医院大数据建设方案

医院大数据建设方案一、医院大数据建设方案

1.1医疗卫生行业数字化转型背景与现状

1.2医院现有信息化建设的痛点与瓶颈

1.3大数据技术在智慧医疗中的战略价值

1.4政策环境与合规性要求分析

1.5国内外典型案例比较研究

2.1项目建设总体目标设定

2.2理论框架与技术路线选择

2.3系统总体架构设计（数据层、平台层、应用层、安全层）

2.4关键业务场景与功能需求详解

2.5实施路径规划与里程碑节点

三、医院大数据建设方案实施路径与详细步骤

3.1基础设施部署与数据集成体系建设

3.2全流程数据治理与标准化处理机制

3.3核心业务应用开发与智能化部署

3.4系统测试、安全加固与分阶段上线策略

四、医院大数据建设方案风险评估与资源保障

4.1技术架构风险与数据安全合规挑战

4.2组织变革阻力与跨部门协作难题

4.3资源投入预算与效益评估分析

4.4实施进度规划与里程碑节点控制

五、医院大数据建设方案风险管理与质量保障体系

5.1技术架构风险与数据安全合规挑战

5.2组织变革阻力与跨部门协同难题

5.3项目执行风险与进度质量控制

六、医院大数据建设方案预期效益与战略价值

6.1临床诊疗精准化与医疗质量提升

6.2医院运营精细化与成本管控优化

6.3临床科研数据化与学术影响力增强

6.4智慧医院评级与区域医疗协同

七、医院大数据建设方案实施步骤与交付物

7.1基础设施搭建与数据集成体系建设

7.2全流程数据治理与标准化处理机制

7.3核心应用开发与分阶段上线策略

八、医院大数据建设方案结论与未来展望

8.1项目总结与战略价值重申

8.2未来战略演进与智能化升级

8.3最终结论与实施保障一、医院大数据建设方案1.1医疗卫生行业数字化转型背景与现状 当前，全球医疗卫生行业正处于从传统信息化向智能化、数字化转型的关键历史节点。随着“健康中国2030”战略的深入推进，医疗资源分布不均、诊疗效率低下、患者就医体验不佳等结构性矛盾日益凸显。大数据技术的引入，标志着医院管理模式从“经验驱动”向“数据驱动”的根本性变革。据统计，一家三级甲等医院每年产生的结构化数据（如电子病历、检验检查报告）和非结构化数据（如影像资料、语音记录）呈指数级增长，传统的人工处理方式已无法满足现代医疗对时效性和精准度的要求。国内外顶级医疗机构已率先通过构建大数据平台，实现了对海量医疗数据的清洗、整合与深度挖掘，这不仅优化了医疗资源配置，更为精准医疗和个性化诊疗提供了坚实的技术底座。1.2医院现有信息化建设的痛点与瓶颈 尽管国内大型医院在信息化建设方面取得了长足进步，但“信息孤岛”现象依然严重。各业务系统（如HIS、EMR、PACS、LIS、HRP等）之间往往采用异构数据库和独立架构，数据标准不统一，导致数据流通受阻。这种碎片化的数据环境使得临床医生难以获取完整的患者全生命周期健康画像，管理者也难以进行全局性的运营决策。此外，现有系统多侧重于业务流程的记录，缺乏对历史数据的深度分析和预测能力，导致大量沉睡数据无法转化为临床价值和经济效益。具体而言，数据质量问题（如缺失值、逻辑错误）和语义歧义问题，严重制约了数据资产的价值释放，亟需通过大数据建设方案进行系统性重构。1.3大数据技术在智慧医疗中的战略价值 大数据建设不仅是技术的升级，更是医疗模式的革新。其核心价值体现在三个维度：一是临床价值，通过构建临床数据中心（CDR），利用数据挖掘和机器学习算法，为医生提供临床决策支持系统（CDSS）建议，降低误诊漏诊率，辅助疑难杂症的诊治；二是管理价值，通过运营数据中心（ODR）对人力、物力、财力的实时监控与分析，实现精细化管理，降低运营成本，提高床位周转率和设备使用率；三是科研价值，汇聚全院多学科的临床数据，构建科研数据仓库，打破科室壁垒，加速新药研发和临床研究成果的产出。