電子病歷數據勢能模型研究

牟冬梅　彭浩　華樹成等

關鍵詞： 電子病歷； 數據勢能； 數據價值； 專病庫

ＤＯＩ：１０．３９６９ ／ ｊ．ｉｓｓｎ．１００８－０８２１．２０２３．０５．００１

〔中圖分類號〕Ｇ２５２.８ 〔文獻標識碼〕Ａ 〔文章編號〕１００８－０８２１ （２０２３） ０５－０００３－１１

電子病歷數據是居民在醫療機構歷次就診過程中產生和被記錄的， 完整、詳細的臨床信息資源［１］ ，是健康醫療大數據的核心來源。２０２０ 年４ 月９ 日，《中共中央 國務院關于構建更加完善的要素市場化配置體制機制的意見》將數據與土地、勞動力、資本、技術一同納入生產要素管理， 強調加快培育數據要素市場， 提升數據資源價值［２］ 。電子病歷數據作為數據資源的一種， 其特有的多源異構、高維稀疏、真實隱私等特點［３］ ， 在賦予其更多價值的同時， 也為其附加了更多的使用限制， 而情報學的專業能力恰好能幫助醫生應對這些問題， 共同挖掘電子病歷數據的潛在價值。一方面， 大數據處理工作并非臨床醫生的優勢所在， 而情報學在電子病歷文本處理［４］ 、影像處理［５］ 、數據挖掘［６］ 、知識關聯與抽?。郏罚?等多個研究領域已經取得了一定成果；另一方面， 《“十四五” 全民健康信息化規劃》中強調， 要加強健康醫療大數據創新應用和行業治理， 以促進數據合規開放共享應用為主線， 充分釋放數據價值［８］ ， 但電子病歷數據的高度隱私性限制了其共享與使用， 二者間的矛盾同樣是情報學領域關注的問題［９－１０］ ?！吨袊鴶底纸洕l展報告（２０２２年）》提出的“四化框架” 中， 將數字經濟劃分為數字產業化、產業數字化、數字化治理、數據價值化４ 個部分［１１］ 。情報學專家馬費成教授［１２］ 在《中國數據要素市場發展報告》中指出， 數據價值化強調了價值化的數據在推動數字經濟發展中的重要作用， 但是就數據爆炸式增長的體量而言， 數據的價值密度仍相對較低。數據價格既與數據質量有關， 也與數據收集難易有關， 更與特定服務場景有關。健康醫療大數據價值化面臨著同樣的問題。

本研究基于“勢能” 理念和情報學理論與方法， 構建電子病歷數據勢能蓄積模型和釋放模型，試圖解決數據要素價值化的難題， 拓展情報學應用場景。

１相關研究

１.１“數據勢能”相關研究

物理學中， 勢能是指儲存于系統內部， 可以釋放或轉化的能量。２０１８ 年， 情報學領域首次有學者在研究中基于這一概念， 以數據作為研究對象，提出開放的科學數據會在研究機構之間流動， 由數據勢能高的機構流向數據勢能低的機構［１３］ 。趙林度［１４］ 認為， 醫療服務資源數據資源的蓄積會產生數據勢能， 勢能釋放轉化的動力， 驅動醫療服務資源的精準配置與調度。２０２１年， 上海數據中心與普華永道會計師事務所同樣提出了“數據勢能”估值體系［１５］ ， 用于對公共數據的價值進行評估，評估公式為： 公共數據資產價值＝公共數據開發價值＊潛在社會價值呈現因子＊潛在經濟價值呈現因子， 根據該公式對１８ 個省級公共開放數據資產價值進行了測算， 總價值超過１ ０００億元。

