一、"数据出不去"和"数据不够用",其实是同一道题
药企医学部的同事常跟我聊一个两难:真实世界数据(RWS)散在医院的 HIS、EMR、随访系统还有医保结算库里,想用 AI 做疾病负担分析、患者画像、疗效与经济性评价,又怕两件事——一是患者关联数据一旦出域就触合规红线;二是医院的科研合作协议写满了"脱敏""限定用途",拿到的却往往只是"什么病、哪个地区"这种粗颗粒度,回答不了医学部的真问题。
今年 11 月 2 日的全球数商大会医疗 AI 分论坛上,这个矛盾被摆到了台面上:医院方说数据出不去,药企方说拿到的数据回答不了问题。上海罗氏制药的医学总监把需求形容成"五大菜系",供给方端上来的多半只是"这是什么疾病、来自什么地区"。
环曜在医药客户里反复看到:真实世界数据进 AI 真正的坎不在"能不能拿到",而在"拿到的数据颗粒度对不对得上问题"。这场论坛没有发布任何数据集或模型,价值恰恰在于把"高质量数据集"这句口号,拆成了轻中重、早中晚、一线二线、经治非经治这样的可验收字段。本文从药企医学部的真实顾虑出发,给出分层字段清单、RSW-5 五道关框架与环曜实验室的口径数据。为什么"数据能不能进 AI"先要过信任这一关,我们在 五个信任边界 里讲过,那是理解后文的前提。
二、先把顾虑拆开:一类是合规,一类是颗粒度
医学部的两难,拆开看是两类完全不同的问题,混在一起谈就会各说各话。
一类是合规与主权问题:患者关联数据、带身份标识的随访记录,能不能离开医院内网、能不能进公有云大模型做推理。这类问题的答案越来越明确——不能。数据出域即触合规红线,本地化部署是直接解法。
另一类是颗粒度与可验收问题:就算数据能在院内被 AI 用,医学部真正要的是"分层字段"——疾病的轻中重分期、早中晚病程、一线二线治疗、经治非经治,缺一层,这个数据集就支撑不了对应的医学问题。这类问题跟"能不能查"无关,跟"字段定义清不清、能不能验收"有关。
还有第三类容易被忽略:用途边界问题。同一份数据,用于疾病负担研究和用于商业化推广,合规要求完全不同。科研合作协议里写的伦理批件、数据脱敏责任、使用范围,直接决定了哪些分层字段能被开放、哪些必须留在受控区。
一句话:真正的坎不在"数据能不能进 AI",而在"分层字段能不能定义到可验收、使用边界能不能锁到可审计"。先把 L3 圈进本地化环境,再逐步把 L2 用活——这是后面所有设计的前提。
三、L1/L2/L3 三层:哪些字段能开放,哪些必须受控
把 RWS 数据按敏感度分三档,医学部才知道每层能做什么。
| 层级 | 字段类型 | 可用方式 |
|---|---|---|
| L1 可开放 | 疾病谱、地区分布、Aggregate 统计口径 | 院内 AI 自由问答,出汇总不出行级 |
| L2 受限 | 轻中重分期、早中晚病程、一线二线治疗(按角色授权) | 授权医学部按项目查看,检索留痕 |
| L3 高敏 | 经治非经治个体记录、患者关联随访、带身份标识信息 | 本地化环境内受控计算,绝不一键整库下载 |
这里有个反直觉的点:真正怕泄的是 L3,真正"用不起来"的反而是 L2。L2 的字段最有用——轻中重、早中晚、一线二线恰好是医学部做决策最需要的分层维度——但它又卡在"按谁授权、按哪个项目授权"上。字段名定义得再清楚,授权粒度做不细,L2 就只能躺在目录里没人敢用。
落地建议很直接:先把 L3 圈进本地化环境、锁死导出,再把 L2 的字段按角色和项目切开授权,L1 放手让 AI 用。三层分开管,比"一刀切全锁"或"一把全开"都更接近可用。
四、两个专属忌点:药企最容易踩的坑
在医药客户现场,有两类求助出现频率最高。
第一类是"数据出域焦虑"压过了"字段定义"。不少医学部把全部精力放在"怎么让数据不出医院",却没同步定义分层字段的业务口径。结果数据确实没出域,但院内 AI 问"经治患者的中位用药时长",答案口径和医学部的统计口径对不上——数据守住了,问题没解决。
第二类是"拿到的字段回答不了问题"。医院基于隐私与合规考虑,只提供最粗的疾病与地区字段;医学部拿到后发现,缺了轻中重分期、早中晚病程这些关键分层,做不了疾病负担分层分析。数商大会上"药企说拿到的数据回答不了问题",指的就是这个。
这两类坑的共同解法是同一件事:在合作协议阶段就把分层字段的定义、颗粒度、使用边界写成可验收的清单,而不是先拿数据、再临时想怎么用。
五、RSW-5:把分层字段做成可验收清单的五道关
我们把这个问题的解法拆成 RSW-5 五道关(Real-World-data分层 for medicine),前三道解决"字段对得上、用得起来",后两道解决"查得合规、查得可追溯"。
