有数据不等于有好数据：临床数据是否可信？

一、医院到底有多少数据？

一个患者住院五天。翻开医院系统，几乎什么都能查到：诊断、医嘱、检查、用药、耗材、护理记录、出院小结、医保结算清单。表面上看，这五天里发生的一切，似乎都已经被记录了下来。

但如果多问几个问题，答案就没有那么确定了。这五天里，医生实际投入了多少时间？护士呢？低值耗材用了多少，是不是都被完整记录进了系统？同样诊断、同样病情的两个患者，为什么一个住了五天，另一个只住了三天？系统里记录下来的资源消耗，是不是真的等于临床上实际发生的资源消耗？

在美国医院工作这几年，我看到了供应链采购数据和Epic中Charge Capture的差异，还见到过同一病种手术耗材记录差异导致成本和收入核算的困难。即便在信息化多年，Revenue Cycle作为关注要点的美国医院，临床现实、系统记录、成本核算和运营分析之间，仍然可能存在断层。真正难的，从来不是有没有数据，而是怎么判断这些数据是否完整、是否可信，并最终能不能被用来改善运营。

中国大型医院的信息化程度已经相当高，电子病历、医保结算清单、DRG/DIP付费、病案质控、运营管理系统在过去几年里快速铺开。到2025年，国家医保局已经宣布DRG/DIP按病种付费在全国所有统筹地区基本实现全覆盖。换句话说，中国医院早就走过了“有没有信息系统”的阶段，正在进入“如何用好这些数据”的阶段。

所以这篇文章真正想问的问题是：当一家医院已经拥有大量数据之后，怎么判断这些数据是不是真实反映了临床上发生的一切？这个问题，美国医院同样没有彻底解决。

二、数据的采集和可能的偏差

我在美国医院的工作是从Finance和Supply Chain起步的，后来逐渐接触更广的Non-clinical Operations，也曾经和临床团队一起看成本结算和商业保险报销相关的项目。第一次真正意识到数据不完整这件事有多普遍，就是在看供应链采购数据和Epic中Charge Capture的差异；如果一线临床记录charge capture存在遗漏，那么成本核算甚至保险报销就会出现问题。

临床人员的第一优先级永远是患者，而不是记录；文档负担（documentation burden）本身就是美国医院这些年一直在讨论的问题；不同信息系统之间存在数据断层；还有一些资源类型天生就很难精确量化，比如一位护士在某个患者身上到底花了多少分钟。

任何一个足够复杂、又依赖人工记录的医疗系统，都很难完全避免数据生成过程中的偏差。同样一台手术，不同医生和护士的临床记录方式可能不一样，而记录的完整程度，又可能会影响后续的编码和数据分析。

如果把一次诊疗过程拆开看，数据要经过很长一条链条：临床诊治，记录成文档（Documentation），被编码（Coding），被计费或申报（Billing/Claims），变成成本数据（Cost Data），最后进入运营分析（Operational Analytics）。

这条链条每往后走一步，都可能出现信息损失、延迟，或者误差。于是，患者实际上经历了怎么样的治疗，和系统里最后记录下来的是什么，这两件事并不总能画等号。

这也是为什么美国很多医院这些年都在Clinical Documentation Integrity（CDI）上投入了大量资源，专门配备由资深护士、编码专家组成的文档质量团队，逐份核对病历文档、编码和实际临床情况是否一致。这不是为了多记些内容在documentation中，而是因为如果链条最上游的文档本身有偏差，后面部分编码、结算、运营分析，就可能建立在不完整的信息基础上。

这个偏差到底有多大，2025年一项发表在Cureus上的研究给出过一个具体的量化例子[1]。研究者对某医院82名以SIRS（全身炎症反应综合征伴急性器官功能障碍）为主要诊断的住院患者做了回顾性分析，把病历里实际记录的合并症比例，和文献给出的预期患病率做对比：高血压预期78%，实际记录36.6%；糖尿病预期53%，实际18.3%；贫血预期66%，实际28%；肝功能衰竭预期57%，实际只有6.1%——这四项差距都在统计学上显著。研究者还专门检验过，这种记录缺口和患者住院死亡率没有相关性，也就是说，漏记并不是“病情越轻越容易被忽略”，更像是一种和病情严重程度无关的系统性缺口。这项研究样本只有82人、来自单一机构，不能代表全美情况，但它至少说明，即使在Epic这样的现代电子病历系统里，“记录下来的”和“临床上实际发生的”之间，仍然可能存在相当大的差距。

