2. 临床数据源与专题域识别
临床专题数据集市的第一步不是建表，而是把“数据从哪来、能支撑什么专题、可用性到什么程度”这三件事说清楚。医院信息系统通常由多家厂商在不同时期建设，电子病历、检验、影像、随访、医保各自独立演进，接口标准、主键体系、时间语义和更新频率都不一致。如果直接把这些数据堆进一个集市，后续指标口径会反复返工。因此本节聚焦两件事：识别多源系统的特征差异，以及据此划分专题域并评估数据可用性。
一、五类数据源的特征差异
电子病历（EMR）是临床过程的主干，包含入院记录、病程、医嘱、护理记录、手术记录等，以患者一次就诊（visit）为主线，数据以非结构化文本和半结构化表单为主，时间粒度细但质量参差。检验（LIS）以标本和检验项目为核心，结构化程度高，通常有明确的申请时间、采样时间、报告时间，是时序指标最可靠的来源。影像（PACS/RIS）以检查（study）和序列（series）为单位，报告文本与影像索引分离，结构化字段少，但检查部位、检查类型、报告结论对肿瘤、心脑血管专题至关重要。随访系统由专科或随访中心维护，记录出院后的生存、复发、用药依从性等，更新频率低、失访率高，是长期结局指标的关键但最脆弱的一环。医保结算数据以费用明细和诊断编码为主，覆盖全量就诊，但编码用于结算而非临床研究，存在高编、低编和诊断与病情不符的情况。
这五类源在四个维度上差异明显：主键体系（患者ID、就诊号、标本号、检查号、结算流水号）、时间语义（申请、采样、报告、计费、出院）、结构化程度（结构化字段比例）、更新节奏（实时、准实时、日批、月批）。专题域划分必须建立在对这些差异的显式认知上，否则跨源关联时会出现“同一次就诊对不上”的问题。
二、专题域划分方法
专题域不是按科室切，也不是按系统切，而是按“临床问题 + 指标闭环 + 数据可支撑”三者交集来划。推荐用四步法：
- 锚定临床问题：明确要回答什么，例如“急性心梗患者入院90分钟内是否完成再灌注”。问题决定需要哪些指标，指标决定需要哪些字段。
- 反推数据需求：把指标拆成分子、分母、时间窗和排除条件，逐项标注来源系统。例如“再灌注时间”来自EMR手术记录和医嘱，“确诊时间”来自LIS肌钙蛋白和EMR首程。
- 检查数据可支撑性：对每个字段评估是否存在、是否可关联、时间是否可对齐。若关键字段缺失率超过阈值（如30%），该专题域应降级或暂缓。
- 定义域边界与共享维度：专题域之间共享患者、就诊、时间、机构等维度，但指标口径和事实表独立。避免把不同专题的指标混在一张宽表里。
以心血管专题域为例，其事实表可设计为“就诊粒度 + 关键时间戳 + 再灌注方式 + 结局”，共享维度包括患者、科室、医生、时间。肿瘤专题域则以“患者粒度 + 诊断分期 + 治疗线数 + 随访结局”为主，随访数据通过患者ID与EMR关联，但随访时间与就诊时间不在同一坐标系，需要单独定义“随访窗口”。
三、数据可用性评估
可用性评估不是一次性动作，而是随专题域建设持续进行的。建议从五个维度打分，每个维度给出可操作的检查方法：
| 维度 | 检查方法 | 示例阈值 |
|---|---|---|
| 完整性 | 统计关键字段非空率 | 关键字段缺失率 ≤ 10% |
| 一致性 | 跨源比对诊断、时间、性别等 | 冲突率 ≤ 5% |
| 时效性 | 测量源系统到集市的延迟 | 日批 ≤ 24h，准实时 ≤ 1h |
| 准确性 | 抽样人工核对编码与病情 | 编码符合率 ≥ 90% |
| 可关联性 | 统计主键匹配成功率 | 患者ID匹配率 ≥ 98% |
评估结果直接决定专题域的优先级和建设方式。例如肿瘤专题域随访缺失率高，可先建设“治疗过程”子域，随访结局作为二期；慢病管理专题域若检验数据完整但随访依从性差，可先用医保购药记录作为用药依从性的代理指标，但必须在指标口径中注明代理假设。
四、常见陷阱与规避
第一，把系统边界当专题边界。检验系统数据全，不代表检验专题域成立，因为专题域要回答临床问题，而不是复刻系统。第二，忽略时间语义。同一次就诊中，检验报告时间、医嘱下达时间、手术开始时间可能跨天，若统一用“出院日期”关联，会丢失时间窗指标。第三，低估随访失访。随访数据缺失不是随机缺失，失访患者往往病情更重或更轻，直接删除会引入偏倚，应做敏感性分析。第四，医保编码直接当诊断。医保编码用于结算，存在高编，建议与EMR诊断交叉验证，冲突时以临床诊断为主并标记。
综上，多源系统特征识别是基础，专题域划分是组织方式，数据可用性评估是质量闸门。三者共同决定数据集市能否支撑可信的临床指标。下一阶段将进入具体的数据接入与主键对齐实现。