼层布局（单栋建筑级别）和设备设施布局。业务数据包括从规则库采集的规则数据、从知识库采集的知识数据、从HIS采集患者产生的业务数据，以及从运营中心采集的多项业务实时人流量数据。将采集到的多源数据进行融合，构建就诊全流程智能指引融合数据模型，支撑如下应用：诊中图10业务指引流程示意图数据融合，激发医疗健康价值增量

20诊后诊前

就诊阶段取药流程指引•••••面向个性化需求场景，可从性别、年龄范围、专业性、可信度等方面灵活定义数字人形象的外在属性，支持2D真人、3D超写实、美型、卡通等多种形象风格，以及亲切温和、稳重磁性、温柔甜美、诙谐幽默等多种的声音风格。采用LipSync

口型动画同步技术、TTS语音交互技术、LLM大模型、文本情感倾向分析技术以及3D模型还原技术等关键技术开发数字人，驱动数字人做出相应的面部表情、口型和动作，将文字转化为自然流畅的人声，实现逼真的外观表现、准确的拟人化情感表达和沉浸式的听觉体验。同时通过知识图谱和LLM大模型支撑对话交互底层引擎，基于语言理解、逻辑推理和知识问答等能力，保障交互对话的连贯性、规范性和准确性。以API、SDK等接入方式，轻量化、开放性的数字人可在APP/小程序、PC、web、自助机、诊间屏幕等平台多端复用。数字人结合就诊全流程智能指引融合数据模型中的患者数据、建筑空间数据和业务数据三类数据，以文字、语音、图片等多模态交互方式，

为患者提供智能问答、在线咨询、报告查询、门诊记录查询等服务，支持接入业务指引、智能导航和其他第三方的服务，全流程陪伴患者就医，带来流畅丝滑、温馨友善的就医体验。例如，患者在签到候诊时，数字人可以通过语音辅以文字、动作、表情的对话方式，模拟医生的问诊流程，询问并收集患者的病情信息和就医需求，并根据患者回复动态追问。支持患者发送语音、文字方式表达主诉，也可上传就诊病历图片，或在个人电子病历夹中选择既往就诊信息，通过多模态方式提升交互体验和信息采集准确度。对话交互过程中，基于采集的用户病情信息，结合知识图谱和大语言模型，可智能识别患者的异常值、危急值，

自动触发预警，并向患者提供处理建议。信息采集完成后，数字人自动生成结构化的预问诊报告和病情分析报告，并对接电子病历系统，医生确认无误后可一键导入，有效节约医生病历书写时间，让医生把更多时间留给患者，提升患者就医体验。3.1.3医疗健康信用支付为强化“以患者为中心”的服务宗旨，进一步提高医疗服务的便捷性，全国各地逐步开展医疗健康信用支付试点工作，推动社会诚信建设在医疗健康领域的创新应用。医疗健康信用医疗是指在一定的医疗费用额度范围内，用户可以先享受医疗健康服务，再进行支付的全新支付模式。医疗健康信用支付示意图如下图所示：持在就诊、检验、检查、取药等项目的空间位置上叠加展现实时人流量信息。结合患者所需进行的医疗项目与各项目实时人流量信息，通过路径规划算法自动生成最佳就诊路线与流程，缩短患者寻路、等候时间。（3）数字人图11数字人应用界面示意图21数据融合，激发医疗健康价值增量图12医疗健康信用支付示意图数据融合，激发医疗健康价值增量