１.２電子病歷數據的管理與應用

近年來， 醫療機構開始著手建設高效的臨床專病數據庫與全院統一的臨床大數據平臺等， 以滿足其對醫院管理、診療決策、科學研究、病歷質量控制等方面的數據需求。黃波等［１６］ 建立了新冠肺炎的專病庫及隨訪系統， 幫助醫護團隊改進了診療、科研、隨訪的工作流程， 提升工作效率， 滿足工作需求。陸軍軍醫大學第一附屬醫院與上海市肺科醫院分別建立了自己醫院的肺癌專病庫， 立足于自身的數據特點， 對電子病歷數據進行抽取、清洗、處理， 并提供影像智能診斷、統計分析、知識圖譜等功能， 支撐本院醫生進行診療與科研工作［１７－１８］ 。郭萱等［１９］ 建立的ｉＴｒｉａｌ 平臺， 在電子病歷數據的自動采集、處理與質控等過程中都具有明顯優勢。唐明偉等［２０］ 從數據驅動實踐的角度出發， 以醫學科研領域為例， 構建了電子健康記錄實現框架， 為未來情報學在醫學科研領域的應用提供了參考。

綜上， 已有研究提出了數據具有勢能的觀點，為本研究提供了良好基礎， 但相關研究仍存不足，數據勢能的理論探索尚不系統， 數據勢能從蓄積到釋放的過程沒有得到充分揭示。針對電子病歷數據質量差、價值密度低等問題， 醫院嘗試通過建立臨床大數據平臺或專病數據庫的方式解決， 但電子病歷數據組織管理與應用實踐缺乏理論指導， 大多數醫院在臨床大數據管理系統的構建過程中僅參考了臨床醫生的科研需求， 缺乏從數據組織管理與利用角度給予的專業指導。本文面向電子病歷數據的組織管理場景， 深入剖析電子病歷數據勢能的蓄積模式， 釋放路徑與價值應用場景， 以期指導醫學數據組織管理實踐， 促進情報學、數據科學與醫學學科間的交叉融合。

２電子病歷數據勢能模型

綜合前人的定義， 本文將數據勢能定義為： 數據及其衍生的數據產品和服務的潛在效用與價值。

在新的技術環境下， 從數據勢能角度， 結合電子病歷數據組織管理與分析使用的應用場景， 建立電子病歷數據勢能蓄積與釋放兩個模型， 分別刻畫從電子病歷數據組織管理到分析使用的內在機理。

２.１電子病歷數據勢能蓄積分析

目前， 醫院對電子病歷數據的組織管理程度不足， 通常僅以原始形態存儲于系統中。臨床診療過程中需要查找數據時， 需要醫生從系統中手工查找、抄錄數據， 醫院管理場景下， 由信息科抽取、整理數據， 科研過程中， 需要醫生自行對數據加工、整合、處理， 為數據賦能， 處理效率較慢， 且處理結果會根據醫生自身數據處理能力的不同而呈現差異。因此， 醫療機構開始嘗試通過建立臨床大數據平臺或專病庫等方式， 由數據管理人員代替醫生進行數據整理， 預先對原始的電子病歷數據進行處理， 為醫院提供更加充分全面的數據支持。

電子病歷數據的組織管理通過提升數據質量達到實現數據價值的目的， 為醫院提供數據支撐。從數據勢能的視角出發， 以電子病歷數據為研究對象，認為電子病歷數據勢能可從以下３個維度進行蓄積： 基于電子病歷多模態特點——形態維度， 基于機構間電子病歷數據的關聯性特點——空間維度，基于電子病歷數據時間依賴的特點——時間維度，并構建電子病歷數據勢能蓄積模型， 如圖１ 所示。

馬費成教授提， 到數據價格與數據質量、數據獲取難易度與應用場景有關。價格是價值的外在表現， 其本質是數據在特定場景下所能實現的價值。電子病歷數據價值同樣受到數據質量、數據獲取難易度與應用場景的影響。情報人員對數據的組織管理工作， 從形態維度對電子病歷數據進行加工整理， 濃縮數據價值密度， 提升數據品質； 從時間、空間維度獲取為醫院拓展數據來源、擴大數據數量。既提升了電子病歷數據質量， 又代替數據使用者解決數據獲取的困難， 賦予數據更多的潛在價值， 蓄積了數據勢能。

