引言：医疗数字化时代，如何打通数据信息壁垒，将原始数据转化为可见、可管、可用的优良数据资产，发挥数据要素价值，是很多医院面临的共性问题。
本期专栏，柯林布瑞大数据治理及产品研发团队，基于其在大数据领域的深厚积累沉淀与多年项目实施的经验，对医院在实际的数据治理过程中，所遇到的困难和解决方案进行总结与分享，为医院管理者提供借鉴和思考。
让数据说话，医院数据治理之“困” 何在？
数据治理是医院信息化建设绕不开的话题，逐渐成为医院的发展基建与标配。但正所谓“说起来容易做起来难”，目前来看医院数据治理工作仍存在多方位痛点。柯林布瑞大数据治理及产品研发团队认为，当前对于医院信息科而言，医院数据治理能力不足是核心难点，主要体现在以下几个方面：
一是历史遗留问题。与其他大部分传统行业相比，高度注重信息化的医疗行业业务多而复杂，不同的业务需要相应的IT系统支撑，各业务系统之间的数据标准不一致，各模块孤立存在、数据不通的情况给数据治理带来很大难度，也影响着医院数据应用需求。
二是现存管理问题。一方面，院内各种指标算法、口径需求没有比较清晰的血缘关系；另一方面，数据在输入端存在缺陷，即存在输入不规范、不符合标准的临床数据等问题，造成数据源头脉络不清晰。
三是组织与职责问题。数据治理主要涉及业务部门、医疗和科研管理部门、信息部门等，各部门承担的职能和角色不同，拥有的数据信息也就不同，而这些恰恰是造成数据差异的主要问题之一。
上述情况是医院信息科普遍面临的困扰和挑战。在更换、升级业务系统后，数据是否还能“无感”过渡？治理后的数据是否能符合互联互通、绩效考核、等级评审等各种评级的数据标准要求？数据是否能在业务中有效发挥价值，支撑院内业务应用和管理决策？这些值得医院管理层重视，也是他们想要通过数据治理达到的目标。
数据治理之“道” ：如何有效进行数据治理工作？
柯林布瑞团队提出，医院数据治理需要协同治理，即依托医院自主主导、厂商全力配合，才能高效规划、开展相关治理工作。
首先，从医院治理策略看，数据治理作为系统化工程，领导的推动力至关重要。为弥补医院数据质量与数据利用的“软肋”，当前多数医院高层对数据治理工作的重视程度明显增强。医院与HIT厂商之间会通过分层、分工的合作生态来规划和推动治理工作开展，医院信息科基于对自身业务情况的了解，统筹协调厂商进行整改。主要配合厂商进行基础数据的梳理，形成数据映射，再通过元数据、主数据、数据质量管理等灵活高效的数据治理工具，让“零碎”的数据治理工作“串联”起来，形成治理闭环，以此提升医疗数据质量。
其次，从厂商治理策略看，数据治理团队需要在充分考虑医院内部 IT 系统、数据资源以及业务应用的开展现状基础上，设计一套有针对性的、一体化的数据治理体系。针对目前困扰医院数据治理的若干问题，柯林布瑞主要采用两种方案相结合的模式，帮助医疗用户实现数据质量提升与数据价值释放。
医院定制化标准体系。柯林布瑞参考已有标准，将医院现有系统和业务流程相结合，以医院某一个系统为主导，建立符合医院目前发展需求的院内数据治理标准体系。
柯林布瑞数据治理标准体系。医院可以在厂商提供的数据标准基础上进行治理，柯林布瑞基于丰富的项目实施经验构建了庞大的医疗行业标准库和医学术语库，医学术语积累已超过11,882,424条。该体系经过市场验证后的产品相对更加成熟，在治理实施过程中，不会影响到医院系统的正常运行，同时相对而言也更为节省医院的时间成本和人力成本。
数据治理工作的高效推进需要强化融合思维，构建多层次、多维度、多视角的体系框架。柯林布瑞“开放、协作”的治理模式，一方面，针对医院数据问题，因地制宜、对症下药，实现为医院持续赋能、落地见效的目的。另一方面，两种方案贯通协同、形成合力，能够加快数据治理过程，提升治理效率，最大化实现数据治理价值。
数据治理之“术” ：不同业务场景下的数据治理思路