22医疗健康信用支付所需数据可分为个人基本数据、个人医保数据、个人医疗健康数据和其他信用体系数据四类。其中，个人基本数据包括从公安系统中采集的身份信息和家庭信息，以及从金融系统中采集的工作信息、金融账户信息。个人医保数据包括从医保系统中采集的医保基本信息、医保结算信息和医保违规信息。个人医疗健康数据包括从电子病历中采集的就诊基础信息、诊疗信息，从HIS采集医疗费用信息，从处方流转平台采集的院外购药信息、以及从体检系统采集的体检信息。其他信用体系数据包括从中国人民银行征信中心采集的个人征信和从支付宝采集的芝麻信用征信。在取得用户授权后，系统采集上述多源数据并进行融合，构建医疗健康信用支付融合数据模型，支撑如下应用：（1）信用评估预先梳理评估模型所涉及的指标类型和指标内容，确保各指标的含义明确清晰，具备可操作性。针对各指标分配分值和权重，并根据实施情况进行动态调整，确保评估体系的合理性和灵活性。采取基于时间帧的动态信用评估方法，即采用近一年的用户信用信息作为评估基础，得以全面反映用户的信用状况，提高信用评估的准确性和可靠性，更具参考价值。系统对医疗健康信用支付融合数据模型进行降维映射处理，提取得到信用评估分级所需的特征指标。按照评估模型，系统自动计算用户的医疗健康信用得分与信用等级，给出最终信用评估结果。同时，在多个研究周期内对个人的信用分值结构和信用趋势进行分析，可以更加精确的预测评估个体的信用状态，为信用管理和风险控制提供有力支持。图13信用就医流程图用户可在自助机、人工窗口、公众号、小程序等多种渠道注册开通信用就医服务，绑定个人信用账户。系统经用户授权后查询其信用评估结果，基于评估结果为用户的信用账户设定相应的医疗费用额度。用户在线下就医时，只需在系统中验证个人身份信息，验证通过后即可享受信用就医的便利。在就医服务结束后，用户通过医保电子凭证一次扫码，实现医疗费用的医保部分实时结算，自费部分由绑定的信用账户自动支付。用户可在信用账户到期日前进行还款，从而维持自身良好的信用记录。事前授权、诊后支付、

一站式的信用就医服务，重塑了门诊和住院的就医流程，开辟了“看病缴费免排队、住院办理免押金、出院回家免结算”新模式，大幅缩短非诊疗时间，进一步改善就医秩序，提升患者就医体验，促进医疗健康、互联网、信用、金融、保险等行业融合创新，

拓展新的发展空间。未来，可以将信用就医的覆盖人群扩大至支持已完成异地就医备案或长三角

/京津冀/川渝/湘鄂等医保跨省互认地区的外地参保人员，持续提升参保群众异地就医的可及性和便利性。同时，还可以数字人民币为场景拓展切口，试点增设数字货币支付渠道，创新性建立覆盖数字货币的医疗信用支付系统。用户7、医保电子凭证结算医保局12、医疗/药品/体检账单信息、还款日提醒13、还款5、验证个人身份信息9、医疗/药品/体检收费信息(自费部分)11、医疗/药品/体检费用(自费部分)支付医院/药房/体检机构4、就医/购药/体检6、医疗/药品收费信息信用系统10、医疗/药品/体检收费信息(自费部分)记账1、注册、开通3、验证个人身份信息2、评估信用、绑定信用账户23数据融合，激发医疗健康价值增量（2）信用就医8、医保结算信息信用账户（3）信用购药、信用体检用户在取得个人信用账户及信用额度后，也可开通信用购药、信用体检服务。类似的，用户在购药或体检时，只需在系统中验证个人身份信息，验证通过后即可享受信用购药、信用体检的便利。在服务结束后，用户通过医保电子凭证

一次扫码，实现医疗费用的医保部分实时结算（信用体检不含医保结算环节）

，自费部分由绑定的信用账户自动支付。用户可在信用账户到期日前进行还款，从而维持自身良好的信用记录。基于信用的医疗健康支付服务拓展到购药和体检场景，将在更大范围内释放信用支付惠民红利。3.2智慧临床：智慧决策，提质增效临床全流程辅助决策支持利用基于AI的机器学习、知识图谱、自然语言处理等技术，通过医学知识图谱的智能化自动生成和多模态健康信息语义关联推理技术，将临床诊疗指南、循证医学知识、医学文献及教科书、医学图谱、专家临床经验等转化为结构化的知识库、规则库和可推理的知识图谱。通过多模态信息资源向医疗知识的自动转化和智能可视化获取，实现覆盖诊前、诊中、诊后全流程场景下的辅助决策，为医生提供智能提醒功能，有效提升医疗质量和效率，保障患者安全，降低医疗风险。过去的临床辅助决策侧重于知识驱动，当前应注重“知识+数据”双轮驱动，向“自我学习”的方向发展，对临床真实数据进行治理、挖掘，再反哺临床。同时，数据来源也不仅仅局限于院内系统，而是由多模态数据构成，不同模态的医学数据都从特定的角度提供了患者的诊疗信息，信息间既有重叠又有互补，结合多种类的医学信息将进一步提高诊断治疗的准确性。（1）病历内涵质控当前，诸多医院已实现对于电子病历的完整性、时效性、复制黏贴等形式质控，内涵质控仍然依赖于效率较低的人工抽查。基于大数据、人工智能等技术，可实现对病历业务语义理解分析质控。构建数据融合的病历质控规则引擎，基于现有的病历质控文件，针对病案首页、电子病历、检验检查报告等不同来源的报告，构建统一的电子病历质控方案和标准。系统在十余秒内，即可完成一份病历的智能化自动质控与评分，完成诊断必须导出第一诊断、诊断与患者性别相符、诊断与体格检查相符、诊断依据是否充分等一系列诊断合理性相关内涵质控规则的自动校验。同时，医生可以查看针对某一条质控评分结果的判断依据，为医生提供详细的改进建议。病历内涵质控也配备反馈机制，系统可将质控员再审查的建议反馈发送给gpt模型，模型进行微调后将在不断的自学习过程中，更加符合医生工作的实际需求。医学知识来源医学知识数据知识库规则库知识图谱EMR