２.１.１形態維度

電子病歷數據在形態維度的蓄積， 是指通過優化數據的原始形態， 提升數據的品質與價值密度。疾病具有復雜性， 作為醫學領域的重要生產要素，醫生的科研工作與診療決策都需要充足的電子病歷數據提供支持。數據的價值密度直接影響著數據的使用效率， 電子病歷數據繼承了大數據價值密度低的特點， 且以多模態的形式分散存儲于多個系統，各系統中的數據相互關聯， 共同反映了患者的健康狀況。傳統的臨床場景中， 需要醫生自行在多個系統中完成對電子病歷數據的查詢、采集、整合、分析、處理， 極大地消耗著醫生的時間與精力。因此， 現代化的數據組織管理工作中， 醫院管理者、信息中心與數據公司應以節省醫生精力為出發點，圍繞醫生在使用數據過程中存在的困難， 代替其預先完成數據的整合、清洗、脫敏等初步處理工作，從原始數據中提取關鍵信息， 排除冗余， 完成數據結構化和多模態數據融合， 提升數據的價值密度，并依據醫生的各類數據需求， 合理設置數據的檢索點， 存儲到臨床大數據平臺／ 專病庫中， 使醫生能夠快速、便捷地獲取高質量數據， 立刻進行分析與使用， 減輕醫生在使用數據過程中的負擔。

２.１.２空間維度

電子病歷數據在空間維度的蓄積， 是指聯合其他醫療機構， 對患者疾病從發現確診到結局（痊愈或死亡）的全過程數據進行搜集整理。受到醫療水平差異、分級診療、病情發展狀況等因素的影響，患者有時會前后在多個醫療機構進行連續就診或轉院治療， 在多個醫療機構中產生電子病歷數據。治療結束后， 部分醫療機構還會對患者進行定期隨訪， 記錄患者的病情變化情況。部分患者還會使用可穿戴設備這一新興的醫療技術， 進行長期、實時的生活習慣與健康參數水平監測。這些數據共同完整地描述了患者在這次就醫過程中的病情發展情況， 對醫生的復診、科學研究、醫院間轉診等工作具有重要意義。此外， 針對特定疾病的研究， 公開數據集與疾控部門的公共衛生數據也能夠作為醫院電子病歷數據的補充。因此， 如果能夠促使多個醫療機構之間建立合作關系， 實現機構間電子病歷數據的互聯互通， 提升電子病歷數據的完整性， 擴充醫生可分析利用的數據數量， 既可以使醫生在轉診過程中快速掌握患者之前的病情變化與治療方案，又可以利用數據進行預后預測等課題研究， 同時賦能臨床診療與科研工作。

２.１.３時間維度

電子病歷數據在時間維度的蓄積， 是指按時間順序盡可能將患者所有的電子病歷數據進行搜集整理， 以求獲得完整的、記錄患者全生命周期健康信息的數據。電子病歷數據在時間維度上蓄積越久，它的“勢能” 就越大。疾病的產生一方面是由基因或意外所導致的； 另一方面則是由于患者生活行為習慣的長期積累。曾有慢性病專家提出“基因給槍上了膛， 是生活方式扣動了扳機” 的觀點［２１］ ，而患者的生活方式與習慣就隱藏在歷次就診產生的電子病歷數據中， 即使就診科室與疾病不同， 其間仍隱藏著因果性與關聯性。將電子病歷數據按照時間順序在時間軸上縱向排列， 就可以從全生命周期的角度直觀呈現患者的身體情況變化與病情發展走勢， 既包含了患者的疾病史與治療史， 也隱含著患者長期的生活方式等信息。在臨床場景中， 能夠幫助醫生詳細了解病人情況， 輔助診療決策； 科研場景中， 能夠為病因分析、共病研究等提供數據支撐。

