3. 临床数据源系统解析

临床数据ETL工程的第一道难关不是写SQL，而是搞清楚数据究竟从哪里来、以什么形态存在、通过什么接口暴露出来。同样是"患者的一次血糖测量"，在EHR里可能是护理记录单上的一条结构化观察项，在LIS里是检验仪器输出的定量结果，在可穿戴设备里则是连续时间序列中的一个采样点。如果工程师不区分这些来源的接口机制与数据特征，抽取阶段就会把不同语义的数据混为一谈，后续清洗和质控将无从下手。

六类数据源的接口机制与数据特征

电子健康记录（EHR）是临床数据的核心枢纽，通常以关系型数据库（如Oracle、SQL Server）为底层存储，通过HL7 v2消息、FHIR API或直接数据库视图对外提供数据。EHR的数据特征是"宽而杂"：一张患者表可能包含上百个字段，大量字段以自由文本或编码字典形式存在，同一概念在不同科室可能使用不同的本地编码。例如"收缩压"在某个EHR中可能同时存在LOINC编码8480-6、本地编码SBP001和自由文本"收缩压(mmHg)"三种表达。抽取EHR时，必须优先确认编码字典的映射关系，而非直接按字段名取值。

电子数据采集系统（EDC）主要用于临床试验，数据以CRF表单为单位组织，结构高度规范化。EDC通常提供REST API或ODM（Operational Data Model）XML导出，字段带有明确的变量名、数据类型和访视点标识。其数据特征是"窄而规整"：每个字段都有预定义的数据类型和取值范围，缺失值有明确的编码规则（如空值、未做、不适用）。EDC接口的挑战不在于结构解析，而在于访视点对齐和重复表单的去重逻辑。

实验室信息系统（LIS）连接生化、免疫、血常规等检验仪器，数据以检验项目为粒度，包含标本号、检验项目代码、结果值、单位、参考范围、异常标志等字段。LIS通常通过HL7 v2的ORU^R01消息推送结果，或提供数据库表直接查询。其数据特征是"定量为主、单位敏感"：同一检验项目在不同仪器上可能使用不同单位（如血糖mg/dL与mmol/L），且结果值可能带有"<"、">"等限定符。抽取时必须保留原始单位与限定符，不能提前做单位换算。

影像归档与通信系统（PACS）存储DICOM影像及其元数据，通过DICOM协议或DICOMweb（WADO-RS、QIDO-RS）接口访问。PACS的数据特征是"元数据与像素分离"：ETL通常只抽取DICOM元数据（如StudyInstanceUID、SeriesNumber、Modality、检查日期），用于建立影像索引和关联临床数据，而非搬运像素数据。接口的关键在于Study/Series/SOP三级UID的层级关系，以及患者ID与EHR的交叉引用。

可穿戴设备通过蓝牙或厂商云平台API提供数据，典型形式是时间序列：心率、步数、睡眠分期、血氧等，采样频率从每秒到每天不等。其数据特征是"高频、带时间戳、质量参差"：设备脱落、充电、信号丢失都会造成数据缺口，且不同厂商的API返回格式差异极大。抽取时需要处理时间戳时区、采样间隔不固定、以及原始信号与聚合值（如日均值）的区分。

登记数据库（如肿瘤登记、罕见病登记、器械登记）通常由登记协调员手工录入或批量导入，以研究队列为单位组织。其数据特征是"纵向随访、事件驱动"：同一患者有基线记录和多次随访记录，字段以研究变量为主，可能包含EHR中没有的结局事件和量表评分。接口多为文件导出（CSV、Excel）或专用Web服务，抽取时需关注随访时间窗和失访标记。

接口抽取的实操要点

面对上述六类数据源，ETL工程师需要为每一类确定抽取策略。以EHR为例，若通过数据库视图抽取，应先查询编码字典表，建立"本地编码→标准编码"的映射表，再按映射表拉取观察项数据。以下是一个简化的映射查询示例：

-- 从EHR编码字典中提取血压相关映射
SELECT local_code, local_name, loinc_code, unit
FROM ehr_code_dict
WHERE local_name LIKE '%血压%'
   OR loinc_code IN ('8480-6','8460-8');
-- 输出示例：
-- SBP001 | 收缩压 | 8480-6 | mmHg
-- DBP001 | 舒张压 | 8460-8 | mmHg

对于LIS的HL7 ORU^R01消息，抽取时需要解析OBX段中的检验项目代码、结果值、单位和异常标志。关键字段包括：OBX-3（检验项目标识）、OBX-5（结果值）、OBX-6（单位）、OBX-8（异常标志）。若结果值为"<0.5"，必须原样保留，不能转换为0.5，因为"低于检测限"与"实测0.5"在临床语义上完全不同。

可穿戴设备的数据抽取则要处理时间序列的对齐问题。假设某设备以5秒间隔采集心率，一天产生17280条记录，而EHR中的生命体征记录是每4小时一次。ETL不能简单地将两者合并，而应分别保留原始粒度和聚合粒度，在分析层按需降采样。时区问题同样关键：设备可能以UTC存储时间戳，而EHR使用本地时间，抽取时必须统一转换为带时区偏移的ISO 8601格式。

数据特征对比与抽取优先级

抽取优先级的判断依据是"该数据源是否直接支撑主要研究终点或关键质控指标"。EHR、EDC、LIS通常优先级最高，因为它们是诊断、用药、检验结果的主要来源；PACS、可穿戴设备和登记数据库则根据具体研究方案决定。无论优先级如何，抽取阶段都应遵循同一原则：保留原始语义，不在抽取时做不可逆的转换。编码映射、单位换算、时间对齐等操作应在清洗层完成，并保留转换日志，以便追溯和审计。