OAMSPACS

HIS医疗机构数据数据采集患者临床全流程数据LISNIS检验检查数据数据融合临床全流程辅助决策支持融合数据模型病历内涵质控专病精准诊疗重症医学管理临床全流程辅助决策支持示意图如下：图14临床全流程辅助决策支持示意图知识融合数据应用数据融合，激发医疗健康价值增量

24临床诊疗指南循证医学知识教科书专家临床经验医学文献医学图谱临床诊疗数据电子病历数据医学影像数据手术麻醉数据护理数据基于专病知识图谱和疾病大模型，构建面向不同医疗诊断场景的专病智能诊断模型，实现临床诊疗关键信息的医学逻辑判定以及数字医学循证，得到基于真实世界数据的临床辅助诊断，如，白血病智能诊断包括白血病诊断、分型、阶段以及确诊疾病危险度分层等。在患者确诊疾病后，系统为患者智能推荐个性化、连续性的临床诊疗方案，包括诊断方案、手术方案、移植方案、化疗方案等，并进行诊疗效果预测、诊疗风险提示等。（3）重症医学管理重症医学是一门涉及多个学科和领域的综合性学科，对医生的专业素养、处理重症患者的能力提出了极高要求。随着临床医学的发展，重症医学的监测手段和治疗方法日益增多，给医生带来了巨大的数据层面的挑战。重症大数据具有多模性、海量性、动态性、连续性、客观性的特点，其正确获取可为重症预警和临床诊疗提供辅助证据支持。因此，需有效利用重症患者管理过程产生的数据，提高临床决策的质量和效率。建立数据融合的重症管理模式，实现重症疾病预测、重症早期预警。重症监护患者长期住院的情况下易感染相关疾病，如急性肾损伤（AKI）

、脓毒症等。以AKI为例，系统将融合重症患者的年龄、性别、基线肾功能、慢性肾脏疾病、糖尿病、肝功能衰竭、心力衰竭、药物史等因素，构建风险预测模型，实现重症疾病精准预测。重症早期预警即患者在普通病区期间，发生重症的风险预测，将结合业务系统功能实现救治流程。系统融合患者的病史、症状、体征、危急值、检验检查报告等全量信息，通过自然语言处理等技术，根据临床诊断和治疗指南，自动评估患者的重症早期风险并向临床医生提供及时准确的提醒并辅助预防决策。图15

自带规则解释的内涵质控应用界面示意图（2）基于电子病历的专病精准诊疗基于电子病历，建立专病的数据融合模型，提升专病的数据质量和应用效能。以白血病为例，采集的数据来源包括人口学信息、就诊记录、主诉现病史、既往史、生命体征、诊断、实验室检验、检查报告、病理信息、医嘱记录、门急诊病历、住院病程记录、出院记录、手术治疗记录、重症监护记录、放化疗、随访记录等。对符合评估要求的专病样本病例进行数据转化，实现对多模态数据的融合，构建专病样本病例库。基于多模态融合识别技术，依据专病样本数据以及疾病诊疗指南、医学教材、现行临床路径等构建专病知识图谱；基于专病多模态融合数据和临床验证结果构建深度学习预测模型。多维度临床数据，主要包括电子病历数据，