２.２電子病歷數據勢能釋放過程

數據組織與管理使電子病歷數據蓄積了勢能，但勢能只是潛在的價值， 蓄積的勢能需要得到釋放，才能轉化為現實價值。數據使用的過程就是將勢能釋放， 轉化為價值的過程。如圖２ 所示， 數據使用首先需要從臨床大數據平臺或專病數據庫等數據來源中采集已經過初步組織加工的電子病歷數據， 形成研究所需的數據集； 之后根據使用目的不同， 進行后續數據處理工作， 主要包括數據清洗（缺失值、異常值處理、類別平衡等）、數據集成、數據變換（類型變換、標準化、歸一化、離散化等）、數據規約（變量合并、特征選擇等）４個流程， 并形成新的數據集， 再進行醫學統計分析或數據挖掘，得出科研成果或支撐醫院管理工作； 也可直接基于臨床大數據平臺或專病數據庫中的電子病歷數據，輔助醫生進行臨床診療決策或撰寫病例報告。目前， 數據勢能釋放主要是由醫生將數據下載之后自行分析， 但已有機構開始嘗試將數據分析、智能診療決策、醫學知識圖譜等功能融入臨床大數據平臺中， 為醫院提供從采集到分析的全過程數據服務。

電子病歷數據的價值與其應用的服務場景有關， 電子病歷數據的服務場景分為診療決策、支撐科研與醫院管理３方面， 通過對電子病歷數據進行分析使用， 釋放數據勢能， 最終支撐數據應用于各個場景， 實現電子病歷數據價值。在科研場景中，電子病歷數據的價值會通過醫學統計分析、機器學習等數據分析方法轉化為專利、論文、專著等多種形式的科研成果； 在臨床場景中， 數據價值可通過輔助診療決策等方式， 節約醫生工作時間， 優化治療方案， 節約患者就醫費用； 在醫院管理場景中，數據價值實現的路徑包括優化病房管理、醫院感染管理等。

３實證研究

３.１電子病歷數據勢能蓄積過程模型的案例分析——以Ｊ醫院肺癌專病數據庫構建過程為例

３.１.１案例選擇

選擇Ｊ 醫院肺癌專病數據庫構建為案例， 分析該專病數據庫構建過程中， 電子病歷數據勢能的蓄積過程。Ｊ 醫院始建于１９４９ 年， 是集醫療、教學、科研、預防、保健、康復為一體的大型綜合三級甲等醫院， 以２０１９年為例，Ｊ醫院全年的總門診量高達５５４萬人次［２２］ ， 位居全國醫院門診量前１０ 位，信息化、智慧化建設程度較高， 曾獲得“２０２０全國智慧醫院建設優秀案例” 授牌。

３.１.２蓄積過程分析

１） 電子病歷數據勢能在形態維度上的蓄積目標， 是通過多模態數據融合， 完成患者單次就診過程中全部數據的組織管理。如圖３ 所示， Ｊ 醫院基于自然語言數據處理（Ｎａｔｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ，ＮＬＰ）技術， 對電子計算機斷層掃描（ ＣｏｍｐｕｔｅｄＴｏｍｏｇｒａｐｈｙ， ＣＴ）等檢查結果中的有效文本信息進行了自動抽取， 并支持研究人員對ＮＬＰ 提取的結果進行線上糾正， 作為ＮＬＰ 技術的補充。最終，通過多模態數據融合， 對電子病歷數據重新梳理，剔除數據中的冗余信息， 以字段的方式結構化地記錄肺癌的病灶數量、病變位置、病變分類等重要信息， 錄入肺癌專病數據庫中， 供醫生快速查詢使用， 如圖４ 所示。對于部分紙質病歷， 也允許工作人員依據模板進行手工錄入。此外， Ｊ醫院還在處理后的結構化內容與原始電子病歷數據之間建立了映射， 允許研究人員對原始的電子病歷數據進行回溯查詢。簡化了醫生對電子病歷數據提取與處理流程， 加快了醫生的工作速度與效率。

