为 AI 准备医疗数据:质量、隐私、互操作性与溯源
全球生命科学 AI · 发布于 2026 年 11 月 16 日 · HERMS Consultancy DMCC
为 AI 准备医疗数据,意味着要证明这些信息适用于既定用途、可合法获取、解释一致,并且从来源到输出均可追溯。应从决策和所需变量出发,而不是从模型出发。然后在发布带版本的数据集之前,评估临床含义、缺失情况、时间性、身份识别、隐私、互操作性和溯源。一次成功的 API 调用、一个去标识化步骤或一次通用数据模型转换,本身并不能证明 AI 可靠。真正的问题是:整个数据管道是否支持预期用途及其风险。 Guidance Regarding Methods for De-identification of Protected Health Information in Accordance with the HIPAA Privacy Rule FHIR Overview — FHIR v4.0.1 OMOP Common Data Model AI Risk Management Framework
AI 就绪度因用途而异——并非数据湖的固有属性
同一数据集可能适用于服务量报告,却不适合预测病情恶化。计费编码可能描述的是已报销的活动,而非确诊的诊断;时间戳可能反映的是记录时间,而非事件实际发生的时间。在清洗任何数据之前,先界定任务、用户、人群、场景、预测或决策时间、所需输出以及错误的后果。
记录系统投入使用时实际可获得的数据。明确该应用是训练预测模型、为语言模型检索文档,还是协调运营动作。这些用途的治理需求相似,但所需的准备和评估方式不同。下文框架是参考标准和风险指南提出的操作方法,并非通用的监管检查清单。 AI Risk Management Framework
医疗 AI 数据就绪的四大基础
基础
核心问题
需留存的证据
质量
这些信息对该任务在临床和分析层面是否适用?
数据画像、规则、标签复核、缺失与时间性检查
隐私与许可用途
这些数据能否由这些方以这种方式使用?
授权依据、角色、协议、保障措施与留存决定
互操作性
含义在交换和转换过程中能否保持不变?
规范配置(Profile)、字典、术语映射和接口测试
溯源
能否还原输出的来源和转换过程?
来源标识符、版本、谱系、代码和发布批准记录
四者中任何一项都无法弥补另一项。记录完备的非法处理仍然是问题;格式完美的数据在临床上也可能产生误导;准确的训练数据集在面对另一家医院的记录习惯时可能失效。应将就绪度视为受控的发布决策,而不是一次性的数据清洗。
建立数据清单和变量级规范
盘点数据来源、所有者、人群、时间覆盖范围、收集目的、许可、更新频率、格式和已知局限。不仅包括结构化表格,还要包括笔记、附件、图像、衍生字段和第三方补充数据。说明从源系统到拟用 AI 环境的传输路径。
对每个关键变量,记录其定义、来源字段、术语、单位、有效范围、时间、缺失值含义和转换方式。区分处方药物、配药和给药;区分问题清单条目与新发诊断。指定负责解决歧义的临床审核人。对任务至关重要的变量缺失时,可能需要更改任务或收集不同的数据。
在错误会影响决策的环节衡量质量
数据质量不止于完整性。需评估是否符合预期表示形式;相关信息是否完整;合理性与一致性;以及是否适合预期的临床问题。OHDSI 的 Data Quality Dashboard 展示了针对 OMOP 实例的可配置、透明的检查。通过仪表板并不能证明标签、临床定义或拟议的 AI 任务有效。 DataQualityDashboard
维度
示例测试
为何看似干净的数据集仍可能失败
完整性
按站点、时间和亚组检查必填字段
记录的值可能只存在于风险较高的患者
一致性
类型、编码、关系和单位
有效编码可能代表错误的临床概念
合理性
数值范围和具有临床意义的顺序
可能的数值仍可能属于错误的患者
时间完整性
事件、采集、记录和可用时间
未来信息可能泄漏到过去的预测中
唯一性/身份
重复事件以及患者/就诊关联
复制的记录会夸大数量或跨越评估拆分
标签有效性
参考定义、裁定和不确定性
计费或代理标签可能无法代表目标结局
代表性
站点、设备、亚组和医疗场景