如患者的个人信息、病史、诊断结果、诊疗方案、诊疗过程中的观察记录、随访记录等，还包括多次就诊的检验数据，如血液检查、骨髓穿刺、影像学检查等结果。在样本病例库、知识图谱、疾病大模型的基础上，促进临床诊疗方案走向精准化、个性化。系统可实现临床诊疗关键信息识别，在电子病历生成过程中，利用后结构化技术进行语义解析，获取临床诊疗关键信息（包括患者病史、体格检查信息、分子遗传学信息、影像学信息、治疗方式、用药情况、不良反应情况、随访记录等）。25数据融合，激发医疗健康价值增量3.3健康管理：联动服务，延伸呵护通过人工智能、大数据、物联网等数字技术创新融合，

打造线上线下一体化服务体系，构建医疗机构、社区卫生服务中心、日常居家的联动模式，

推动诊疗、护理、康复、体检等与健康管理相结合的服务模式，实现个性化、全方位、全周期的个人健康管理服务。医疗健康管理示意图如下图所示：图16医疗健康管理示意图数据融合，激发医疗健康价值增量

26（2）健康宣教依托于海量的医学文献

/

书籍、临床路径、专家共识、临床指南等，通过自然语言处理和知识图谱技术，对不同病种进行分类整理与分析，构建全面而系统的健康宣教知识库。通过监督学习和强化学习算法，对用户的健康状况进行动态监测、智能推荐，生成高度个性化、契合用户需求的宣教内容。宣教内容涵盖了饮食指导、锻炼方法、治疗操作、药品服用及疾病预防等多个方面，包含科普图文、音频、视频和动画在内的多种形式，内容丰富、形式多样、生动直观。健康宣教内容可实现自动推送和主动查询，用户可收藏、转发、搜索，操作简便，可以有效提高患者对健康宣教的掌握率和接受度。还可以根据用户的使用反馈、互动情况以及健康状况的变化等因素，灵活调整和优化推送策略，确保宣教内容的时效性和针对性。（3）健康管理通过机器学习算法，对用户的生理指标、疾病风险、生活习惯等多维度健康数据进行全面深度分析，结合用户的个人特点、需求和偏好，生成精准化、个性化、科学的健康管理方案。健康管理方案包括饮食指导、运动规划、心理调节、生活习惯建议、风险干预措施等方面，帮助用户全面改善健康状况。通过智能提醒功能，能够根据健康管理计划定时推送健康提醒和健康任务，自动记录健康任务的完成情况，培养用户养成良好的健康习惯，实现科学有效的健康管理。未来，可以通过与医院、社区、保险、硬件厂商和保健品企业等产业链上下游加强生态合作，推动健康管理与诊后随访、慢病管理、孕产妇管理、家庭医生、商业健康保险、智能穿戴设备、营养品定制、数字疗法、AI机器人等创新服务和产品资源整合，催生新的业态和应用，为用户提供更加完善、专业、高效的健康管理服务，培育新的经济增长点。图17健康评估应用界面示意图可以根据用户的日常健康数据、生活方式数据和历史医疗数据，

建立连续、完整、

详尽的数字健康档案，全面记录用户的健康状况。借助内置的多样化健康评估量表和数据分析模型，迅速提取关键信息，深度解析数据指标。基于这些分析，

能够综合评估用户的总体健康状况，精准识别潜在疾病与风险因素，实现高风险人群早发现、早提醒、早干预。此外，用户可以设置以某一特定时期的医疗健康数据为基准，持续跟踪后续产生的医疗健康数据，并运用先进的预测算法，精准预测用户未来的健康状态发展趋势，为后续的健康管理提供有力的数据支持。医疗健康管理所需数据可分为个人数据、个人医疗健康数据两类。其中，个人数据包括从电子病历中采集的基本信息，从健康管理系统中采集的签约信息，以及患者填写的环境信息。个人医疗健康数据包括从电子病历中采集的历次就诊记录、历史诊疗信息、基础疾病情况，从康复/护理系统采集的康复/护理记录，从体检系统采集的体检信息，从智能/可穿戴设备中采集的日常健康数据，以及患者填写的日常生活方式数据。将采集到的多源数据进行融合，构建医疗健康管理融合数据模型，支撑如下应用：（1）健康评估27数据融合，激发医疗健康价值增量3.4数智中医：技术创新，精细管理通过人工智能、压力传感、触觉传感、光学、计算机视觉、区块链等数字技术创新融合，构建医疗机构、社区卫生服务中心、区域共享中