2024 CHITEC｜墙辉演讲实录-数据要素资产化实践探索

7月6日下午，熙牛医疗CEO墙辉（花名：玄难）受邀出席2024 CHITEC“数据要素资产化与数据治理”分论坛，他以《数据要素资产化实践探索》为题，深入探讨了数据要素在医院信息化建设中的重要性，以及如何管理和利用数据资产以提升生产效率和质量。

熙牛医疗CEO 墙辉（花名：玄难）

非常荣幸今天能就“数据要素”这一议题与各位交流。前面多位专家从多个维度探讨了数据要素建设的现状及未来的展望，熙牛医疗作为一家专注于医疗卫生行业数字化的服务商，在参与数据要素构建的实践中，更多的是从实施建设的角度出发，审视过程中遇到的挑战及实践。

因此，在投资与提升数据价值以实现其交换可行性时，成本效益比至关重要。如果投入的成本远高于数据交换带来的价值，那么这类数据的真实价值就需要重新评估和考量。

从数据建设的角度审视，这就要求我们从不同视角去界定属于市场交换的数据要素数据、内部经营管理的数据。这对于后续建设数据中台或者大数据平台，以及数据资产入表，都有着深远的影响。

要实现数据要素的有效交易，其过程大致包含三个关键环节。

首先，是基础设施建设。目前，行业内很多医疗机构和企业在探讨数据要素时，实质上仍聚焦于传统数据仓库或数据湖的构建，即采集、整合IT系统中的数据，进行清洗与质量提升，以便再次利用。但是要将这些数据转化为可交易的数据要素，还需要引入资产评估与资产目录编制工作。

这是因为，数据要素需要有高度的可理解性，确保潜在买家能够准确解读数据结构和数据内容。这就意味着，相比以往的数据仓库构建，数据资产管理需采用更加标准化、行业通用的语言与模型，确保数据可以被跨行业、跨领域广泛理解与应用，尤其是当非医疗行业试图利用医疗行业数据时，数据的可理解性尤为重要。

最后，数据资产管理体系面临着革新需求。传统的数仓往往侧重于满足机构内部或单一行业的需求，而作为交易对象的数据要素则必须突破这一局限，采用普遍认可的标准，确保数据的互操作性和易理解性，从而拓宽其使用范围和价值空间。

现在，让我们首先探讨数据要素的基础建设。

我们知道医院的数据种类是非常繁多的。我以前做过电信、电商等行业，相较于我以前经历的行业，医疗卫生体系展现出更高的复杂性，这不仅源于其广泛的业务范畴，也体现在数据类型的多样性上，像文本、声音、图片、视频等，医疗领域数据的广度与深度均超乎寻常。当前，多数医疗机构已将这些多样的数据集纳至数据仓库中，这是对数据进行初步整合与管理的关键步骤。当我们将视角转向将这些数据转换为可交易的数据要素时，面临的挑战将与众不同。

在面对可交易的数据要素时，数据的表述需要采用普遍可理解的术语而非高度专业化的词汇，变得至关重要。这有助于数据的易获取性和实用性。而且医疗活动是在随着时间的推进不断丰富与扩展的，这意味着，构建数据要素时，应采用相对稳定的模型来描述医院及卫健体系的生产经营活动。

我们将医疗数据要素归纳为几个核心类别：首先是客户状态，了解服务对象的需求与特征；其次是生产资料与组织架构，即支撑服务提供的资源与结构；再者，是产品与服务内容及其交付形式和流程，包括各环节的操作及其对生产资料的消耗。

所有业务活动均伴随有凭证记录与成果产出，如检查申请单、检验报告、电子病历等，这些都是经营活动的具体体现。因此，我们旨在通过更高层次的抽象化，将医院的经营行为系统化地概括，确保模型随医院发展而进化，同时保持其精简性与可持续性。在这一目标导向下，数据仓库与数据湖的构建策略需相应调整，不仅目标定位不同，实施路径与方法也需要革新，旨在打造易于理解且便于二次利用的数据要素体系。

接下来，我们来看看如何将传统的医疗服务活动，如门诊、急诊、住院和体检等服务，融入到一个更高层次的抽象模型中。构建这一模型的关键在于其包容性，确保所有活动均能被囊括。为此，我们需要细致分析医院的产品与服务背后的生产资料和经营要素。

首先，审视每项产品或服务所依托的流程，明确这些流程由哪些具体的业务活动构成，而每一活动又涉及哪些操作，需要什么生产资料。然后，识别出这些业务操作产生的业务凭证和业务产出，以便于在数据资产平台上高效管理来自众多IT系统的信息。值得注意的是，医院可能拥有上百个IT系统，但并非所有数据都需要纳入平台，因为存储、处理和清洗数据均伴随高昂成本。因此，在构建数据资产时，识别真正具有价值的信息至关重要，确保投资回报率合理，避免资源的无效配置。