大型数据集可能遗漏目标部署人群
在验收前设定阈值,并使其与用途相匹配。较高的总体通过率可能掩盖关键的单位错误。报告未解决的发现和被排除的记录;过度清洗可能改变人群并掩盖有意义的差异。以上是建议的分析控制措施,而非通用的数值要求。
缺失数据是临床过程的一部分
实验室检验值缺失,可能是因为无需检测、无法检测、被拒绝、在别处完成或未被传输。将所有缺失值视为零,会凭空捏造临床观察。在数据来源支持的情况下,数据画像应区分未知、不适用、未测量、不可用和明确为阴性。
按站点、结局、人群和时间评估缺失模式。根据任务和可能的机制选择处理方法,并记录假设。若在评估数据上拟合,插补可能引入信息泄漏。它也无法保证纠正系统性漏记或缺少关键混杂因素的问题。保持原始缺失情况和转换历史可供审查。
防止患者、时间和标签泄漏
确定决策时间,以及每个预测变量何时可用。出院后录入的诊断可能提高回顾性预测效果,但在入院时并不可得。将临床事件时间与系统录入时间和最终结果时间分开;保留时区和排序逻辑。
在适当的患者、就诊、站点和时间层面划分数据。检查拆分之间是否存在重复图像、复制的笔记和近似重复的记录。仅使用允许的开发信息来拟合预处理、特征选择和插补。独立评估必须测试完整的已准备管道,而不是用从测试集学到的转换处理过的模型。
明确标签的生成方式。记录临床概念、观察窗口、确认方式、裁定和未解决的分歧。训练用于预测工作流产物的模型,可能复现的是记录习惯,而非预期的临床状态。这些是在生命周期风险方法下为可信评估提出的保障措施。 AI Risk Management Framework
隐私:去掉姓名并不自动等于匿名化
在将数据转移给模型提供方之前,先确定适用的司法管辖区、机构角色和处理目的。根据 GDPR,可重新识别的假名化数据仍属于个人数据。处理健康或基因信息,需评估相关的合法依据和特殊类别条件,并在适用时考虑各国要求。研究并非一概豁免,同意也不是唯一途径。 Data protection explained Legal grounds for processing data
在美国 HIPAA 背景下,HHS 将“安全港”(Safe Harbor)和“专家认定”(Expert Determination)描述为满足隐私规则去标识化标准的两种方法。安全港并非仅仅删除姓名:指定的标识符和实际知情条件同样重要,包括自由文本中的内容。HHS 还指出,经过适当去标识化的信息仍保留极小但非零的识别风险。HIPAA 的适用范围与 GDPR 的匿名化不应被视为可以互换。 Guidance Regarding Methods for De-identification of Protected Health Information in Accordance with the HIPAA Privacy Rule
评估罕见病、基因组信息、精确日期、图像、叙述性笔记和关联数据集。去掉明显的标识符之后,仍可能留下独特的组合。合成数据、加密、联邦学习和安全飞地可以支持保障措施,但都不能自动证明匿名性或处理的合法性。应评估实际设计和剩余风险。
控制整个数据流,包括提示词和日志
采用最小权限访问、适当的身份验证、受保护的传输与存储、经批准的环境以及可审查的访问记录。梳理分包商、托管、远程管理、提供方的留存情况,以及提交材料是否被用于模型训练。跨境传输或访问之前,请核查当地要求;仅选择托管区域并不能解决所有法律问题。
尽量减少提示词、调试输出、嵌入、缓存、导出文件和支持工单中的数据。将衍生存储视为受治理的资产,并评估其暴露的敏感信息。明确留存和删除责任,包括备份和衍生副本,同时保留依法必须保存的记录。安全安排支持隐私,但不能取代处理授权。 Guidance Regarding Methods for De-identification of Protected Health Information in Accordance with the HIPAA Privacy Rule Data protection explained Legal grounds for processing data
互操作性需要共享含义,而不只是 API
