把"数据"讲清楚（概念栈）

谈数据建设之前，先把”数据”这个词讲清楚。

不是矫情——很多医院花了大钱治理数据，结果发现治错了对象。问题就出在概念没分清。

数据的六层阶梯

从原始到资产，数据有六层：

1. 数据 (Data) — 原始记录。比如一次化验、一次挂号
2. 数据源 (Data Source) — 产生方/系统。HIS、LIS、PACS、可穿戴、互联网医院
3. 元数据 (Metadata) — 描述数据的数据。字段含义、产生时间、采集设备、版本、血缘
4. 数据集 (Dataset) — 面向特定用途整理过的数据集合。比如”乳腺癌筛查训练集”
5. 数据资产 (Data Asset) — 有价值、可复用、有治理的数据集。这是组织级别的资产
6. 知识图谱 / 本体 (Ontology) — 结构化的医学知识表达

⚠️ 第六层”本体”这个词请记住。第九章 Palantir 案例会回来收口——它是医院在 AI 时代真正的护城河。

医疗数据的特殊分类

医疗数据再按四个维度切，能切出更细的颗粒度：

按主体：

• 主数据（人/药/项目/机构）
• 业务数据
• 临床数据

按形态：

• 结构化（化验/处方）
• 半结构化（病历模板）
• 非结构化（影像/病理/语音）

按来源：

• 临床真实世界数据 (RWD)
• 组学数据
• 行为数据
• 互联网医疗交互数据

按时态：

• 横截面数据
• 纵向数据（全病程）—— 这是医疗 AI 的护城河

法律行业有完全平行的分类——按主体（当事人/律所/法院）、按形态（结构化判决书数据 / 非结构化合同文本 / 半结构化诉状）、按来源（裁判文书网/法规库/合同库/卷宗）、按时态（一审/二审/再审 = 法律的”全病程”）。

三组容易混淆的概念

这三组分清，治理就上道了：

第一组：高质量数据 ≠ 大数据 ≠ 干净数据

• 大数据强调”量”
• 干净数据强调”清洗”
• 高质量数据强调”匹配 AI 用途”

很多医院花大钱”清洗”数据，洗完发现 AI 还是不会用——因为干净不等于高质量。

第二组：标注 ≠ 标准化 ≠ 治理

• 标注是给数据”打标签”，让 AI 学
• 标准化是把不同来源的数据统一成同一种”语言”（编码/单位/字段命名）
• 治理是建立组织、制度、流程，把数据当资产管起来

三件事经常被混为一谈，结果做了标注以为做了治理，做了治理以为做了标准化。

第三组：数据集 ≠ 知识库 ≠ 评测集

• 数据集是给模型训练用的（“喂”模型）
• 知识库是给模型推理时检索用的（“查”知识）
• 评测集是给模型把关用的（“考”模型）

这一组最关键——很多医院把训练集和评测集搅在一起，结果模型在自己的数据上分数虚高，一上临床就崩。

我的金句：

概念不分清，治理就乱套。很多医院花了大钱治理数据，结果发现治错了对象。

这一章的关键词

• 元数据 (Metadata)
• 本体 (Ontology) — 第九章 Palantir 案例会回来
• 全病程纵向数据 — 医疗 AI 的护城河
• 数据集 vs 知识库 vs 评测集 — 三件事不能混

下一章：数据的角色变了——从燃料到智商，2022 vs 2026 数据观的根本转变。