在此过程中，我们发现数据要素的模型设计不应受现有IT系统的局限。随着IT技术的进步，各系统对经营活动的记录详略不一。例如，传统的HIS系统设计较为粗放，其数据结构的记录能力有限。若数据要素平台简单复制当前HIS系统设计，未来IT系统升级或更换将导致数据要素平台面临重构风险。因此，数据要素平台设计应超前于现有IT架构，具备前瞻性和灵活性。

此外，根据用户对特定诊疗活动数据的兴趣，我们可以推动IT系统的优化，促使系统更详细、精确且实时地记录相关业务与经济活动。这标志着从以往业务需求驱动IT建设的模式，转向数据价值驱动的新型发展模式。当市场显示对某一类特定数据有高价值需求时，医院可投资升级或新建对应的 IT系统，以更好地服务于数据要素平台，形成数据驱动的正向反馈循环。此过程不仅增强了数据要素平台的功能，也促进了IT系统的持续演进，形成了双向促进的良性机制。

综上所述，随着对数据要素未来定位的认识深化，我们对IT系统、数据仓库乃至整个数据服务体系的视角和规划策略亦需相应调整，这将深刻影响并指导我们后续的信息化建设路径。

我们需要的是构建一个高层次、抽象的概念框架，以便全面涵盖我们医院的各项经营与管理活动。还有另一个至关重要的方面，是实现数据的标准化与归一化。在医疗信息化领域，我们熟知各医院采用各自的诊疗编码体系，然而随着国家推广ICD编码，我们发现不同医院之间的诊疗数据可实现合并分析。

假设未来这些数据不仅在医疗行业内被复用和整合，还能与其他如康养、保险等领域相结合，便会愈加凸显数据标准化与归一化的重要性。否则，当某企业同时购入A医院和B医院的数据时，因编码体系不一致，单纯靠数据清洗难以解决根本问题，数据整合将面临巨大挑战。因此，将数据视为一种核心要素，其规范化、标准化成为我们必须执行的关键步骤。

在医疗信息化领域，特别是在大型医院环境中，我们常面临一项共性挑战：组织编码、组织信息、部门信息及人员信息管理的混乱状态。这一问题根源在于信息的分散与重复。例如，每位员工的信息可能散布于人事管理系统、HIS、教学管理系统、OA等多个平台中。每个系统各自记录着员工的不同侧面信息，如人事档案、系统操作权限、教学活动参与情况等，这些信息往往基于员工的身份证号码或工号进行关联。

实现这些跨系统的数据实时同步与统一管理，我们常常引用之前在阿里的经历，关键在于识别哪些信息是核心的，并确定它们应由哪个IT系统作为主要维护源。举例来说，可能会有十项信息被指定在一个IT系统中作为主数据，而另外十项信息则归属另一个系统的管辖，剩余的信息使用者则只拥有只读权限，无权修改。

进一步探讨，假设别人来购买我们的数据要素，肯定是期望这些数据能够支持其还原业务过程并进行回溯分析，以此增进对医疗机构生产经营活动的深入理解。实际上，购买数据的行为，本质上是希望通过数据分析与挖掘、得到有价值的信息。因此，所涉及的数据必须在确保安全性的前提下，高效地反映我们的经营流程与行为模式，形成在数字空间的数字孪生。

在数字空间中实现这种还原能力至关重要，因为它开启了模拟经营情景、进行仿真实验等多种可能性，进而使我们能够迅速识别并优化经营流程及生产链路。要达到这一目标，要求我们从企业全局视角出发，考虑数据建模、存储方式以及表达形式，确保一切设计都有利于经营过程的精准重现。

数据资产增值的另一个核心在于构建一套科学的指标体系，该体系是对数据多维度属性的汇总、量化与评估。大家都知道医院在做高质量发展，如国考指标、等级医院考核指标等。这些指标实质上是对医疗机构运营状况的具体量化，并通过同比、环比分析揭示其变化规律，进而支持不同机构间的横向对比。

指标体系的本质，在于确立一个统一的标准，用以评判特定对象或行为在特定领域的表现。因此，我们需对指标本身实施标准化与统一化处理，确保评价的客观性和可比较性。在数据资产管理的基础建设阶段，超越传统IT系统的局限，围绕业务实体构建数据资产显得尤为重要。这意味着，数据资产的构建应紧密围绕业务需求展开，需谨慎判断哪些信息能真正体现机构的核心价值。唯有如此，所投入的成本才有望通过数据的价值实现回报。

