数据化对医院来说，是发展之基。医院运行过程中的每个环节都会产生大量数据，科研、运营分析、绩效考核等等数据利用需求也逐渐增多。但是，显然当前医院的“数据力”还没有完全发挥出来，数据数量庞大、异构异源、类型复杂、敏感性高等特性，依然是其应用过程中不可忽视的难题。
此次专栏首篇，柯林布瑞大数据治理及产品研发团队，将从DAMA国际数据管理体系的展开介绍医院如何通过有效数据管理实现信息化建设。
医院数据管理工作为何困难重重？
谈及数据管理，《DAMA数据管理知识体系指南》提到，数据管理是为实现数据和信息资产价值的获取、控制、保护、交付以及提升，对政策、实践和项目所做的计划、执行和监督。由于数据本身独特的属性，如无形、易丢失、数据价值难以评估预测、数据质量问题等，故而数据管理在具体执行过程中不可避免会遇到许多挑战。
以医院为例，为了有效应用临床病历、健康档案、公共卫生等等这些数据，医院管理者需要对全院数据进行管理：需要知道院内拥有哪些数据、这些数据放在哪里、分别由谁负责、其中每个数据代表什么含义、数据生命周期做了哪些内容、如何保证数据的安全性，以及谁使用了数据，用于什么业务目的以及数据的质量如何等等。
但是，医学信息和数据不仅复杂，且医疗数据的产生是分散、多元的，加之医院的行业特殊性对其本身的数据管理能力也提出了更高的要求。此外，在医院数据管理过程中，诸如“数据孤岛”或是“僵尸数据”等层出不穷的问题，也给医院管理工作带来诸多负担。
具体来看，柯林布瑞团队认为医院数据管理的现存挑战包括如下：
结构化问题，多数医院数据存在着病历文本结构化问题，这些非结构化数据影响着医院病历质控，包括科研项目的拓展工作；
标准化问题，各生产系统之间的字典各自为政，院内无法统一主数据字典管理，院内医学术语非标准化问题等，导致医院在评级评审工作中十分被动；
质量问题，大部分医疗机构信息化建设是以业务流程、医保支付和医管政策为核心驱动，产生的数据在完整性、准确性、一致性、关联性、规范性、可应用等方面的质量挑战长期存在。
围绕这些问题，院内管理者需要建设一套完善的数据管理体系，其中包括如何定义与提供数据服务，以及数据服务如何被安全访问等等。
“数据治理”是建立数据管理战略的核心
《DAMA数据管理知识体系指南（原书第2版）》作为数据管理领域的权威指南，对整个数据管理体系，特别是数据治理与数据管理的关系进行了详细的说明。这对医院如何构建完整的数据管理体系有着非常重要的指引和参考价值。
DAMA车轮图 & DAMA环境因素六边形图
对于数据管理的职能，DAMA将其归为十一大类：数据治理、数据架构、数据建模和设计、数据存储和操作、数据安全、数据集成和互操作、文档和内容管理、参考数据和主数据、数据仓库和商务智能、元数据、数据质量。其中，数据治理是数据管理的核心职能，DAMA车轮图中将其放在了数据管理活动的中心位置。
数据管理和数据治理两者之间具体有着怎样的关联？首先，数据治理贯穿在数据管理的整个过程中。数据治理保证数据都是被管理的且朝着一个更好的方向发展。其次，数据治理职能指导其他数据管理职能如何执行。数据治理位于数据管理“车轮图”的正中央，是其他10大数据管理领域的总纲和指导，为各项数据管理活动提供总体指导策略，保证功能内部的一致性和功能之间的平衡。最后，DAMA认为数据管理是管理从数据的获取到数据的消除整个生命周期过程，而数据治理是为了确保组织对数据作出合理、一致的决策，也就是说数据治理是为了更好的管理数据，是数据管理的策略、规程或标准。
DAMA数据治理和数据管理的关系
柯林布瑞团队认为：DAMA定义的数据治理除了一些治理工具和方法论，更宝贵的是管理制度、组织架构方面的指导。数据治理作为整体数据管理的一部分，为有效的数据管理提供了一个控制框架。所以，医院在进行高质量的数据管理时，需建立科学的数据治理策略，才能实施有效的数据治理。
数据治理怎么治——两大核心路径
数据治理不是一蹴而就的，治理过程包含了很多复杂性协调工作，需要对治理进行规划。以DAMA数据治理框架为例，该框架提出数据治理的主要内容包括:规划组织的数据治理、制定数据治理战略、实施数据治理和嵌入数据治理。
DAMA数据管理组织——治理、管理制度、服务
数据治理是一套技术与管理相结合的制度体系，换句话说，在进行数据治理的过程中，通常会面临人、组织架构及客观的技术问题这两大类挑战。所以，在医院数据治理的方法论部分，主要阐述两个内容：谁负责数据治理？以及数据治理“怎么治”？
（1）谁负责数据治理？——数据治理需要组织搭建
数据治理需要建立“多方参与、合理担责”的组织架构和制度流程。打破医院内部壁垒，成立数据治理委员会、数据治理团队、各业务部门等层层递进的组织架构，并且建立切实可行的标准化流程规范，形成数据治理标准化闭环流程，推进数据治理工作。
（2）数据治理“怎么治”——数据治理需要技术赋能
数据治理的本质是管理数据，因此需要从源头治理数据，将分散、多样化的核心数据等通过数字技术手段进行优化，充分释放数据要素价值。以柯林布瑞为例，主要的数据治理工具应用情况如下：
一是全域数据采集与引入工具，以需求为驱动，以数据多样性的全域思想为指导，采集与引入全业务、多终端、多形态的数据。
二是标准化数据处理工具，是将汇聚整合的数据，和国际、国内、行业医学术语进行比对，统一格式转换为标准化的数据。建立标准化健康医疗中心，提供健康医疗数据查询、分析和展示等服务。建立包括辅助诊断、精细化管理、精准医疗、临床科研、深度挖掘增值服务等方面的数据应用系统，为精准医疗、智慧医疗和转化医学等服务。
三是数据质量管理工具，通过数据一致性校验和可信度管理可以提高数据质量。但在实际应用中，采集汇总的可信数据仍然可能出现质量问题。因此需要采用健康医疗数据质量管理工具，进行数据逻辑校验规则管理，并根据汇总数据的修正情况，对接入业务应用系统的数据质量进行可信度评价管理，并实现可信度升降级，最终确保各数据的最高可信来源，提高汇总数据的质量。
四是医疗数据安全管理工具，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。
数据管理工作需要医院高度重视，从认识数据出发，对院内数据进行梳理、加强数据管理，从而提高医院数据的可用性、提升数据价值。此外，柯林布瑞团队提出，未来医院要使数据发挥出最大价值，不可避免的要做多中心联合科研，其中一个不得不面对的问题，就是数据安全问题，这也是数据管理的重要部分。针对这类问题，柯林布瑞目前已经在研发基于隐私计算的数据共享平台，能够真正意义上做到不分享原始数据，只分享数据价值。
