2. 真实世界数据来源与采集工程
真实世界数据平台的价值，首先取决于数据能否“进得来、对得上、说得清”。医院信息系统（HIS）、电子病历（EMR）、检验信息系统（LIS）、影像归档与通信系统（PACS）、医保结算系统、可穿戴设备以及患者报告结局（PRO）构成了真实世界数据的主要来源。它们的数据形态、更新频率、接口方式和合规要求差异极大，因此采集工程的核心任务不是简单“连数据库”，而是建立一套可配置、可追溯、可审计的多源接入体系。
一、医院内部系统：以事件为中心的结构化采集
HIS 通常承载患者主索引、挂号、住院、医嘱、收费等业务数据，是患者身份和就诊事件的权威来源。EMR 则记录病程、诊断、手术、护理等临床内容，既有结构化字段，也有大量自由文本。LIS 以检验申请、标本、结果、参考区间和危急值为核心，PACS 则以影像检查、序列、报告和影像文件为主。四类系统的采集策略应区别对待：HIS 和 LIS 适合基于增量时间戳或日志表做准实时抽取；EMR 需要区分结构化表单与文本段落，文本部分应保留原文并附加脱敏标记；PACS 不宜直接搬运影像文件，而应先采集检查元数据和报告结论，影像按需通过对象存储或影像调阅接口获取。
接入方式上，常见有三类：一是数据库直连或只读视图，适合院内已授权的业务库；二是 HL7 v2、FHIR 等消息或 RESTful 接口，适合实时性要求较高的场景；三是前置机文件交换，适合跨网闸、跨安全域的数据投递。实际工程中往往组合使用，例如 HIS 通过数据库增量抽取，EMR 通过 FHIR 接口拉取，PACS 通过 DICOM 元数据导出。
二、医保与外部数据：批量对账与编码映射
医保数据通常以结算周期为单位批量提供，包含就诊编号、费用明细、医保目录编码、报销比例和结算状态。其难点不在采集频率，而在编码体系差异：医保目录编码、医院内部收费项目编码和平台标准术语之间需要建立映射表。采集时应保留原始编码、映射后编码、映射版本和映射时间，确保后续可回溯。对于跨机构数据，还要处理患者主索引匹配问题，通常采用身份证号哈希、医保卡号、姓名加出生日期等多字段组合进行概率匹配，并记录匹配置信度。
三、可穿戴设备与 PRO：高频、弱结构、强时效
可穿戴设备通过蓝牙网关或厂商云 API 上传心率、步数、睡眠、血氧等时序数据，特点是采样频率高、单条价值低、设备型号多。采集规范应明确采样频率、时间同步方式、缺失值标记和电量/佩戴状态字段。PRO 则来自患者自填量表，如疼痛评分、生活质量问卷，数据量不大但直接反映患者主观体验，必须记录填写时间、量表版本、语言版本和逻辑校验结果。两类数据都应支持患者授权撤回后的停止采集与历史数据处置策略。
四、采集规范：从“能接”到“可研究”
多源接入如果没有统一规范，后续研究将陷入“数据很多、可信很少”的困境。建议在采集层明确以下约束。第一，最小必要原则：只采集研究方案或平台服务所必需的字段，患者姓名、身份证号等直接标识符在进入平台前完成脱敏或哈希处理。第二，原始值留存：任何映射、清洗、派生都不覆盖原始值，ODS 层保留原始编码、原始时间戳和来源系统标识。第三，时间规范：统一使用带时区的 ISO 8601 格式，设备数据记录采集时间与上传时间两个字段，避免因时区或延迟造成错序。第四，编码可追溯：每次术语映射记录映射表版本、生效时间和操作人。第五，授权与撤回：患者授权状态作为独立字段随数据流转，撤回后停止新增采集，并按预设策略处理历史数据。
五、一个可参考的接入配置示例
以某院 HIS 患者表增量抽取为例，可采用如下配置思路：抽取字段包括患者 ID、姓名、性别、出生日期、证件号哈希、联系电话哈希、创建时间、更新时间；增量条件为“更新时间大于上次成功抽取水位线”；水位线单独存储，每次任务成功后更新；失败重试三次并记录错误日志。对于 LIS 结果表，还需额外采集标本类型、检验项目编码、结果值、单位、参考区间和危急值标志。对于可穿戴设备，建议按“设备 ID + 患者 ID + 采集时间”建立唯一约束，重复上报做幂等处理。
六、常见问题与判断依据
实际接入中最常见的问题包括：主索引匹配错误导致患者数据串号；医保编码与院内编码映射缺失导致费用分析口径不一致；可穿戴设备时间未同步导致时序错乱；PRO 量表版本混用导致评分不可比。判断采集是否达标，可以观察四个指标：关键字段完整率、主索引匹配准确率、编码映射覆盖率、数据到达及时率。若完整率低于约定阈值，应先检查上游字段是否为空或接口是否漏传；若映射覆盖率低，应补充映射表并重新跑批；若及时率下降，应检查网络、前置机或厂商 API 限流。
多源数据接入不是一次性工程，而是伴随业务系统升级、编码目录调整和设备迭代持续演进的过程。把来源、通道、处理、存储和合规五个环节的规范固定下来，才能让后续的真实世界研究建立在可解释、可复现的数据基础之上。