这种多维度的价值创造，是传统信息化系统无法比拟的。1.4政策环境与合规性要求分析 国家卫健委发布的《医院智慧服务分级评估标准体系（试行）》和《电子病历系统应用水平分级评价管理办法（试行）》等政策文件，对医院的信息化建设提出了明确的高标准要求。特别是随着《数据安全法》和《个人信息保护法》的实施，医疗数据的合规使用已成为红线。本方案在设计之初，即将数据安全与隐私保护置于核心位置，强调遵循最小必要原则、去标识化处理以及全生命周期的数据安全防护。同时，方案积极响应国家推动的互联互通标准化成熟度测评要求，确保建设成果能够通过国家及行业标准的严格检验，为医院等级评审和智慧医院评级奠定坚实基础。1.5国内外典型案例比较研究 以美国梅奥诊所为例，其通过构建全球领先的医疗大数据平台，实现了跨科室、跨机构的深度数据共享，极大地提升了协同诊疗效率。在国内，四川大学华西医院作为行业标杆，成功打造了全院级的医疗大数据平台，实现了从门诊到住院、从临床到科研的一体化数据管理，其经验表明，大数据建设能够显著提升医院的综合竞争力。相比之下，部分中小型医院仍停留在单机版或局部应用阶段，数据价值挖掘不足。通过对比分析，本方案将吸收国内外先进经验，结合医院自身实际，制定出具有前瞻性和可操作性的建设路径，避免走弯路。2.1项目建设总体目标设定 本项目的核心目标是构建一个“数据统一、业务协同、智能分析、安全可控”的医院大数据综合管理平台。短期目标（1-2年）在于打通现有业务系统壁垒，完成全院数据治理，实现电子病历五级及以上评级及互联互通四级甲等评审，确保数据质量达标。中期目标（3-5年）在于建立临床数据中心（CDR）和运营数据中心（ODR），实现数据资产化，开发临床决策支持（CDSS）、智能导诊、医保智能监管等核心应用，提升医疗质量和运营效率。长期目标（5年以上）则是构建智慧医疗生态圈，利用人工智能和大数据技术实现个性化精准医疗，打造区域医疗健康大脑，为医院的数字化转型提供持续驱动力。2.2理论框架与技术路线选择 在理论层面，本项目将基于数据仓库理论与数据挖掘算法，构建多源异构数据融合的理论模型。采用数据湖架构作为底层存储方案，以应对医疗数据量巨大且类型繁杂的挑战。技术路线上，遵循“云边端”协同架构，利用云计算的弹性伸缩能力处理海量数据，利用边缘计算实现院内终端的实时处理，利用大数据平台进行离线分析与建模。具体技术栈包括：基于Hadoop/Spark生态的数据处理框架，采用Flink进行实时流计算，利用Kafka实现数据的高效传输，采用HBase/Cassandra作为NoSQL数据库存储非结构化数据，并结合AI算法库（如TensorFlow、PyTorch）进行深度学习模型的训练与应用。2.3系统总体架构设计（数据层、平台层、应用层、安全层） 系统架构将采用分层设计，确保各层解耦且具备良好的扩展性。 数据层是基础，包含源数据层、数据集成层和数据存储层。源数据层涵盖HIS、LIS、PACS、EMR等业务系统；数据集成层通过ETL工具实现数据的抽取、转换和加载；数据存储层采用关系型数据库（MySQL、Oracle）存储结构化数据，采用大数据集群存储海量日志和影像数据。 平台层是核心，包括数据治理平台、大数据计算平台、数据服务总线（ESB）和AI中台。数据治理平台负责数据标准定义、质量监控和元数据管理；大数据计算平台提供批处理和流处理能力；AI中台提供通用的算法模型和训练服务。 应用层是展现，包括临床应用（CDSS、辅助诊断）、管理应用（绩效考核、物资管理）、科研应用（数据挖掘、模型训练）和对外服务（互联网医院、健康档案）。 安全层贯穿始终，包括网络安全、主机安全、数据安全和应用安全，采用加密技术、脱敏技术和访问控制策略保障数据安全。2.4关键业务场景与功能需求详解 本方案将聚焦于三个核心业务场景，满足不同层级用户的需求。 一是临床辅助决策场景。