什么是高质量数据 · 4+5 维度

这一章是整套分享的”专业肌肉”，必须讲透。

传统底座：国家电子病历评级 4 维度

国家卫健委《电子病历系统应用水平分级评价标准》定义了 4 个数据质量维度：

维度	定义	反例
完整性	该有的字段都有，关键项不缺失	病历缺主诉、缺出院诊断
一致性	同一信息在不同系统/表里逻辑一致	患者性别 HIS 是男、LIS 是女
整合性	跨系统、跨业务的数据能关联起来形成完整视图	检验单与医嘱无法关联
及时性	数据按规定时间录入，不是事后补录	病历事后批量补录

⚠️ 专业票：很多人把”整合性”误说成”关联性”。原文是 整合性 (Integration)，强调跨域整合后的内在逻辑闭环；关联性 (Correlation) 偏统计概念，不是同一回事。这种小细节，一个字差就暴露专业深度。

转折：传统 4 维度不够了

传统 4 维度解决的是”业务能跑”，不是”AI 能学”。

维度	传统（业务运行视角）	AI 时代（模型训练/推理视角）
目标	数据能用于临床和管理	数据能让模型学会、推理、决策
标准	规范、闭环、可审计	规范 + 多样性 + 知识密度 + 对齐人类专家判断
致命点	缺失、错误	偏差、虚假相关、知识浅

传统 4 维度是入场券，AI 时代要重新定义高质量。

国际参照：病历质量控制数据集怎么做

病历质控不能只看”有没有写完”，还要看这份病历是否有用、准确、简洁、组织良好、便于后续医生接手。

国际上有一类成熟思路，叫 PDQI-9（Physician Documentation Quality Instrument）。它不是 AI 时代才发明的工具，而是较早用于评价电子病历笔记质量的量表，关注病历是否 up-to-date、accurate、thorough、useful、organized、comprehensible、succinct、synthesized、internally consistent。也就是说，病历质量控制数据集可以不是简单的”错别字/缺字段”数据集，而是：

• 一份原始病历或 AI 生成病历
• 一份医生最终签署版本
• 多名临床专家按 PDQI-9 或本院质控口径评分
• 对差异点做结构化标注：遗漏、幻觉、冗余、逻辑不一致、诊疗计划缺失

这类数据集的价值很高，因为它直接回答一个问题：AI 生成的病历，能不能被医生安全地接手和签署？

但要注意：PDQI-9 不是万能尺子，不同专科、急诊/门诊/住院场景的病历质量标准不一样。更稳的做法是：把 PDQI-9 当作起点，再叠加本院质控规则和专科专家评分。可参考：PDQI-9 电子病历质量评价研究，以及近年用 PDQI-9 评价 AI 生成临床笔记的研究方向。

AI 时代再加 5 个维度

底座 4 维度（完整、一致、整合、及时）继续保留——这是入场券。AI 时代再加：

5️⃣ 标准化与可计算性 (Standardization)

• 术语编码（ICD/SNOMED/LOINC/RxNorm）、单位标准、本体映射
• 没有这一步，再多数据也是”数据废墟”

6️⃣ 代表性与多样性 (Representativeness & Diversity)

• 人群覆盖（年龄、性别、地域、合并症）
• 罕见病、长尾场景的样本密度
• 不能让 AI 只会看典型病例，遇到边缘就崩

7️⃣ 标注与专家共识质量 (Annotation Quality)

• 谁标的（住院医 vs 主任医师 vs 多专家共识）
• 标注一致率（Kappa 系数 > 0.8 是基本线）
• 医疗里这一条几乎决定上限——尤其是影像、病理、基因解读

8️⃣ 知识密度与推理可学习性 (Knowledge Density)

• 不只是”数据量大”，而是”每条数据携带多少专家推理过程”
• 一份带完整鉴别诊断思路的病历 ≫ 一百份只有结论的病历
• 这就是为什么 o1/Mythos 类推理模型依赖专家推理轨迹数据
• 这是 2026 新增的维度，市面上讲数据治理的人 90% 没讲到这一条

9️⃣ 合规、安全与可追溯 (Compliance & Lineage)

• 隐私脱敏、知情同意、伦理审批
• 数据血缘可追溯——医疗 AI 上市的命门
• 与《数据安全法》《个人信息保护法》《生成式 AI 服务管理办法》对齐

9 维度配医疗具体例子

抽象的 9 维度听完会忘，每一条配一个具体场景才有杀伤力：

维度	医疗具体例子
完整性	病历主诉/现病史/出院诊断必填
一致性	跨 HIS/LIS/EMR 的患者性别一致
整合性	检验单 ↔ 医嘱 ↔ 病历可贯通查询
及时性	医嘱实时录入、不允许补录
标准化	ICD-11、LOINC、SNOMED CT 全院映射
代表性	罕见病覆盖率、跨省人群分布
标注质量	影像三主任盲标，Kappa > 0.8
知识密度	病历必填”鉴别诊断思路”
合规可追溯	训练数据的血缘到原始病历可追溯

法律行业的额外维度

法律行业除了通用 9 维度，还有几个独有维度：

• 法域准确性 — 中国大陆/香港/美国/欧盟，法条引用错一个字就是事故
• 时效性 — 法规会废止、修订，过期法条引用是低级错误
• 裁判倾向性 — 同案不同地不同法院判决倾向不同
• 可引证性 — 必须能精确引用到具体法条、具体判决书编号

这四个维度合起来叫”法律行业 + 4 维度”，叠加在通用 9 维度之上。

这一章的核心金句

传统数据质量解决”能不能用”，AI 时代的数据质量解决”AI 能不能学得对、判得准、敢上临床”。

4 维度是入场券，9 维度是 AI 时代的医院数据资产成熟度。

下一章：高质量数据怎么”形成”——传统三件套 + AI 时代新内涵 + 三个无解的新难题。