1. 医疗RWD数据治理全景

真实世界数据（Real-World Data, RWD）并不是一个抽象概念，而是医疗体系中每天都在产生的、与患者真实诊疗过程直接相关的数据集合。它与传统随机对照试验（RCT）数据最大的区别在于：RWD 产生于常规医疗活动，而非受控实验环境。理解这一点，是后续所有治理与标准化工作的逻辑起点。

一、RWD 的定义边界与核心特征

从监管与工程视角看，RWD 通常被定义为“来源于常规医疗实践、患者日常健康管理或真实诊疗环境的数据”，其核心特征包括：非干预性（数据产生不依赖研究方案）、异质性（来源、格式、粒度差异大）、时序性（与患者就诊、用药、检查时间强绑定）、碎片化（同一患者数据分散在多个系统）。这些特征决定了 RWD 不能直接用于分析，必须经过治理与标准化。

需要区分三个常被混淆的概念：RWD 是原始数据；RWE（真实世界证据）是经过分析后可用于决策的证据；而数据治理与标准化工程，正是连接 RWD 与 RWE 之间的桥梁。

二、RWD 的主要来源分类

医疗 RWD 的来源可以按“数据产生场景”分为四类，每类在结构、可及性和治理难度上差异显著：

• 电子病历（EMR/EHR）：门诊、住院记录，包含诊断、医嘱、检验、影像报告等，结构化程度参差，是治理工作量最大的来源。
• 医保与理赔数据：费用、报销、就诊流水，编码规范但临床细节少，常用于人群分析与结局研究。
• 疾病登记与随访系统：针对特定疾病（如肿瘤、糖尿病）的登记库，字段较规范，但覆盖人群有限。
• 患者自报与可穿戴设备：症状、生活质量、步数、心率等，采样频率高但噪声大，需与临床数据对齐。

在实际项目中，单一来源往往不足以支撑完整分析，因此需要多源数据融合。融合的前提是统一患者标识、统一时间轴、统一术语编码。

三、治理挑战：从“有数据”到“可用数据”

RWD 治理面临的挑战并非单纯技术问题，而是数据质量、语义一致性与合规性的叠加。常见问题包括：

• 缺失与错填：关键字段（如分期、剂量）缺失，或单位、格式不统一。
• 编码不一致：同一诊断在不同系统中使用 ICD-10、ICD-9、院内自定义码，无法直接比较。
• 时间逻辑混乱：检验时间、报告时间、医嘱时间不一致，导致事件顺序错误。
• 隐私与合规：直接标识符（姓名、身份证号）必须脱敏，同时保留可追溯的假名化映射。

四、标准化工程目标：让数据“可计算、可比较、可复用”

标准化工程的目标可以概括为三个层次：结构标准化（统一数据模型与字段定义）、术语标准化（映射到标准编码体系，如 ICD-10、SNOMED CT、LOINC、RxNorm）、过程标准化（统一抽取、转换、加载与质量校验规则）。

以“2型糖尿病患者糖化血红蛋白（HbA1c）控制情况”为例，一个可复用的标准化流程应包含：患者识别 → 诊断确认（ICD-10 E11）→ 检验结果提取（LOINC 4548-4）→ 单位统一（%）→ 时间窗口对齐（最近一次）→ 缺失标记。每一步都需要明确的规则和可追溯的日志。

五、从全景到落地：治理工程的基本判断

在实际项目中，判断治理是否有效，不能只看“数据量”，而要看三个可验证指标：字段填充率（关键字段非空比例）、编码映射率（本地码成功映射到标准码的比例）、时间一致性（事件时间与记录时间偏差在允许范围内的比例）。例如，某院 HbA1c 字段填充率从 62% 提升到 91%，LOINC 映射率达到 98%，才具备进入分析队列的基本条件。