系统需基于患者实时数据和历史数据，结合指南库和知识库，自动生成风险评估报告和治疗方案建议，例如在抗生素使用前自动进行耐药性分析，在手术前进行并发症预测。 二是精细化运营管理场景。通过构建运营数据中心，对门诊量、床位使用率、平均住院日、药品占比等关键指标进行实时监控和趋势分析。系统能自动生成周报、月报，并支持多维度钻取分析，帮助管理者发现运营瓶颈，优化资源配置。 三是科研数据共享场景。建立科研数据专库，对临床数据进行清洗、标准化和脱敏处理，为医生提供便捷的数据查询和导出接口，支持基于真实世界数据的临床研究（RWE），加速科研成果转化。2.5实施路径规划与里程碑节点 为确保项目顺利推进，将采取“总体规划、分步实施、急用先行”的策略，分为四个阶段进行。 第一阶段（准备期）：成立项目领导小组和实施工作组，完成现状调研、需求分析和数据标准制定。完成基础设施的云化改造和机房扩容，搭建大数据基础平台环境。 第二阶段（实施期）：开展全院数据治理，完成核心业务系统（HIS、EMR、PACS）的数据接入与清洗。建设临床数据中心（CDR）和运营数据中心（ODR），部署数据质量管理工具。 第三阶段（应用期）：上线核心应用系统，包括临床决策支持系统（CDSS）、智能运营管理平台和科研数据平台。开展全员培训，确保用户熟练掌握新系统操作。 第四阶段（深化期）：基于应用反馈持续优化系统功能，引入AI深度学习算法，拓展智慧服务场景，完成智慧医院评级申报，实现数据的全面智能化应用。三、医院大数据建设方案实施路径与详细步骤3.1基础设施部署与数据集成体系建设 在基础设施建设阶段，项目组将依托医院现有的云资源环境或采购高性能计算集群，搭建基于Hadoop生态的大数据基础平台，确保系统具备处理PB级医疗数据的能力。具体的部署方案将采用分布式存储架构，利用HDFS（HadoopDistributedFileSystem）实现海量数据的冗余备份和高可用性，同时部署YARN资源调度系统以应对突发流量峰值。在数据集成环节，将设计并开发高吞吐量的ETL（Extract-Transform-Load）数据管道，通过Kafka消息队列实现各业务系统（如HIS、LIS、PACS、EMR）的实时数据捕获与异步传输，确保数据流的低延迟与高可靠性。针对医院内部历史遗留的异构数据库，将开发专用适配器进行数据抽取，利用Sqoop工具批量迁移存量数据至数据仓库。此外，还将建设统一的数据接入网关，制定标准化的接口规范，通过API接口实现与第三方机构（如医保局、公共卫生中心）的数据交换，构建起一个开放、互联、动态更新的数据集成体系，为上层应用提供源源不断的“数据燃料”。3.2全流程数据治理与标准化处理机制 数据治理是大数据建设中最核心且最具挑战性的环节，旨在解决数据标准不一、质量参差不齐的问题。项目将建立涵盖数据标准定义、数据清洗、数据质量监控及元数据管理的全流程治理体系。首先，依据国家卫生健康委发布的《医院信息互联互通标准化成熟度测评》标准，统一全院数据元标准，包括疾病诊断编码（ICD-10）、手术操作编码（ICD-9-CM-3）、药品字典及检验检查项目代码，确保不同系统间数据的语义一致性。其次，部署自动化数据清洗工具，对采集到的原始数据进行逻辑校验和异常值处理，自动识别并修复因系统故障或录入错误导致的数据缺失、重复或逻辑冲突，例如自动检测患者年龄与身份证号的逻辑矛盾，或药品用法用量与医嘱单的匹配度。同时，引入主数据管理（MDM）平台，确立患者、医生、科室等核心实体的唯一标识，构建统一的患者主索引（PMI）和医嘱主索引（OMI），从而打破院内信息孤岛，实现患者诊疗过程的全景式记录。3.3核心业务应用开发与智能化部署 在完成数据底座建设后，将重点开发临床决策支持系统（CDSS）、科研数据中心及运营管理驾驶舱等核心应用。CDSS系统将深度集成医学知识图谱与临床指南，利用规则引擎和机器学习算法，在医生开具医嘱、录入诊断的实时交互过程中进行智能预警与建议。