3. 源数据系统剖析

在FHIR资源映射工程中，源系统剖析是决定映射策略成败的前置环节。不同源系统的结构范式差异极大：HL7 V2是事件驱动的段-字段消息流，C-CDA是层级化的XML临床文档，关系型数据库是规范化表结构，CSV/JSON则常以扁平或半结构化形式出现。若跳过源系统剖析直接编写映射规则，往往会在字段语义、基数约束、编码体系上反复返工。本节围绕四类常见源系统的结构特征、数据质量评估方法和映射前准备清单展开。

一、四类源系统的结构特征

HL7 V2消息以消息类型（如ADT^A01、ORU^R01）和触发事件为核心，采用段（Segment）、字段（Field）、组件（Component）、子组件（Sub-component）四级分隔结构，分隔符由MSH段定义。其关键特征是：同一语义字段在不同消息类型中位置可能不同；字段可重复（如PID-3患者标识符可重复出现）；字段可空但位置必须保留；编码值常以CE/CWE类型携带本地编码与标准编码双轨。映射时需先解析MSH-1、MSH-2确定分隔符，再按消息结构定义逐段提取。

C-CDA文档是HL7 CDA R2的约束实现，采用XML树形结构，由header和body组成。header承载患者、作者、保管机构等文档级元数据；body通过section嵌套组织临床内容，section内可含text叙述块和entry条目。entry中的clinicalStatement（如observation、substanceAdministration）是结构化数据的主要来源。C-CDA的难点在于：同一临床概念可能同时存在于text和entry中，且templateId决定了解析路径；nullFlavor用于表达“未知”“未做”等否定语义，不能简单当作空值处理。

关系型数据库以表、主外键、约束和索引为特征，数据高度规范化。映射前需梳理目标临床概念涉及的表连接路径，识别主键、外键、状态字段和软删除标记。常见陷阱包括：代码字段使用本地字典表而非标准编码；日期时间以字符串或时间戳存储且时区不明确；患者标识分散在多个表且存在合并历史。

CSV/JSON结构灵活但约束弱。CSV依赖首行表头和分隔约定，JSON依赖键名和嵌套层级。两者常见问题是：同一字段在不同文件中命名不一致；日期格式混杂；布尔值以“Y/N”“1/0”“true/false”多种形式出现；JSON数组与单值混用。映射前必须建立字段名到FHIR路径的对照表，并明确空值、缺失和默认值的处理规则。

二、数据质量评估方法

数据质量评估应围绕完整性、一致性、准确性、唯一性四个维度展开，且必须用真实样本数据量化，而非凭印象判断。

完整性：统计必填字段的缺失率。例如对1000条ADT^A01消息检查PID-5（患者姓名）、PID-7（出生日期）、PID-8（性别）的空值比例。若PID-7缺失率超过5%，需在映射规则中定义“出生日期未知”时的FHIR处理方式（如不生成birthDate或使用dataAbsentReason）。对C-CDA，需统计nullFlavor出现频率，区分“未记录”与“明确否定”。

一致性：检查编码体系是否统一。例如同一检验项目在部分消息中使用LOINC、部分使用本地码，需建立本地码到LOINC的映射表。日期格式需统一为ISO 8601（YYYY-MM-DDTHH:MM:SS+时区），对V2的YYYYMMDDHHMMSS格式和数据库的字符串日期分别编写转换规则。

准确性：通过值域校验和逻辑矛盾检测发现异常。例如性别字段出现“M/F/O/U”之外的值；出院日期早于入院日期；检验结果值超出仪器参考范围。这些异常需在映射前标记，决定是修正、丢弃还是保留并标注数据质量问题。

唯一性：识别患者主索引重复。V2中PID-3可携带多个标识符（病历号、身份证号、医保号），需确定哪个作为FHIR Patient.identifier的首选。数据库中需检查患者表是否存在同一身份证号多条记录，以及合并历史表是否影响当前有效标识。

三、映射前准备清单

完成源系统剖析和数据质量评估后，应形成一份可执行的映射前准备清单，作为后续映射规则编写的输入。清单至少包含以下五项：

• 字段对照表：逐字段列出源系统字段名、数据类型、示例值、目标FHIR资源与路径、转换规则说明。例如V2 PID-7 → Patient.birthDate，转换规则为“YYYYMMDD → YYYY-MM-DD，空值不生成”。
• 编码映射表：列出所有需要转换的编码字段，包括源编码体系、源编码值、目标编码体系（LOINC/SNOMED CT/ICD-10等）、目标编码值、映射状态（已确认/待确认/无对应）。
• 空值与缺失处理规则：明确区分“字段不存在”“字段存在但为空”“字段值为nullFlavor”“字段值为明确否定”四种情况，并规定每种情况在FHIR中的表达方式。
• 基数与约束对齐表：列出源系统字段的重复性（0..1、0..*、1..1）与目标FHIR元素的基数，标记不匹配项及处理策略。例如V2中患者标识可重复，FHIR Patient.identifier为0..*，可直接映射；但若源系统某字段为1..1而目标为0..1，需确认是否允许丢弃。
• 样本数据集：选取覆盖正常值、边界值、异常值的样本记录，用于映射规则编写后的验证。样本应包含至少一条完整记录、一条含空值记录、一条含异常编码记录。

以某医院ADT消息映射为例：源系统为HL7 V2.4 ADT^A01，目标为FHIR R4 Patient资源。剖析发现PID-3有3个重复标识符（病历号、身份证号、医保号），PID-7出生日期缺失率2.3%，PID-8性别存在“U”值，PID-11地址为自由文本。数据质量评估后，准备清单中明确：PID-3取第一个标识符作为Patient.identifier，其余作为secondary identifier；PID-7缺失时不生成birthDate；PID-8的“U”映射为unknown；PID-11需拆分为line、city、state、postalCode，拆分规则基于逗号分隔并人工校验。该清单直接指导了后续映射规则的编写和测试用例设计。

源系统剖析的深度决定了映射工程的稳健性。对四类源系统分别建立结构认知、完成量化质量评估、输出可执行的准备清单，才能让FHIR资源映射从“能跑通”走向“可维护、可验证”。