2. RWD数据源盘点与评估

真实世界数据（RWD）治理的第一步不是清洗，而是盘点与评估。同一个研究问题，用电子病历（EMR）和用医保理赔数据去回答，得到的结论可能完全不同——不是数据质量谁高谁低，而是它们记录的是医疗过程中不同侧面的事实。因此，本节的核心任务是建立一套可复用的评估框架：先看清每类数据源"天然长什么样"，再判断它"能不能支撑当前研究问题"。

四类主流数据源的数据特征

电子病历（EMR）是临床诊疗过程的直接产物，包含结构化字段（诊断编码、检验值、生命体征、用药医嘱）与非结构化文本（病程记录、影像报告、出院小结）。它的优势是临床细节丰富、时间戳精细到分钟，能支持疾病严重度、治疗方案和疗效评价；劣势是院外事件缺失——患者去另一家医院就诊、在药店自购药、失访后死亡，EMR 往往一无所知。此外，不同医院的信息系统、编码习惯、模板差异极大，跨机构整合时字段语义漂移严重。

医保理赔数据覆盖范围广、随访时间长、包含跨机构就诊记录，是研究医疗资源使用、费用、依从性和长期结局的常用来源。但它是为结算而生的：诊断编码服务于报销而非临床判断，检验结果通常只有收费项目名称而无具体数值，用药只有药品和数量而无剂量调整原因。因此，理赔数据擅长回答"发生了什么、花了多少"，不擅长回答"为什么这样治、病情如何演变"。

可穿戴设备数据是高频、连续、以时间序列为主的生理与行为信号，如心率、步数、睡眠分期、血氧、房颤提示等。它的价值在于院外真实状态和纵向密度，但挑战同样突出：设备型号与算法版本不同导致同一指标不可比；佩戴依从性随时间衰减；数据缺失模式本身可能与健康状况相关（如病情加重时反而停止佩戴），形成非随机缺失。

登记队列数据围绕特定疾病或暴露设计，字段经过预先定义，随访计划明确，通常包含标准化的量表、影像和生物样本信息。它的优势是变量一致性和随访完整性较好，适合做自然史、预后和比较效果研究；局限是入组标准带来选择偏倚，样本量相对有限，且登记本身可能改变被观察者的行为（霍桑效应）。

可用性评估的五个关键维度

盘点之后要落到"能不能用"。建议从以下五个维度逐项打分，而不是笼统地评价"数据质量好不好"。

第一，目标人群代表性。数据源覆盖的人群与目标研究人群是否一致？例如用某三甲医院 EMR 研究基层高血压管理，代表性就存疑；用商业健康险理赔研究老年慢病，可能遗漏大量退休后转入基本医保的人群。评估时要明确入组/覆盖机制，并尽量与外部流行病学数据比对年龄、性别、地区分布。

第二，关键变量的可得性与准确性。把研究方案中的变量逐个映射到数据源字段，标注"直接可得 / 可推导 / 不可得"。例如研究"二甲双胍对2型糖尿病患者肾功能的影响"，EMR 中 eGFR 或肌酐值通常可得，理赔数据中可能只有"肾功能检查"收费项而无结果值，可穿戴设备则完全缺失。这一步决定了研究设计是否需要调整。

第三，时间对齐与随访完整性。暴露、结局、协变量是否在同一时间轴上可对齐？可穿戴设备的睡眠数据与 EMR 中的用药记录，时间粒度差异巨大，需要定义对齐窗口（如按天聚合）。同时要量化随访中断率、死亡漏报率，判断是否会产生信息性删失。

第四，缺失机制与偏倚方向。缺失不是"少几个值"这么简单。要区分完全随机缺失、随机缺失和非随机缺失。可穿戴设备中"病情加重导致停止佩戴"就是典型的非随机缺失，直接删除会系统性低估风险人群。评估时应做缺失模式可视化，并考虑多重插补或逆概率加权。

第五，数据链接可行性。单一数据源往往不够，常见做法是 EMR + 理赔 + 登记队列链接。链接依赖患者标识（如医保号、身份证哈希、机构内病案号），需评估链接率、错配率和隐私合规性。链接率低于 70% 时，链接样本可能已不代表原始人群，需谨慎外推。

评估结论如何转化为研究决策

评估的终点不是打分，而是决策。常见结论有三类：其一，单一数据源即可支撑，直接进入变量提取与清洗；其二，需要多源链接，例如用 EMR 提供临床细节、用理赔补全院外就诊和长期随访、用可穿戴补充院外生理状态；其三，当前数据源不足以回答研究问题，需调整研究设计（如缩小人群范围、更换结局指标）或补充数据采集。

需要强调的是，没有"最好"的数据源，只有"最适合当前问题"的数据源。评估过程应当留下可追溯的记录：每个变量来自哪个源、经过什么处理、缺失如何处理、偏倚如何控制。这样，当研究结果受到质疑时，才能回溯到数据层面的依据，而不是停留在"数据就是这样"的模糊解释上。

完成盘点与评估后，下一步才是针对选定数据源开展字段级的数据质量剖析与标准化映射——但前提是，你已经清楚每个数据源"能说什么、不能说什么"。