例如，系统可自动分析患者当前的过敏史、肝肾功能指标及用药禁忌，实时阻断不合理处方，并在手术风险评估中提供并发症概率预测。科研数据中心则致力于为临床科研提供一站式服务，通过数据脱敏技术保护患者隐私，允许科研人员安全地查询和挖掘全院临床数据，支持基于真实世界研究（RWE）的队列构建与统计分析。运营管理驾驶舱则通过可视化大屏和BI报表，将医院的核心运营指标（如床位周转率、平均住院日、耗材占比）进行多维度透视分析，帮助管理层实时掌握医院运行态势，支持从经验管理向数据驱动的科学决策转型。3.4系统测试、安全加固与分阶段上线策略 为确保系统的稳定性与安全性，在正式上线前将执行严格的测试与安全审计流程。测试阶段将涵盖功能测试、性能测试和压力测试，模拟高并发场景下的系统负载能力，重点排查数据同步延迟、报表生成卡顿及查询响应超时等问题，并进行压力测试下的容灾演练。安全加固方面，将部署全方位的安全防护体系，包括网络边界防火墙、数据库审计系统、数据脱敏网关以及全流量入侵检测系统，严格遵循《数据安全法》要求，对敏感医疗数据实施分级分类管控和加密存储，确保数据全生命周期安全。上线策略将采用“分步迭代、急用先行”的模式，先选取一个或两个重点科室进行试点运行，收集反馈后逐步推广至全院，最终实现所有业务系统的平滑切换与无缝衔接，确保项目实施过程平稳有序，不影响医院正常的医疗秩序。四、医院大数据建设方案风险评估与资源保障4.1技术架构风险与数据安全合规挑战 在项目实施过程中，面临的最大风险在于技术架构的复杂性与数据安全合规的严苛性。随着医疗数据的敏感度日益提高，任何数据泄露或合规漏洞都可能给医院带来法律风险和声誉损失。此外，现有旧系统与新的大数据平台之间的兼容性问题也可能导致数据集成失败或信息丢失。为应对这一挑战，项目组将采用微服务架构和容器化技术，提高系统的灵活性和可维护性，并定期进行安全渗透测试和代码审计。在数据安全方面，将实施严格的访问控制策略，基于角色的权限管理（RBAC）确保只有授权人员才能访问特定数据，同时部署全链路的数据加密技术，包括传输加密和存储加密，确保数据在传输和静止状态下的绝对安全。同时，建立完善的数据合规审查机制，定期对照最新的法律法规进行自查自纠，确保所有数据处理活动均合法合规。4.2组织变革阻力与跨部门协作难题 医院内部复杂的组织结构和长期形成的业务习惯是项目推进的另一大阻力。医生和护士作为系统的核心使用者，往往对新技术持保守态度，担心增加工作负担或改变原有的工作流程，导致“重建设、轻应用”的现象。此外，信息科、医务科、护理部、财务科等多个部门之间的利益诉求不同，数据标准和业务流程的定义容易产生分歧，导致协作效率低下。为了克服这些障碍，项目组将成立由院领导挂帅的专项工作组，建立跨部门的沟通协调机制。在实施过程中，将坚持“以用户为中心”的设计理念，充分听取一线医护人员的意见，优化系统交互界面和操作流程，确保新系统能够真正减轻工作负担而非增加负担。同时，通过举办多层次的技术培训和操作演示会，增强医护人员对系统的信任感和依赖感，营造全员参与、共同推进的良好氛围。4.3资源投入预算与效益评估分析 大数据建设是一项高投入、长周期的系统工程，需要充足的资金和人力资源作为保障。预算编制将涵盖硬件采购、软件授权、定制开发、系统集成、数据治理服务及运维保障等多个方面。除了显性的硬件软件费用外，还需预留充足的资金用于数据清洗、模型训练和系统迭代优化等隐性成本。从投资回报率（ROI）的角度分析，虽然初期投入巨大，但大数据平台建成后，将显著提升医院的运营效率，例如通过优化床位和设备调度减少空置率，通过精细化管理降低药品和耗材成本，通过减少医疗差错降低赔偿风险，从而在长期内为医院带来可观的经济效益。此外，数据资产化还将提升医院的科研能力和学科影响力，吸引高端人才和优质患者，形成难以复制的核心竞争力。