📚 课程目录第3章 EHR数据基础与工程视角

3. EHR数据基础与工程视角

电子健康记录（EHR）是基因组数据融合工程中最主要的临床表型来源。要把基因型与临床表型对齐，第一步不是写代码，而是理解EHR里到底有哪些实体、它们如何被标识、如何被编码，以及这些编码在工程上会带来哪些约束。本节从数据模型、术语体系和工程约束三个层面展开。

一、EHR的核心数据模型：以患者为中心的实体关系

无论底层是关系型数据库、FHIR资源还是OMOP CDM，EHR的语义骨架基本一致：患者（Patient）是中心实体，围绕它展开就诊（Encounter），就诊之下挂载诊断（Condition/Diagnosis）、用药（Medication）、检验（Lab/Observation）和生命体征（Vital Signs）。理解这个层级关系，是后续做数据抽取、时间对齐和表型定义的基础。

关键点在于：患者标识通常不是单一字段。一个患者可能同时拥有院内病案号（MRN）、身份证号、医保号、以及跨机构的主索引（EMPI）ID。工程上必须明确哪一个是“主键”，哪些是“外部映射”，否则在跨系统关联时会出现一人多号或一号多人的问题。

就诊是临床事件的时间容器。一次住院、一次门诊、一次急诊都对应一个Encounter，带有入院时间、出院时间、科室、医生等属性。诊断、用药、检验都发生在某次就诊内，因此就诊ID是连接临床事件的时间锚点。

诊断记录疾病状态，通常用ICD编码表示；用药记录药物暴露，用RxNorm或ATC编码；检验记录实验室结果，用LOINC编码标识检验项目；生命体征如血压、体温、心率，通常也归入Observation类，但往往有独立的采集频率和单位约定。

二、术语体系：ICD、LOINC、RxNorm的定位与差异

EHR中的临床概念几乎都以编码形式存储，而不是自由文本。三种最常用的术语体系各有明确分工：

ICD（国际疾病分类）：用于诊断和手术操作编码。ICD-10-CM有约7万条诊断码，ICD-9-CM约1.4万条。工程上最需要注意的是版本切换——同一疾病在ICD-9和ICD-10中编码完全不同，跨版本队列必须做映射表。
LOINC（观测指标标识符逻辑命名与编码）：用于检验项目和生命体征。LOINC码描述的是“测什么”，而不是“结果是什么”。例如“血肌酐”有独立的LOINC码，但结果值需要结合单位（mg/dL或μmol/L）才能解释。
RxNorm：用于临床药物。它提供从成分（Ingredient）到临床药品（Clinical Drug）的多层级粒度。工程上常见的问题是：处方记录可能只写了商品名，需要先归一化到RxNorm的Ingredient层，才能做跨机构的药物暴露分析。

三者的共同工程约束是：编码不是一对一的。一个本地检验项目可能映射到多个LOINC码，一个ICD-10码可能对应多个SNOMED CT概念。因此，术语映射必须保留映射来源、映射方向和置信度，不能简单做字符串替换。

三、工程视角下的关键约束

从工程实现角度看，EHR数据有四个必须提前处理的约束：

时间戳的粒度与一致性：就诊有入院/出院时间，检验有采样时间和报告时间，用药有开始/结束时间。基因组数据融合时，必须明确用哪个时间做对齐——是诊断时间、用药开始时间，还是检验采样时间。不同选择会直接改变表型定义的结果。
缺失值的语义：EHR中的空值可能表示“未测量”“未记录”“不适用”或“患者拒绝”。工程上不能统一当作NULL处理，否则会引入系统性偏差。
单位与参考范围：检验结果必须带单位。同一项目在不同实验室可能使用不同单位，LOINC码相同但单位不同时，需要做单位换算后再比较。
编码版本与本地扩展：医院常使用本地扩展码补充标准术语的不足。这些扩展码在跨机构交换时无法直接解释，必须附带映射说明。

工程建议：在构建基因组-临床融合数据集时，建议先建立一张“术语映射表”，至少包含：本地码、标准码、术语体系、版本、映射方向、置信度、生效时间。这张表是后续所有表型定义和队列筛选的基础设施。

四、一个可参考的抽取示例

假设我们要从EHR中抽取“2型糖尿病患者”的队列，并关联其用药和检验数据。一个合理的工程流程是：

-- 示例：基于ICD-10的诊断筛选（示意SQL，非实测）
SELECT p.patient_id, e.encounter_id, d.icd_code, d.diagnosis_time
FROM patient p
JOIN encounter e ON p.patient_id = e.patient_id
JOIN diagnosis d ON e.encounter_id = d.encounter_id
WHERE d.icd_code LIKE 'E11%'          -- ICD-10-CM 2型糖尿病
  AND d.diagnosis_time BETWEEN '2020-01-01' AND '2023-12-31';

-- 关联用药：RxNorm Ingredient层
SELECT m.patient_id, m.rxnorm_ingredient, m.start_date, m.end_date
FROM medication m
WHERE m.rxnorm_ingredient IN ('860975', '860974')  -- 二甲双胍相关
  AND m.start_date >= '2020-01-01';

-- 关联检验：LOINC码 + 单位
SELECT l.patient_id, l.loinc_code, l.result_value, l.unit, l.specimen_time
FROM lab l
WHERE l.loinc_code = '4548-4'          -- 糖化血红蛋白HbA1c
  AND l.unit = '%'
  AND l.specimen_time >= '2020-01-01';

这个示例的关键点不在于SQL本身，而在于每一步都显式处理了术语编码、时间范围和单位。实际工程中，还需要处理同一患者多次就诊的去重、同一检验多次结果的取值策略（首次、末次、均值或极值），以及用药记录的剂量归一化。

理解EHR的数据模型和术语体系，本质上是在为后续的基因组-临床关联建立“语义对齐”的基础。只有把患者标识、就诊时间、诊断编码、药物编码和检验编码都处理清楚，才能保证基因型与表型的关联分析不会因为数据层面的歧义而失效。