在探讨基础设施建设之余，我们还需要深入讨论数据要素的管理时效性。数据的产生与过期构成了一个动态过程，对此的有效管理至关重要。核心在于明确数据生命周期中的责任归属：数据的生成者、质量保证方、二次处理负责人，以及指标、标签的定义者与计算执行者。在实践中，我们发现确保数据定义的一致性是一项巨大挑战，尤其是在多部门环境下，即便对于如“门诊人次”这样基本的概念，不同科室的理解和应用也可能存在显著差异。

因此，建立全局一致的数据定义体系是基础中的基础。这要求所有指标无论服务于哪个科室，其命名、目录管理都应遵循全院统一的标准。计算同一指标时，数据来源与计算规则也必须保持一致，这是确保数据质量的根本。如此一来，当数据被应用或出售时，我们能够清晰地解释其背后的逻辑，有效应对可能的质疑。缺乏这一基础，数据平台常面临信任危机，每一次数据准确性的争议都需要耗费大量资源去验证和解释，这对平台的信誉和效率都是重大考验。

故而在构建数据基础设施和平台时，必须系统化地整理数据来源、明确数据定义及计算逻辑，并以统一、清晰的方式展现，便于内外部人员理解与核查。这一过程不仅关乎内部职责的明确划分，也是对外进行数据确权和销售的前提条件。数据确权工作的内部梳理是基石，奠定了一切后续操作的可靠基础。

数据安全是普遍关注的重点议题，但实施过程中制定有效的策略却极具挑战性。首要难题在于如何合理划分数据的安全等级。尽管国家已针对特定类型数据，如患者信息，制定了明确的标准，但在医院内部，数据流通的情况则更为复杂。例如，通过数据分析重现诊疗过程及经济活动时，哪些具体的诊疗活动数据属于敏感范畴，不应被外界所复原，界定其范围成为了一项关键任务。这类需严格保护的信息构成了高等级数据的核心。

因此，识别高等级数据的过程，实质上是对医院数据资产进行深入剖析，明确何为机密、何为可商用的界限。这一过程对于精准划分数据等级至关重要，它要求对每一个数据对象及其组成元素，详细定义其安全级别、处理方式与管控措施。唯有如此，才能构建起坚实的数据安全防线，防止安全事件的发生，因为任何安全疏漏都可能导致运营中断。因此，尽管面临重重困难，跨越数据安全这道门槛，却是医疗机构不可回避的挑战。

数据资产质量评估是数据应用的根本，涉及数据的准确性、一致性、完整性和各数据间的自洽性。实践中发现，从IT系统到数据仓库或数据湖的数据传输过程中，问题频发，超过50%的数据问题根源于此。具体而言，这些问题源于对数据表和数据本身理解的偏差、IT系统数据变更未被及时察觉等。由于IT系统的高频变动性，期望每次变更都能即时通知数据团队既不现实也不可行。因此，核心挑战在于如何使数据体系主动感知IT系统及其数据的变化，从而确保能够迅速识别数据语义的任何变化，并利用技术手段有效提取相关信息且能保障其时效性。特别是针对临床实时AI应用等场景，数据采集需达到秒级响应，同时在处理海量数据时，需依据数据时效性优化资源分配与制定差异化采集策略，避免对IT系统造成不必要的负担。

其次，数据加工逻辑的复杂性亦不容忽视。将原始IT系统数据转化为数据要素平台中的业务对象和流程，不仅要有高度复杂的转换逻辑，还须确保这一过程的透明度与可管理性，以便清晰地监控和解决潜在问题。在此基础上，实现数据要素的高效利用，实际上是对现有数据仓库和数据湖技术的进一步深化与拓展，提出了更高层次的技术挑战。

数据服务的范畴广泛，它服务于医院的经营决策、科研管理、临床实践乃至对外交易等多个维度。尤为重要的是，随着AI技术的兴起，其在数据服务中的支撑作用日益凸显。传统上，业务中台聚焦于业务流程的自动化，而今，如何无缝衔接数据中台与AI大模型，成为构建真正智慧医院的关键。它要求算法模型全面融入医院运营的每一环节，包括但不限于分诊、排班、药品发放及入院管理等，旨在形成一个AI赋能的生产系统，而非简单叠加AI应用。

这对数据平台及原有的HIS、HRP等提出了革新要求。智慧医院的发展愿景是实现智能化应用在医疗体系中无所不在。因此，当前的挑战在于如何实时将高质量的数据输送给AI模型，确保业务中台、数据中台与AI技术的有效联动。我们正积极投身于这一领域的探索，尝试实现业务、数据与AI三者的实时协同，尽管仍处于初步阶段，但我们已窥见未来系统变革的端倪，预见到未来的HIS系统将与当下截然不同，这是一个令人振奋的前景。