4.4实施进度规划与里程碑节点控制 为确保项目按时保质完成，将制定详细的实施进度规划，并将其分解为若干关键里程碑节点。第一阶段主要完成基础设施搭建和数据治理平台的部署，预计耗时六个月；第二阶段重点开发CDSS和运营管理应用，预计耗时一年；第三阶段进行全院推广和系统优化，预计耗时半年。项目组将采用敏捷开发管理模式，每两周进行一次迭代评审，及时发现并解决项目偏差。同时，建立严格的进度监控体系，利用项目管理工具实时跟踪任务完成情况，对可能延误的关键路径进行预警和干预。通过这种科学的进度管理，确保项目在预定时间内顺利交付，并在规定的时间节点内达到预期的建设目标，最终实现医院数字化转型的战略愿景。五、医院大数据建设方案风险管理与质量保障体系5.1技术架构风险与数据安全合规挑战 在技术层面，医院大数据平台面临着严峻的数据安全风险与技术架构的稳定性挑战。随着医疗数据成为黑客攻击和网络勒索的主要目标，患者隐私保护面临着前所未有的威胁，一旦发生数据泄露，不仅将导致严重的法律后果，更会对医院声誉造成不可挽回的打击。此外，新旧业务系统之间的异构性可能导致数据集成过程中的兼容性问题，例如历史数据的编码标准不一致或数据格式转换错误，进而影响临床决策支持系统的准确性。针对这些风险，项目必须构建全方位、立体化的安全防御体系，采用数据脱敏、加密存储、区块链溯源等先进技术手段，对敏感医疗信息进行全生命周期的保护。同时，在架构设计上引入微服务与容器化技术，提高系统的弹性伸缩能力，确保在高并发场景下的系统稳定性，并建立定期的漏洞扫描与渗透测试机制，及时发现并修补潜在的安全漏洞，确保平台符合《数据安全法》及行业监管的合规要求。5.2组织变革阻力与跨部门协同难题 医院大数据建设的核心难点往往不在于技术本身，而在于组织架构与业务流程的变革阻力。长期形成的部门壁垒和各自为政的工作习惯，使得医护人员对引入新系统存在天然的抵触情绪，担心增加工作负担或改变原有的诊疗习惯，导致系统上线后“两张皮”现象，即系统与实际业务脱节。此外，信息科、医务科、护理部、财务科等多个部门在数据标准定义和业务需求理解上存在差异，容易在项目推进中出现推诿扯皮或需求冲突，导致项目延期。为应对这一挑战，必须建立强有力的组织保障机制，成立由院领导挂帅的专项工作组，明确各部门的职责与分工。在项目实施过程中，坚持“以人为本”的原则，通过开展多层次的培训与宣贯，提升全员的信息素养和参与感，将大数据应用理念融入日常诊疗流程。同时，建立常态化的沟通协调机制，定期召开跨部门联席会议，及时解决实施过程中出现的分歧，确保项目能够得到全院上下的一致支持。5.3项目执行风险与进度质量控制 在项目执行过程中，进度失控和范围蔓延是常见的风险因素。大数据建设项目涉及硬件采购、软件开发、数据治理、系统集成等多个环节，任何一个环节的延误都可能影响整个项目的上线时间。同时，随着项目推进，客户需求往往会不断变化，如果缺乏严格的需求变更管理机制，极易导致项目范围无限扩大，超出预算和预期。为了有效控制执行风险，必须采用敏捷开发模式，将项目划分为若干个短周期的迭代阶段，每个阶段设定明确的交付目标和里程碑节点，通过高频次的验收与反馈，确保项目方向与实际需求保持一致。同时，建立严格的变更控制流程，对于任何需求变更都必须经过评估、审批和测试，防止随意变更导致的成本增加和进度滞后。此外，引入专业的项目管理工具，对项目进度、资源消耗和风险状态进行实时监控，确保项目在预定的时间和预算内高质量交付。六、医院大数据建设方案预期效益与战略价值6.1临床诊疗精准化与医疗质量提升 大数据建设完成后，最直观的效益将体现在临床诊疗的精准化和医疗质量的显著提升上。通过构建临床数据中心（CDR）和引入临床决策支持系统（CDSS），系统能够实时调取患者的完整病史、检验检查结果及用药记录，基于人工智能算法自动识别潜在的用药冲突、过敏反应及诊断错误，为医生提供科学的诊疗建议，从而有效降低误诊漏诊率和医疗差错率。