２） 空間維度。２０１７ 年， 吉林省政府發布了《吉林省推進多層次醫療聯合體建設實施方案》，指出要完善政府主導的多層次醫聯體， 實現醫聯體內信息互聯互通， 方便患者就醫， 提高醫學科研技術水平［２３］ 。在政府政策的引導下， Ｊ 醫院已與省內多家醫院之間建立了“醫聯體” 的合作關系， 已能夠實現上下級醫院之間在轉診時的電子病歷數據互通， 為后續實現機構間數據全面互通共享與整合奠定了基礎?？紤]到公共衛生數據對醫生工作的參考價值， 專病庫集成了統計年鑒數據， 方便醫生查詢使用。同時， 專病數據庫設計了隨訪數據、可穿戴設備數據等相關數據的錄入接口， 為后續的平臺維護工作提供了充分的拓展空間。

３） 時間維度。Ｊ 醫院基于本院電子病歷數據，將患者的歷次就診記錄及相關檢查結果按時間順序進行了組織排列， 可以提供患者就診、治療、服藥、檢查等一系列信息的時間節點， 并在時間軸上繪制成圖， 如圖５所示， 以可視化的形式輔助醫生及研究人員掌握患者的病情變化情況。伴隨著后續機構間數據互聯互通逐步實現， 數據逐步補充， 最終能夠形成全生命周期的居民健康數據供醫生使用。

３.２電子病歷數據勢能蓄積釋放模型的數據分析——以小細胞肺癌和非小細胞肺癌鑒別診斷為例

基于Ｊ 醫院肺癌專病數據庫數據， 以科研場景為例， 分析電子病歷數據的數據勢能釋放， 驗證模型合理性。肺癌作為全球最常見的癌癥種類之一，其患者死亡人數占癌癥死亡人數的１８ ０％， 是癌癥患者死亡的首要原因［２４］ 。根據癌細胞病理形態的不同， 肺癌主要可以分為小細胞肺癌（Ｓｍａｌｌ ＣｅｌｌＬｕｎｇ Ｃａｎｃｅｒ， ＳＣＬＣ） 與非小細胞肺癌（Ｎｏｎ－ｓｍａｌｌＣｅｌｌ Ｌｕｎｇ Ｃａｎｃｅｒ， ＮＳＣＬＣ）兩種亞型。對于不同的肺癌亞型， 其轉移率、發展速度、治療方式等具有很大差異［２５］ 。在臨床上， 病理學檢查是對兩者進行鑒別診斷的金標準［２６］ ， 但病理學檢查屬于有創的操作， 會對患者造成創傷， 所以需要其他的鑒別診斷方式作為輔助手段。有研究證實， 部分腫瘤標志物［２７］ 、血常規指標［２８］ 在ＳＣＬＣ 與ＮＳＣＬＣ 的診斷中具有參考意義， 因此提出假設， 基于電子病歷中的腫瘤標志物與血常規數據， 能夠建立ＳＣＬＣ 與ＮＳＣＬＣ 的鑒別診斷模型。

３.２.１數據來源與采集

專病庫依據ＩＣＤ－１０ 編碼收錄了２０１２—２０１８年于Ｊ 醫院住院的１１ ３７７例肺癌患者， 從中提?。?０００例肺癌患者數據， 排除無腫瘤標志物檢驗結果或明確診斷結果的患者數據５７２ 例， 共納入研究４２８ 例患者數據， 其中小細胞肺癌患者７８ 例， 非小細胞肺癌患者３５０ 例。部分原始數據如圖６ 所示， 數據經過組織管理并存入專病庫中， 能夠快速大量地導出符合醫生需求的、經過脫敏等初步處理的數據， 省去了繁瑣的查詢與抄錄過程。