经过多年项目实践总结，柯林布瑞团队认为不同应用场景，其数据治理侧重点和视角也不尽相同，并分享以下四个不同角度的数据治理思路：
第一，临床业务层面。数据治理核心解决的主要是数据结构不一致、数据编码不一致、数据标准不统一、数据结构化较低的等数据问题。譬如构建全院级EMPI主索引，从各种不同的子系统中取得患者的信息并进行组织，形成同一患者的唯一标识编码，解决医院患者的“一人多卡”、"一人多号"的问题。此外，通过将医院海量临床数据标准化、结构化，形成高质量的医疗数据来达到数据分析的标准，也能够打开临床诊疗与医学科研“数据通路”，推动科研效率的提升和科研成果的产出。
第二，运营类数据。医院运营管理层面对数据的治理更多的体现在数据的关联性上和指标口径上。这主要是由于运营需要将患者就诊流程中的信息全面串联起来，然后在保证信息不丢失的基础上对运营相关的指标进行监控、统计与分析，从而为医院管理层的决策提供数据支撑。解决指标口径一致性也就是解决数据“不准”的问题。作为数据分析应用的基础，指标口径可以通过统一定义指标来源、口径及计算方法、引用场景等来进行规范管理，实现医院对自身数据的灵活使用、自主分析。
第三，医学科研。与运营数据治理不同，医院科研数据的治理主要集中在通过NLP自然语言处理进行数据结构化、科研标准数据集的制订、科研数据统计预处理等。比如数据结构化是将各类非结构化的文本数据，包括电子病历、检查报告等，通过分词、语义理解、深度学习、知识图谱等技术治理成可利用的结构化数据，使得数据在深度及质量上足以支撑医院的临床科研需求，帮助医院解决在传统的临床研究模式下，科研工作者数据获取困难、数据解析难度大、数据利用率不高等种种困难，极大缩短了过去医生病历数据收集和查询的周期，提升临床科研成果的产出效率。
第四，医联体数据。当前医联体数量已成规模，信息的互联互通是医联体建设的前提。但是医联体往往涉及多家医院，医疗体系内数据的分布情况杂乱，不少医院内部数据分布在不同的信息系统中，接口规范、数据格式往往存在较大差异，数据质量参差不齐。数据治理实施路径主要通过将数据汇总到标准的、统一的模型，然后对字段上的值域进行治理，从而保障数据质量。
由此，在明确上述治理思路的基础上，在医院具体的数据治理实践落地过程中，需要趁手好用的平台和工具。从数据治理的角度切入医疗大数据赛道，柯林布瑞擅长对院内数据进行全方位的治理，包括对院内非标数据的标准化、对非结构化数据的后结构化、对脏、乱、差的结构化数据进行清洗治理等。主要的数据治理工具应用情况如下：
（1）元数据管理：元数据管理可以形成系统化数据资产的准确视图，从而精确把握数据、获取数据，把数据转为有价资产。涵盖元数据定义、元数据标签、元数据映射、生命周期及元数据血缘图谱等功能。
（2）主数据管理：保障医院“数出同源”，管理医院的全局的、需要统一共享的主数据，涵盖主数据构建、主数据映射、主数据版本管理、主数据订阅、主数据审核、主数据发布等功能。
（3）数据质量管理：通过识别、度量、监控、稽核、修正五个维度对医院数据进行自动化核查和质量控制，帮助医院有效提升数据质量。系统功能包括分析视图、质量管理规则、质量评估标准、问题稽查核对、知识库、系统管理等。
（4）数据安全管理工具：满足数据全生命周期（即，采集、传输、存储、处理、交换、销毁）各环节中的数据泄露防护需求。安全管理工具提供分类分级管控、权限管控、敏感数据监控、数据操作异常行为监控、数据加密等工具服务。
结语：数据是生产力。从业务数据到数据资产，数据治理是关键。医院信息部门需要大量的投入时间和人力，因地制宜建立适合自身情况的一套标准化管理体系，通过高质量数据为医院的高质量发展提供动力。柯林布瑞团队也坦言，医院数据治理任重道远，未来将不断深耕，帮助更多医院解决数据治理难题，同时让数据应用有效支撑医院发展，实现数据对医疗业务发展的价值赋能。