例如，在抗感染治疗中，系统可自动分析细菌培养结果和耐药性数据，推荐最合适的抗生素方案，避免滥用抗生素。这种数据驱动的诊疗模式将促使医疗行为从“经验型”向“循证型”转变，显著提高疑难危重症的救治成功率，缩短平均住院日，提升患者满意度和信任度，最终实现医疗服务质量的飞跃式提升。6.2医院运营精细化与成本管控优化 在运营管理层面，大数据平台将打破传统粗放式的管理模式，实现医院资源的精细化管理与成本的有效控制。通过运营数据中心（ODR）对门诊量、床位周转率、设备使用率、耗材消耗等关键运营指标进行实时监控与多维分析，管理者可以清晰地看到医院运营中的“痛点”与“堵点”。例如，通过分析床位使用率数据，可以优化排班制度，提高床位周转效率；通过分析药品和耗材的使用数据，可以精准控制成本，减少浪费，杜绝过度医疗。此外，系统还能支持预算管理、绩效考核等高级功能，将考核指标与数据挂钩，实现公平公正的分配机制。这种基于数据的精细化运营将大幅提升医院的管理效率和经济效益，增强医院的可持续发展能力。6.3临床科研数据化与学术影响力增强 大数据建设将彻底改变医院科研工作者的数据获取方式，将科研效率提升到一个新的高度。以往，科研人员需要花费大量时间手动收集、清洗和整理病历数据，现在通过科研数据平台，可以便捷地获取经过标准化处理、去标识化的高质量临床数据，极大地降低了科研门槛。基于这些海量数据，医生和科研人员可以利用机器学习和生物信息学工具，开展大规模的真实世界研究（RWE），加速新药研发、疾病机制探索及诊疗指南的更新。这不仅有助于医院产出更多高质量的学术论文和临床研究成果，提升医院的学术排名和影响力，还能促进多学科交叉融合，培养复合型医学人才，为医院建设高水平研究型医院提供强有力的数据支撑。6.4智慧医院评级与区域医疗协同 从长远战略来看，完善的大数据建设是医院通过国家智慧医院评级评审、实现区域医疗协同发展的必由之路。大数据平台作为智慧医疗的核心基础设施，将支撑起智慧服务、智慧医疗和智慧管理三大板块的建设，帮助医院顺利达到电子病历应用水平分级评价和互联互通成熟度测评的高级别标准，为医院等级评审和“三甲”复评提供强有力的数据支撑。同时，通过建设区域医疗数据共享平台，医院将能够与上级医院、基层医疗机构及公共卫生机构实现数据的互联互通，开展远程会诊、双向转诊和健康档案共享，推动优质医疗资源下沉，助力分级诊疗制度的落地实施。这不仅能提升医院在区域内的辐射带动作用，还能为政府决策提供科学的数据依据，推动区域医疗卫生事业的数字化转型和高质量发展。七、医院大数据建设方案实施步骤与交付物7.1基础设施搭建与数据集成体系建设 项目启动将首先聚焦于基础底座的夯实，这包括对医院现有硬件资源进行深入评估，并依据大数据平台的计算与存储需求，采购高性能服务器与存储设备，搭建基于Hadoop生态的分布式计算集群。在这一过程中，数据集成层的设计至关重要，需要开发高吞吐量的ETL工具，利用Kafka消息队列实现各业务系统（如HIS、LIS、PACS、EMR）的实时数据捕获与异步传输，确保历史存量数据能够通过批处理方式平滑迁移至新的数据仓库环境，从而构建起一个逻辑统一、物理分布的数据集成体系，为后续的数据处理与分析提供坚实的底层支撑。7.2全流程数据治理与标准化处理机制 在完成基础设施搭建后，项目将进入最为核心的数据治理阶段，这是确保大数据平台能够发挥实际效能的关键。这一阶段的工作将围绕数据标准制定、数据清洗、数据质量监控及主数据管理展开，旨在解决长期困扰医院的信息孤岛问题。项目组将严格参照国家互联互通标准化成熟度测评标准，统一全院的数据元字典与业务术语，特别是针对ICD-10疾病编码、手术操作编码及药品字典等核心领域进行标准化重构。同时，部署自动化数据清洗工具，对原始数据进行逻辑校验与异常值剔除，建立患者主索引（PMI）与医嘱主索引（OMI），对多源