2025年中国健康医疗数据要素应用案例集

编委会 参编单位： 广东省人民医院（广东省医学科学院）、广州医科大学附属妇女儿童医疗中心、南方医科大学南方医院、南方医科大学珠江医院、复旦大学附属肿瘤医院、西安交通大学第一附属医院、安徽中医院大学神经病学研究所附属医院、中山市小榄人民医院（中山市第五人民医院）、北京极数宝健康科技有限公司、杭州迪安医学检验中心有限公司、创业慧康科技股份有限公司、京卫智云(北京)科技有限公司、北京友研信息服务咨询有限公司、广东粤政数据发展有限公司、北京优理数智科技有限公司、北京瀛和（广州）律师事务所 参编专家： 李宏军、宋新、杨小红、梁会营、李丹、熊婷、陈双、张研、黄迪、詹润义、杨逸舟、钟礼阳、高善扬、邵志鹏、王宇、廖可、张敬宽、黄耀山、吴婷、雷鸿飞、邹淘、黄帅、余洪华、吴乔伟、肖黎婕、曾小畛、胡艳、李晓君、薛杉、张旺明、区淑华、李金斌、刘涵轩、刘辉、江婧婧、许蜜蝶、年娜 前言 随着数字经济与健康中国战略的深度融合，数据要素已成为推动医疗健康行业高质量发展的核心引擎。医疗数据的汇聚、治理与应用，不仅深刻重塑着诊疗模式、服务流程与科研范式，也为提升全民健康水平、优化资源配置、促进产业创新提供了前所未有的机遇。 然而，在数据要素释放巨大价值的同时，我们也面临着数据安全、隐私保护、标准不一、流通壁垒等多重挑战。如何构建安全可信、高效协同的数据应用生态，推动数据要素在合规轨道上释放潜能，成为行业共同关注的焦点。 为凝聚共识、分享经验、推动实践，我们特征集和编纂《2025中国健康医疗数据要素应用案例集》。本案例集汇集了来自全国多家医疗机构与科技企业的创新实践，展现了健康医疗数据要素在提升诊疗效率、赋能基层医疗、驱动产业升级、助力科研突破等方面的多元价值。 我们期待通过这本案例集，为政策制定者、医疗机构、科研单位与企业提供可借鉴、可推广的实践样本，共同推动中国健康医疗数据要素化进程行稳致远，为构建以人为本、智慧融合的医疗健康服务体系贡献数据力量。 为持续推动行业知识共享与进步，我们长期面向行业征集优秀的健康医疗数据要素应用案例，欢迎各界同仁积极参与并提供实践素材，共同促进行业交流与参考。 声明 本案例集由各参编单位自愿申报并授权发布，旨在汇聚并分享健康医疗数据要素应用的实践成果与创新经验，仅供行业交流。所有案例均基于参编单位提供的原始材料整理而成，发布方未向任何单位收取费用，亦不涉及任何商业合作，不作为对参编单位或其案例的推荐或背书。发布方不对案例中所涉数据的真实性、准确性及合规性作实质性审查或担保，案例观点与结论仅代表参编单位立场，不代表发布方立场，不构成任何决策或实施依据。 未经发布方、相应案例申报单位和权利方事先书面许可，任何第三方不得对本案例集内容进行任何形式的篡改、增删、发行，或擅自用于任何商业用途。对于侵权行为，相关权利方保留依法追究法律责任的权利。 目录 (排名不分先后） 影像类检查项目预约规则数据集.......................................................................................1（广东省人民医院）眼科早产儿视网膜病变发病风险及严重程度预测数据集....................................................7（广东省人民医院）新生儿安全·黄疸数智治理............................................................................................12（广州医科大学附属妇女儿童医疗中心）血清标本质量检测模型数据产品.....................................................................................18（南方医科大学南方医院）阿尔茨海默病数据集.......................................................................................................28（南方医科大学珠江医院）心脏疾病诊断心电图数据集............................................................................................31（广东省人民医院）物联网围术期专科数据资源库.........................................................................................36（广东省人民医院）基于回顾性数据分析降低手术患者并发症发生风险.........................................................43（中山市小榄人民医院）基于数据要素的疾病风险预测平台：赋能糖尿病肾病的早期筛查....................................47（南方医科大学珠江医院）脑血管疾病专病数据集...................................................................................................52（南方医科大学珠江医院）革兰氏染色涂片智能识别数据集.....................................................................................57（杭州迪安医学检验中心有限公司）中山市区域卫生信息平台医防融合数据应用....................................................................61（创业慧康科技股份有限公司）用于高质量围术期大数据库建设的多模全息数据综合平台...............................................67（北京优理数智科技有限公司）数据要素新实践：跨域数据与样本库驱动精准医疗未来..................................................57（京卫智云(北京)科技有限公司） 影像类检查项目预约规则数据集 （广东省人民医院） 一、案例背景 《“健康中国2030”规划纲要》指出健康服务供给总体不足与需求不断增长之间的矛盾依然突出，同时公立医院发展也亟待由规模扩张转向质效提升。