联仁大咖说｜看过才知道！真实世界数据究竟有多复杂？

什么是真实世界数据（RWD）

真实世界数据（Real World Data，RWD）是指从传统临床试验以外其它来源获取的健康医疗数据。这些来源包括：大规模简单临床试验、实际医疗中的临床试验、前瞻型观察性研究或注册型研究、回顾性数据库分析、病例报告、健康管理报告、电子健康档案（EHR）等。这些数据是真实世界研究的基石，做好真实世界数据的治理是真实世界研究的重要一环。但是使用这些数据，往往面临诸多困难和挑战，就让我们来了解一下，真实世界数据究竟有多复杂，在使用过程中会遇到哪些问题。

真实世界数据来源杂

真实世界数据往往是从各医院的系统中采集而来，不同的医院，对数据的重视程度不同，并且对每个字段的填写要求不同，会导致最后汇聚起来的数据在同一字段的数据标准不同。举个简单的例子，如【用药剂量】字段，同一种药品有些以mg为单位，有些则以μg（亦可能错写为ug）为单位。若不进行加工统一，计算时将会出现错误，导致分析中产生谬误。

真实世界数据体量大

真实世界数据的数据包括了非常多的内容，就医院数据而言，记录了患者从入院后每一个环节的数据，包括基本信息、住院记录、门诊记录、各项检查数据。仅电子病历（EMR）就包含了近千个字段，每个患者的每次就诊都会产生大量记录。这类体量的数据，其应用已经无法使用传统方法和数据处理工具。

难以处理的长文本字段

在真实世界数据中，有些字段存储着长段的自由文本，有时高达数千字。以现病史、影像报告为例，会包含大量的对于疾病和影像的描述，包括现病历次就诊检查情况，影像所见形状、性质、大小。但这些特征信息被埋藏在自由文本中，如果我们需要从中找到分析研究所需要的信息，这就必须对这些文本进行一些处理，以达到批量生产研究变量的目标。例如智能后结构化，就是处理长文本内容的有效工具。

总结：

数据来源杂，初始数据质量不齐，需要治理、标化；

数据体量大，导致无法用纯人工处理数据；

长文本字段，导致无法简单通过正则匹配的方式进行标化。

因此，RWD在服务于最终的研究目的前，往往需要大量处理和转换工作，这些工作常常占据了研究者50%以上的研究耗时。例如真实世界研究中的关键信息抽取与变量生产，如果使用人工方式，需要耗费大量精力阅读病历等记录，而使用人工智能工具时则可以调用自动化手段，例如正则表达式、智能映射、自然语言处理（NLP）等技术，将疾病特征信息从形态多变的各类结构化和半结构化信息提取出来，再配合医学人员的专业审核，才能使RWD达到研究型数据集（Study dataset）的质量和完整度。

免责声明：本文仅用于解释数据分析的基本技术。这并不意味着为分析结果提供任何医疗建议。

供稿：医药事业部