2. 纵向EHR数据工程基础
纵向EHR（Electronic Health Record，电子健康记录）与组学联合分析的第一步，不是建模，而是把“人—时间—事件—值”这条主线在工程上立稳。EHR本质上是以患者为主键、以时间戳为轴、以事件为记录单元的稀疏纵向数据集合。它不像组学矩阵那样天然对齐，而是由门诊、住院、检验、用药、影像报告、护理记录等多源系统在不同时间点写入，格式、粒度、编码体系各不相同。本节围绕数据来源、结构类型、时间戳处理、缺失模式与隐私合规五个工程要点展开，并给出可落地的处理约定。
一、数据来源与结构类型
纵向EHR的常见来源可分为四类：业务系统库（HIS、LIS、RIS/PACS、药房系统）、临床文档（入院记录、病程、出院小结）、登记与随访（专病库、随访表）、外部链接（医保结算、死亡登记）。它们进入分析层时通常被整理为三种结构：
- 事件表（长表）：一行一个观测，字段为 patient_id、event_time、item_code、value、unit、source。适合纵向建模，是联合分析的主表。
- 宽表（时间窗矩阵）：一行一个患者，列为“指标_时间窗”，如 HbA1c_0_90d。便于与组学样本对齐，但会放大缺失。
- 序列/区间表：用于用药、住院等有起止时间的记录，字段含 start_time、end_time，可推导暴露窗口。
工程上建议以事件表为“事实层”，宽表为“特征层”按需生成，避免在源头就做不可逆的宽化。编码层面需统一到标准词表：检验项对齐LOINC，诊断对齐ICD-10/SNOMED，药品对齐RxNorm或ATC，单位统一到UCUM，否则后续跨中心联合分析无法对齐。
二、时间戳处理
时间戳是纵向EHR的“坐标系”，必须先定义参照再计算。常用约定：所有时间统一为UTC存储，展示时再转本地时区；时间精度按来源保留（检验常到分钟，护理可到秒）；对仅有日期无时刻的记录，标记为 date_only=true，避免与精确时间混算。
关键处理包括：去重与合并（同一检验因复测产生多条，按最近值或均值规则保留）、时间窗对齐（以组学采样日为锚点T0，向前取基线窗、向后取随访窗）、相对时间计算（offset_days = event_time − T0，负值为基线前，正值为随访后）。示例：某患者T0为2023-05-10，肌酐记录于2023-04-28，则 offset_days = −12，落入“基线前30天”窗。若同一指标在窗内多次出现，需明确聚合规则（如取最接近T0的值），并在元数据中记录，保证可复现。
三、缺失模式
纵向EHR的缺失不是随机噪声，而是有结构的。常见模式有三类：MCAR（完全随机缺失，如设备偶发故障）、MAR（与可观测变量相关，如轻症患者少做检查）、MNAR（与缺失值本身相关，如病情太重未测某项）。工程上先做缺失画像：按指标统计缺失率、按时间窗统计缺失分布、按患者统计记录密度。对缺失率高于阈值（示例取60%）的指标，建议不进入主特征，仅保留缺失指示变量；对MAR可考虑多重插补，但必须记录插补前后版本，禁止在原始事实层直接覆盖。
missing_flag 与 source_system 两个字段。前者用于建模时区分“未测”与“测了但为空”，后者用于追溯数据来源，排查系统性缺失。四、隐私合规要求
EHR与组学联合分析涉及敏感健康信息，合规是硬约束。核心动作包括：去标识化（移除姓名、身份证、电话、住址等18类标识符）、假名化（用研究ID替换患者主键，映射表单独加密保管）、最小必要（只提取分析所需字段）、时间扰动（对日期做±7天随机抖动，保留相对顺序）、访问审计（记录谁在何时访问了哪批数据）。若涉及跨机构联合，优先采用联邦学习或只交换汇总统计，避免原始个体数据出域。
五、可执行的数据处理约定（示例）
以下为一份可直接参考的字段与规则约定，用于把上述要点落到工程实现：
| 字段 | 含义 | 示例值 | 规则 |
|---|---|---|---|
| research_id | 研究假名ID | R000123 | 与患者主键映射表分离存储 |
| item_code | 标准编码 | LOINC:2160-0 | 检验对齐LOINC，诊断对齐ICD-10 |
| event_time | 事件时间（UTC） | 2023-04-28T09:12:00Z | 统一UTC，date_only单独标记 |
| offset_days | 相对T0天数 | −12 | 负值为基线前，正值为随访后 |
| value / unit | 数值与单位 | 88 / umol/L | 单位统一UCUM |
| missing_flag | 缺失指示 | 1 | 1表示该窗内未测 |
| source_system | 来源系统 | LIS | 用于追溯与偏差排查 |
按此约定，一条肌酐记录可整理为：R000123, LOINC:2160-0, 2023-04-28T09:12:00Z, offset_days=-12, 88, umol/L, missing_flag=0, LIS。当同一患者在基线窗内出现多次肌酐时，按“最接近T0”规则保留一条，其余进入历史明细表备查。这样既保证了特征层与组学样本的一一对应，又保留了事实层的可追溯性，为后续纵向EHR与组学联合建模打下干净、合规、可复现的数据底座。