真正有效的数据治理，不是让一线人员多填一张表，而是尽可能让正确的数据，在业务发生的那一刻就自动生成。

三、数据和benchmark

相对比较容易记录的但仍然也可能存在遗漏，是高值耗材、药品、检查项目、手术项目，这些通常有明确的编码和收费规则；比较难记录的，是低值易耗品、设备实际使用时间、医生和护士的时间投入、其他辅助人员的时间、空间占用，经常是这些资源虽然实际发生了，但未必都能以足够细的颗粒度被记录、归集和量化。然而最难的，是住院天数（Length of Stay）。

LOS从来不是一个简单的数字字段，它背后是病情本身、手术安排、检查等待、会诊、护理强度、康复计划，甚至出院后能不能找到合适的转诊或护理资源。同样是心衰患者，一个医院平均住4天，另一个住6天，差异可能来自临床路径，也可能来自转诊资源是否充足——单看这一个数字，根本分不清楚原因是哪一种。LOS是一个运营结果，而不只是一个成本指标。如果一家医院的平均住院天数是4.2天，这句话本身其实没有太多意义，除非用同样的诊断、同样的病情复杂程度、同样类型的医院去评估。对于同样case mix的患者，合理LOS是多少？如果我们的LOS更长，原因是什么？benchmark的第一步，其实不是比较结果，而是保证比较对象真的可比。

在美国我接触到的医院运营体系中，peer benchmarking已经是比较常见的管理工具。Vizient等第三方平台也提供了这类服务。Benchmarking的逻辑是用自己的数据，标准化以后，和同类医院对比（Peer Benchmark），发现差异（Variation），找到差异背后的原因，最后改变运营方式。

中国大型医院的信息化已经相当成熟，尤其在电子病历、医保结算、DRG/DIP、病案质控和运营管理方面，很多医院已经积累了大量数据。因此我并不认为中国医院缺少数据，真正值得讨论的是：这些数据能否被持续验证、标准化，并转化成跨机构可比较的运营指标。

四、数据背后的发现和行动

数据差距背后到底是流程问题、资源问题，还是病例结构本身不同。真正数据驱动衡量标准从来不是建了多少个dashboard，而是数据有没有真正改变过一次排班决定、一次临床流程调整、一次耗材选择，或者一项资源配置。

一篇名为 Impact of clinical documentation integrity query software into hospital medicine workflow的文章，在2025年8月发表在Springer Nature旗下的Discover Health Systems[2]，来自堪萨斯大学医学中心（University of Kansas Medical Center）。这个医疗中心把CDI（临床文档完整性）查询工具嵌入住院医生和主治医生的日常工作流，提供电子病历、内部网页、手机App三种查询入口，并对比了2022年下半年（干预前）和2023年下半年（干预后）的数据：住院医师团队的平均查询响应时间从2.27天降到0.58天，主治医师团队从2.26天降到1.11天；在73名前后均在岗、可配对比较的主治医师样本中，响应时间从2.32天降到1.23天，统计显著（p<0.0001），查询确认率和完成率也同步改善，且这种改善在经验和团队结构都不同的住院医师、主治医师群体中保持一致。研究还发现，效果很大程度上和医生是否安装手机App有关：安装App的住院医师响应时间只有0.5天，没安装的要1.95天（p<0.001），主治医师也有类似差距。

这里需要说明：这项研究衡量的是查询响应速度和确认/完成率。但作为2025年发表、机构具名、经过同行评审的研究，它足以说明：把发现文档缺口和让医生真正动手修改之间的路径设计好，比如把查询入口放进医生本来就在用的手机App，而不是让他们额外登录一个系统，本身就能带来实实在在的效率提升。

五、也许是个共同的难题

美国医院并没有解决所有的数据质量问题。恰恰相反，高度信息化以后，医院面对的问题变得更加细：数据越来越多，但如何判断哪些数据真正可信，如何与同类机构比较，如何把差异追溯到临床和运营流程，仍然需要持续投入。

中国大型医院也已经拥有越来越丰富的数据基础。这个问题的意义并不是比较谁的信息化程度更高，而是当医院已经不再缺数据以后，下一步应该如何让数据真正成为运营管理的一部分。以及，我们现在使用的这些数据，到底有多少真正值得相信？

参考资料

1. Allam S, Gharib CN: Impact of Real-Time Comorbidity Capture on Clinical Escalation and Harm Prevention in Hospitalized Patients: A Benchmarking and Statistical Gap Analysis. Cureus。链接 - https://www.cureus.com/articles/386897-impact-of-real-time-comorbidity-capture-on-clinical-escalation-and-harm-prevention-in-hospitalized-patients-a-benchmarking-and-statistical-gap-analysis#!/

2. Impact of clinical documentation integrity query software into hospital medicine workflow: a comparison of resident and non-resident teams。链接 - https://link.springer.com/article/10.1007/s44250-025-00226-6