医技检查作为患者就诊流程中的重要环节，统筹调度、质效提升是智慧医院建设以及数字化转型的核心内容。医技预约业务涉及临床科室、患者、预约中心、技诊科室等多业务环节，传统医技预约模式面临资源排班模式与检查科室实际工作场景不符合、缺乏多项目检查的有序指引与合理调度、缺乏对复杂医学要素依赖的规则支持等问题，从而造成检查无序、效率低下、患者检查等候时间长等问题。 二、数据应用场景与方法 （一）思路目标 数据资源：基于DCMM数据成熟度模型评价体系的标准规范，采集并汇聚形成标准化的医疗机构医技要素调度数据资源。 数据资产：基于国家公立医院绩效考核要求，以改善患者就医感受、提升患者体验为目标，通过医技检查数据要素分析和建模，改变过去“基于号源数量扣减先来先得预约”模式为“基于患者检查个体化时长预测和复杂规则约束的全院检查资源统筹优化调度”模式，形成以机器学习和资源调度算法为核心的大数据应用，系统性地彻底解决患者候检体验改善、急症重症有序优先、大型设备使用效能提升、医技资源全院统筹利用、检查流程全面优化再造问题。 数据产品：通过将医院医技检查的先进管理理念和研究所的前沿大数据技术的“医工结合”机制创新，封装成可复制、可推广的大数据应用产品，完成医技要素资源一体化预约结果数据集数据知识产权登记，为医学数据资产估值、入表奠定基础，助力医技要素实现数据要素价值。 （二）关键技术（数据要素价值实现路径） 构建自学习的检查耗时预测模型，实现分钟级的精准预约。 本案例开发了基于集成学习技术的医技检查耗时预测模型，采集已有的历史数据构建及训练模型，能够自动学习并准确预测各种检查的耗时，实现分钟级别的精准预约时间分配，极大地提升资源利用效率和患者满意度。 1.数据采集及治理 采集分析一年放射科33万条历史数据记录为基础，包含各种关键的患者就诊信息。经过精细的数据清洗和特征工程步骤，提取了用于训练模型的关键变量，如患者的年龄、性别、检查类型、预约时间以及历史候诊时间等。 2.耗时预测模型构建 ①LightGBM、XGBoost、LSTM模型构建 模型选用了LightGBM和XGBoost这两种高效的基于树的模型，结合LSTM（长短期记忆网络）作为一种深度学习算法，特别适合于处理患者就诊流程中存在的时间序列问题，如候诊时间和检查流程等。 ②通过Stacking集成多模型 采用Stacking集成学习的策略，通过结合多个基模型预测结果形成最终预测。通过集成学习，弥补单一模型的不足，帮助医院优化资源分配，减少患者等待时间，并提高整体医疗运行效率。 3.自学习训练 在模型部署后，采用在线学习的方式使模型持续更新，在遇到新的、之前未见过的数据时自动调整其学习策略，以更好地适应数据变化。 4.基于深度学习的多项目调度模式，实现多项目预约科学调度 研发基于深度强化学习的多项目检查端到端预约调度模型，能够在复杂的医疗环境中进行动态优化和智能调度，克服了传统调度算法难以应对的多项目、多约束的调度问题，确保了调度的科学性和高效性。在真实放射检查预约场景中，采用基于循环神经网络RNN的深度强化学习模型来求解不同规模和规则的医技检查调度问题。 建立一个强大且统一的规则库。规则由数个建立在医技项目本身的基础数据组成，其中包括医学知识，如检查部位、检查用药、检查方法、条件检查、跨科冲突和跨科排斥等；系统集成以上多种预约规则，并结合合并规则、排斥规则、特殊规则等，采用智能算法为患者提供更合理的医技预约安排。 构造一种创新的端到端深度强化学习调度框架，基于三维析取图分派，利用改进指针网络来编码待调度项目各项特征，显著提高调度效率，使得模型能够在不依赖于任何启发式规则的情况下，实时生成连续的检查任务序列。 5.建立医技预约数字孪生平台，实现预约方案仿真预测与决策支持。 可以模拟医院在高峰期间增加临时检查间的效果，或模拟重新分配医疗人员对患者服务时间影响。通过模拟，管理者可评估哪些策略会提升医院的运营效率，哪些可能会引起瓶颈或降低服务质量。此外，还能模拟突发公共卫生事件对医院运行影响，制定应对措施。 三、应用成效与价值 项目上线后，通过分钟级的精准预约，显著降低了患者侯检时长，有效提升医技科室秩序管理。根据医院第83期督导工作报告，CT类项目候检平均时长由原来的1小时以上降至11分钟，MR类项目侯检平均时长由原来的2小时以上降至14分钟，患者侯检时长得到显著降低，患者就医满意度得到提升。 本案例基于在广东省人民医院的实施效果和效应，项目成果开始进入广州市番禺区中心医院转化落地，覆盖番禺区中心医院的放射科、超声、内镜等科室，同时优化医院检验、检查、治疗、手术等统筹调度等。2024年将在上海相关医疗机构开展转化落地，目前上海市第一人民医院、上海交通大学附属新华医院、上海市中医药大学附属第七人民医院等已就本项目成果开展前期调研，成果转化意向。 四、创新与示范意义 （一）理念创新 将患者体验和医院绩效作为医院资源调度的目标函数，将各种规则作为系统优化的约束条件，建立医院医技检查要素资源的全局调度数学模型，实现资源利用的质效提升。 （二）技术创新 基于集成学习技术的医技检查耗时预测模型，提炼包括检查部位、检查方法、条件检查、跨科冲突、项