技术连通性是传输信息的能力。结构一致性使字段能被软件理解。语义互操作性则要求临床含义保持一致。JSON 响应在语法上可能有效,却混用了单位、混淆了既往与当前诊断,或丢失了否定信息。
HL7 FHIR 支持基于资源的电子交换。规范配置(Profile)、术语绑定和实施指南约束其使用方式。应指明所需的 FHIR 版本和实际使用的实施指南;笼统的“兼容 FHIR”声明是不够的。此处引用的 R4 页面是稳定的、特定版本的参考,并非声称 R4 是最新版本或普遍强制要求。 FHIR Overview — FHIR v4.0.1
OMOP CDM 支持观察性分析的标准化结构和内容。FHIR 与 OMOP 侧重点不同,可以互为补充;二者都不会自动取代所有源系统,也不能保证映射正确。应保留源编码、词汇表版本和映射决策,并评估转换过程中的细节损失。 FHIR Overview — FHIR v4.0.1 OMOP Common Data Model
表示问题
潜在的下游错误
建议的检查
单位和参考范围
数量级被错误解读
同时验证分析物、单位、标本和换算
术语映射
不同概念被合并为同一标签
临床审核;监测未映射编码;映射带版本
药物表示
将医嘱误认为已给药
保留事件类型、途径、剂量和状态
身份关联
纳入了另一名患者的事件
评估匹配质量和不确定的关联
时间表示
事件出现在错误的临床顺序
带时区跟踪事件、录入和可用时间
叙述性上下文
既往/被否定的病情变成当前诊断
测试否定、经历者、时间性和语言
溯源:保留从来源到输出的完整链条
溯源说明了谁或什么创建了信息、使用了哪些来源以及哪些活动改变了它。实用的谱系链会连接来源提取、映射、清洗、标注、队列选择、特征创建、数据集发布和输出。保留来源标识符和版本、处理代码、配置、时间戳、责任方和重要的审核决定。
FHIR Provenance 可描述创建、修订或签署某个资源版本的活动,以及相关的实体和代理。AuditEvent 针对的是有重叠但不同的事件审计需求。二者都不能简单取代对方。在 R4 中,Provenance 是试用资源;实施它本身并不证明符合法律签名要求,也不证明临床内容可信。 Resource Provenance — FHIR v4.0.1
溯源也不等于不加区分地留存患者材料。应保留与决策相关的元数据,并通过适当的访问控制保护引用。加密哈希有助于检测内容变化,但不能证明临床正确性、采集合法性或审核人员的能力。应测试审核人员能否在不被授予不必要访问权限的情况下,还原抽样输出。
检索数据与预测模型数据的准备方式不同
对于检索增强生成,需明确批准的来源类型、所有者、范围、版本、生效日期和退役规则。检查文档提取、OCR、表格、章节边界和权限传递。保留引用锚点,以便将生成的陈述与支持它的段落核对。
没有解决策略时,不要混用过时和现行的方案。防止检索到的内容被当作可执行指令。将检索覆盖率和来源到论断的忠实度,与回答的流畅程度分开评估。仅从源库中删除已被取代的文档是不够的,如果搜索索引或缓存仍在提供它。
对于预测类工作,还需重点关注决策时点的可用性、标签有效性和拆分独立性。对于智能体,需增加动作权限和有责任的审批边界。一个数据湖可以支持这三种用途,但每种用途都需要有文档记录的准备与评估约定。 AI Risk Management Framework
医疗 AI 输出变得不可靠的常见原因
失效情形
为何可能被忽略
实际应对
单位或字段映射错误
数值看起来是数字且完整
在临床上核实含义和边界换算
未来信息泄漏
回顾性准确率看起来极佳
审计决策时点的特征可用性
选择与记录偏倚
大样本掩盖了缺失的医疗场景
分析人群特征和数据采集机制
标签不佳
代理指标看似客观
验证结局定义和裁定
缺失被编码为正常
管道接受了默认值
保留缺失语义并测试处理方式
源文档过时
检索返回了看似可信的引用
版本控制、退役和缓存检查
转换无法追溯
有输出但无法解释
带版本的谱系和可复现的发布包
数据集漂移
训练期检查从未重复
监测变化并重新评估就绪度
权限泄漏
数据出现在日志中,或被检索给预期用户之外的人
端到端访问测试和最小化
实用的医疗 AI 数据就绪检查清单