３.２.２數據處理

１） 變量轉換。由于原始數據中存在多種數據類型， 不能直接進行分析， 因此需要對數據類型進行轉換并統一。對于字符型變量， 如“病理類型——非小細胞肺癌” 字段中包含的“是” 和“否”， 將其轉換為“１” 和“０”兩種數值型變量。受物理因素、人為因素等影響， Ｊ醫院肺癌專病庫電子病歷數據中的部分檢查檢驗結果會粗粒度地用區間范圍代替具體數值， 且具體數值與區間范圍交替使用， 如“糖鏈抗原１２５（ＣＡ１２５）”“游離人絨毛膜促性腺激素（ＨＣＧ）”等。對于此類數據， 根據變量中兩種數據的占比多少， 對兩種數據進行相互轉換， 以便后續數據分析的順利進行。

２） 缺失值處理。電子病歷數據的缺失情況極為嚴重， 這是因為患者的病情各異， 不會完整地進行所有的檢查、檢驗項目， 在數據分析前需要對數據進行插補。經正態性檢驗， 所選變量均不呈正態分布， 依據統計學方法， 應當使用中位數對數據缺失值進行插補。此外， 計算機領域使用隨機森林回歸算法對缺失值進行預測也有較好的效果。對兩種方法建立的模型進行比較， 發現利用隨機森林回歸算法插補的數據建立出的預測模型性能更好， 因此， 采用該方法處理缺失值。

３） 過采樣處理。電子病歷數據是高度不平衡的， 因為人群是否患病、疾病種類分布并不均勻。所選數據中ＳＣＬＣ 患者與ＮＳＣＬＣ 患者之間分布比例為１∶４，與真實世界中的分布情況一致。在不平衡數據中， 少數類樣本被錯誤分類不會大幅降低全局的分類正確率， 但少數類的分類正確率會下降［２９］ 。目前， 大多數分類器是根據平衡數據設計的， 不平衡數據會使模型訓練不充分， 造成性能下降［３０］ 。所以通過ＳＭＯＴＥ 算法擴充了ＳＣＬＣ 患者數據２７２例， 使其與ＮＳＣＬＣ 數據量達到１∶１，兩者共計７００例用于模型構建。

之后， 對所有的檢驗學數據進行標準化處理，消除不同特征的不同計量單位對模型預測結果的影響， 再進行后續實驗。

３.２.３數據分析

選?。祝澹耄幔?８.４數據挖掘軟件作為機器學習預測模型構建的工具軟件。該軟件全稱為懷卡托智能分析環境（Ｗａｉｋａｔｏ Ｅｎｖｉｒｏｎｍｅｎｔ ｆｏｒ Ｋｎｏｗｌｅｄｇｅ Ａ?ｎａｌｙｓｉｓ， 簡稱Ｗｅｋａ），是由新西蘭懷卡托大學開發的開源軟件， 具有交互式的可視化界面和強大的數據分析能力， 是應用較為廣泛的數據挖掘軟件之一。

１） 特征選擇及分析。選取血常規和腫瘤標志物的檢驗結果， 共３７ 項特征。由于并非全部特征都會對模型預測結果產生影響， 所以在模型構建之前， 需要對利用算法各特征與分類的關聯性進行分析排序， 以選取出特征集合中的最優子集， 降低數據集的特征維度， 簡化分類預測模型， 同時提高模型的性能［３１］。因此使用了Ｉｎｆｏ Ｇａｉｎ Ａｔｔｒｉｂｕｔｅ Ｅｖａｌ和Ｓｙｍｍｅｔｒｉｃａｌ Ｕｎｃｅｒｔ Ａｔｔｒｉｂｕｔｅ Ｅｖａｌ兩種算法， 分別基于特征的信息增益和對稱不穩定性進行特征選擇， 并得到特征相關性排序如圖７（ａ）、圖７（ｂ）所示。兩種算法對３７種特征進行篩選后， 得到了相同的２０ 個特征， 且特征與分類的相關性排序具有一定相似性。