针对既定用例使用这份建议的关卡式检查清单。任何加权分数都不应凌驾于尚未解决的非法使用问题或关键完整性缺陷之上。
- 目的:已记录预期用户、决策、人群和后果。
- 授权:已确认许可用途、机构角色、协议和适用的审查。
- 清单:已记录来源、日期、所有者、覆盖范围和限制。
- 含义:已定义关键变量、单位、术语和时间。
- 质量:基于风险的检查和验收阈值已获批准;关键发现已解决。
- 标签:目标定义、参考标准和不确定性可供审查。
- 独立性:已评估开发/评估边界之间的泄漏和重复。
- 隐私/安全:再识别和访问风险涵盖来源、衍生存储、提供方和日志。
- 互操作性:规范配置、版本和映射均带版本并经临床核查。
- 溯源:抽样结果可追溯到来源和转换版本。
- 发布:数据集、代码、配置和有责任的批准已绑定在一起。
- 生命周期:已分配更新、监测、事件、退役和重新评估的触发条件。
假设示例:合并多家医院的实验室数据
一个研究团队计划使用多家医院的实验室数据构建模型。模式检查通过,但临床审核发现单位不兼容、各站点的缺失值编码不同,且时间戳有时反映的是审核时间而非采集时间。笔记中还含有残留的标识符。
团队暂停了发布,记录了各来源特有的映射,验证了换算,保留了缺失与时间的语义,并将隐私问题转交给负责的专家。团队重新审视了预测时间的定义,并重建了独立的评估拆分。发布包记录了来源和转换版本、未解决的局限和审批。
此示例说明的是就绪度工作流,并非已验证的 HERMS 部署,也不意味着性能提升。其教训是:模型并非第一个问题——看似可互操作的输入掩盖了临床含义上的差异。
法律框架与标准:了解适用什么
资源
状态/范围
实际影响
GDPR 与各国法律
在适用之处具有约束力;欧盟委员会的页面为解释性材料
评估个人/特殊类别数据、角色、目的和保障措施
HIPAA 隐私规则
对相关美国实体和 PHI 具有约束力;HHS 指南解释各方法
去标识化需要适用的方法,而不是营销标签
EHDS
分阶段适用的欧盟法规
不要推断可立即获取数据或获得通用的 AI 训练许可
HL7 FHIR
带版本的互操作性规范
指明规范配置/版本;传输并不能证明临床含义
OMOP / OHDSI
社区数据标准和工具
评估转换质量和兼容性;并非法律认证
NIST AI RMF
自愿性的跨行业框架;正在修订
组织生命周期风险评估,且不声称获得监管批准
欧盟委员会表示,EHDS 已于 2025 年 3 月 26 日生效,主要要求将于 2029 年和 2031 年分阶段适用。截至 2026 年 11 月 16 日,不应将生效与全面投入运行混为一谈。EHDS 建立在包括 GDPR 在内的现有框架之上;这并不意味着所有健康数据都可自由用于 AI 开发。请针对具体项目确认适用条款和各国安排。 European Health Data Space Regulation (EHDS)
实施路线图与可衡量的就绪度
规划窗口
建议产出
责任负责人
第 1–30 天
用例/数据清单;授权与数据流图;初步质量画像
流程和数据所有者,以及隐私/安全人员
第 31–60 天
变量规范、映射、谱系和可复现管道;关键问题整改
临床数据负责人和工程团队
第 61–90 天
独立审查、验收证据、受控发布和监测
质量/保证团队和用例所有者
这些时间窗口仅为示意,并非交付承诺。需按站点跟踪关键字段有效性;经临床核实的映射覆盖率;溯源完整性;未解决的关键缺陷;不当访问发现;可复现发布的成功率;以及调查已检测到变化所需的时间。报告前先界定分母和责任人。避免使用单一的“AI 就绪”百分比,以免掩盖关键缺口。
HERMS 视角:让数据决策可审查
HERMS 将 ATTESTRA 定位于完整性与数据治理,将 VERIQIS 定位于证据完整性与保证。这些是公司的描述,并非经过独立验证的集成、隐私认证或性能声明。相关评估应检验所提议的工作流能否在预期场景中保持来源含义、权限、可追溯性和有责任的批准。 AI Life Sciences Software | 25 HERMS Solutions
探索 HERMS 的完整性、数据治理和证据解决方案,讨论针对您的数据就绪缺口和证据要求的演示。
常见问题
什么使医疗数据达到 AI 就绪?