２） 肺癌鑒別診斷預測模型構建與評價。選取支持向量機、隨機森林、Ｃ４.５ 決策樹、Ｌｏｇｉｓｔｉｃ 回歸、樸素貝葉斯５ 種分類模型， 利用Ｗｅｋａ 軟件，采用１０ 折交叉驗證方法， 對７００ 例患者數據的２０個特征建立分類預測模型。為驗證血常規與腫瘤標志物檢驗數據聯合使用是否能夠提升評價效果， 分別以所選取的２０ 項特征中的血常規數據和腫瘤標志物建立上述５ 種模型， 作為對照數據。各模型性能分別如表１、表２ 所示。根據計算出的各模型真陽性率（ＴＰＲ）和假陽性率（ＦＰＲ）， 使用ＯｒｉｇｉｎＰｒｏ８繪圖軟件繪制的各模型ＲＯＣ 曲線如圖８（ａ）、圖８（ｂ）所示。

將血常規數據與腫瘤標志物數據共同用于建立預測模型， 模型性能如表３ 所示， 根據計算出的各模型真陽性率（ＴＰＲ） 和假陽性率（ＦＰＲ）， 使用ＯｒｉｇｉｎＰｒｏ８ 繪圖軟件繪制的各模型ＲＯＣ 曲線如圖９所示。通過對比各模型的性能數據和ＲＯＣ 曲線可知， 在５ 種分類算法中， 隨機森林算法模型的ＡＵＣ值為０.９４０， Ｆ１ 值為０.８８１ 和０.８７８， 在各個模型中對ＳＣＬＣ 和ＮＳＣＬＣ 的分類效果最佳， 其余４ 個模型的性能稍差。

３.２.４服務場景

經過對Ｊ 醫院肺癌專病庫中的電子病歷數據進行分析， 證實了將血常規檢驗結果聯合腫瘤標志物檢驗結果對ＳＣＬＣ 與ＮＳＣＬＣ 患者進行鑒別診斷的優越性。所構建的機器學習模型效果良好， 可以作為一種輔助手段， 幫助臨床工作人員判斷肺癌患者的肺癌亞型， 以便其為患者設計進一步的檢查與治療方案， 輔助進行臨床診療決策。并以科研場景為例， 驗證了模型中的勢能釋放部分在實際應用中的可行性與合理性， 能夠順利釋放電子病歷數據勢能， 實現數據價值。

４結語

目前， 我國電子病歷數據的積累呈現出海量高速的特點， 為提升醫療水平、優化醫療環境、實現“智慧醫療” 等提供了充分的外部條件的同時， 也帶來了諸多挑戰。面對日益復雜的數據環境， 與情報學、計算機科學等數據相關學科交叉融合是最佳方案， 也是必然趨勢。電子病歷數據經過專業的、智能化的組織管理， 從形態、空間、時間３ 個維度逐級蓄積勢能， 提升了數據質量， 降低了醫生獲取數據的難度， 最終能夠在多個場景中實現數據價值， 為醫學發展起到支撐作用。

本文以情報學視角作為出發點和落腳點， 借用勢能的概念建立了電子病歷數據勢能模型， 強調了對電子病歷數據進行科學組織管理的意義， 并運用真實世界的案例數據與電子病歷數據驗證了理論的有效性與合理性。借此強調了情報學理論在醫院數據的管理者于數據勢能蓄積中的作用。模型的價值主要體現在： ①從形態、空間、時間３ 個維度梳理了電子病歷數據現代化管理的途徑， 為電子病歷數據組織管理實踐提供了指導與參考； ②闡明了電子病歷數據在臨床診療、科學研究、醫院管理３ 個服務場景下能夠發揮的價值及分析使用的一般模式；③將情報學理論融入醫院數據管理的場景中， 為情報學與醫學交叉融合提供理論基礎； ④豐富了數據組織管理的相關理論體系， 為跨學科情報學理論發展提供新思路。

致謝：感謝禾熙公司為本研究提供的原始數據材料。