适合既定任务、访问合法且受控、变量有意义、质量适当、转换可追溯,并经过测试的生命周期控制。就绪度取决于用途和环境。支持报告的数据集未必支持临床模型或对外共享的研究分析。
去掉姓名就足以使健康数据匿名吗?
不够。日期、罕见病、图像、叙述文本和属性组合都可能导致识别。HHS 规定了两种 HIPAA 去标识化方法;而 GDPR 另行将可重新识别的假名化数据视为个人数据。应评估实际的法律背景和风险,而不是假设存在一个全球统一的测试。 Guidance Regarding Methods for De-identification of Protected Health Information in Accordance with the HIPAA Privacy Rule Data protection explained
FHIR 能保证 AI 数据的互操作性吗?
不能。FHIR 支持结构化交换,但实施需要合适的版本、规范配置、术语和测试。有效的资源仍可能包含错误的临床含义、单位、患者引用或时间解读。除技术一致性外,还应评估语义正确性和任务适用性。 FHIR Overview — FHIR v4.0.1
FHIR 和 OMOP 是一回事吗?
不是。FHIR 主要支持可互操作的信息交换;OMOP 则为分析而标准化观察性数据。二者可以互补。二者之间的映射需要明确的临床和技术选择,并可能丢失信息;任何转换都不能保证隐私或适用于某项研究。 FHIR Overview — FHIR v4.0.1 OMOP Common Data Model
医疗 AI 中的数据溯源是什么?
它是产生某个数据集或输出的来源、参与者和转换的可审查记录。应保留相关的来源版本、处理配置、映射和发布决定。溯源有助于评估可靠性,但其本身并不能证明临床准确性或处理的合法性。 Resource Provenance — FHIR v4.0.1
合成数据或联邦数据能解决隐私问题吗?
不会自动解决。应评估所用方法、可被推断或披露的内容、运行环境以及适用的法律义务。合成输出可能保留敏感模式,联邦系统仍需要访问、安全和治理控制。这些方法应被视为保障措施,而非普遍的豁免。
为什么表现优异的模型在另一家医院可能失败?
病例组合、记录习惯、设备、单位、缺失情况、诊疗路径和时间上的差异,都可能改变输入的含义。强劲的回顾性指标并不能证明其在每种部署中的表现。应评估本地兼容性和具代表性的评估,并在发布后调查变化。
应多久重新评估一次数据就绪度?
按与风险相称的间隔进行,并在发生重大变化时重新评估:源系统、模式、术语、人群、权限、检索内容或预期用途。应指定触发条件和责任人。先前的发布决定不应在无声中授权每一次后续更新或不同的下游应用。 AI Risk Management Framework
可靠的医疗 AI 始于一个站得住脚的数据决策。在追问模型是否足够先进之前,先问:这些信息是否适用、获得许可、被理解且可追溯。如果无法证明这些条件,就应暂停、缩小用途或改进证据。
通过HERMS 解决方案探讨以数据就绪或治理为重点的演示,或浏览HERMS 相关的医疗与生命科学洞察。
来源与延伸阅读
- Guidance Regarding Methods for De-identification of Protected Health Information in Accordance with the HIPAA Privacy Rule
- FHIR Overview — FHIR v4.0.1
- OMOP Common Data Model
- AI Risk Management Framework
- DataQualityDashboard
- Data protection explained
- Legal grounds for processing data
- Resource Provenance — FHIR v4.0.1
- European Health Data Space Regulation (EHDS)
探索制药 AI 系列
- AI 决策权与人工监督
- 制药领域的智能体式 AI 与生成式 AI
- 生命科学领域的 AI 治理
- 制药 AI 的人工审批控制
- 用于监管和市场准入的真实世界证据
- AI 医疗器械的验证与变更控制
- 全球药品市场准入、HTA 与定价证据
探索 HERMS 生命科学解决方案和AI 治理与可追溯性,或申请以工作流为重点的演示。
相关 HERMS 解决方案
探索与本文相关的 HERMS 解决方案,并评估其是否契合您的工作流、证据和审批要求。