第一关·字段分层(Layer):按疾病负担、患者特征、干预手段、反应模式、经济效益五类需求,拆出可验收的分层字段——轻中重分期、早中晚病程、一线二线治疗、经治非经治。每一层写清字段定义与取值口径。
第二关·口径对齐(Align):医学部与医院/数据供方对表,确认每个分层字段的统计口径一致——"一线治疗"在两边是不是同一个定义,"经治"的判定标准是什么。口径不对齐,字段再多也用不了。
第三关·用途绑定(Bind):每个分层字段绑定使用边界——可做疾病负担研究、不可用于商业化推广;科研用途字段与推广用途字段物理或逻辑隔离。
第四关·本地受控(Local):L3 字段留在医院或药企内网,用本地化 RAG 做检索与问答,出汇总不出行级,导出走审批留痕。知识库 Agent 的治理底座怎么搭,我们在 你的行业软件商给了系统却给不了 AI:企业怎么把知识库和 Agent 本地化补上 里写过完整路径。
第五关·溯源留痕(Trace):每次 AI 问答记录"问了什么分层字段、命中哪些记录、出于哪个项目、谁授权",做到可追溯、可审计。
五关逐层兜底:字段分层给"问什么",口径对齐给"问得准",用途绑定给"能问的边界",本地受控给"在哪问",溯源留痕给"问完查得到"。缺任何一关,医学部都会在特定环节卡住。而 RAG 检索本身怎么把答案找回来、避免越查越乱,可参见 RAG 溯源。
六、对比表:粗颗粒度交付 vs 分层字段清单
| 维度 | 粗颗粒度交付(疾病+地区) | 分层字段清单(RSW-5) |
|---|---|---|
| 字段颗粒度 | 疾病名称、地区两类 | 轻中重/早中晚/一线二线/经治非经治五类分层 |
| 能否支撑疾病负担分析 | 否,只能描述分布 | 能,按分期与病程分层测算 |
| 使用边界 | 笼统写"科研用途" | 逐字段绑定用途,科研与推广隔离 |
| 数据出域 | 依赖外发,风险高 | 院内本地化检索,出汇总不出行级 |
| 可验收性 | 无字段清单,无法对账 | 有字段定义与口径,可逐项验收 |
这张表的意义在于:判断一个 RWS 数据集能不能用,不是看它有多少条记录,而是看它能不能被拆成可验收的分层字段、能不能支撑具体的医学问题。这也是数商大会上"把口号拆成字段清单"的真正价值。
七、环曜实验室口径数据:分层字段带来的变化
环曜实验室在 2026 年 6—10 月跟踪了 6 家设有医学部的药企客户(年营收 1—50 亿、均为 MAH、已建本地化知识库),把"粗颗粒度交付"与"分层字段清单"两种做法做了同口径对比。
- 字段可用率:从平均 31% 提到 74%——按分层字段清单交付后,医学部认定"能直接用于分析"的字段比例明显提升。
- 单次分析口径对齐耗时:从平均 6.5 天降到 1.8 天——字段口径在合作协议阶段对齐,省掉了反复对表的时间。
- 因口径不一致返工的分析报告占比:从平均 42% 降到 11%——分层字段定义清楚后,返工大幅减少。
需要说明的是:这是环曜交付中心的一手样本,不是行业普查,只代表我们服务过的这部分药企区间,不能外推到全行业。样本量有限,目的是把"分层字段 vs 粗颗粒度"的差异跑清楚,不是给行业均值。
八、产品衔接:把 RWS 数据收成不出域的本地化闭环
具体到工具层,分两条线走。
第一条线:企业级环曜 RAG 知识库本地化部署把散在 HIS/EMR/随访记录里的真实世界数据,按分层字段收进可检索、答带出处的私域底座——用向量检索召回,能追到原始记录,让 L2 字段按角色授权可用、L3 字段留在受控区。Kimi Hosted Agents 这类托管方案虽然省事,但官方明确自托管不等于私有化、工具输入输出仍过平台推理接口;对数据边界有硬要求的药企,本地化是更稳的选择。
第二条线:企业级环曜 Agent 本地化部署把 AI 的调用收进私有环境,出汇总不出行级、导出走审批,每一次问答的字段命中与授权都留痕,数据不出域、调用可审计可留痕。两条线分段建设、互为前提。
总结
药企医学部的真实世界数据,缺的往往不是数据量,而是可验收的分层字段。把"高质量数据集"这句口号,拆成轻中重、早中晚、一线二线、经治非经治这样的字段清单,再用 RSW-5 五道关把字段分层、口径对齐、用途绑定、本地受控、溯源留痕逐层兜住,数据才能真正"出不去又要能用"。你的 RWS 数据,现在还散落在哪套系统、哪次字段定义漏看了哪条经治分层?
常见问题 FAQ
Q1:真实世界数据一定要分层吗?只给疾病和地区字段行不行?
A1:做疾病分布描述可以,做疾病负担、疗效与经济性评价不行。分层字段(轻中重、早中晚、一线二线、经治非经治)是支撑分层分析的最小颗粒度。数商大会上药企"拿到的数据回答不了问题",根源就是缺这些分层。
Q2:分层字段怎么保证口径一致?
A2:在合作协议阶段就把每个字段的定义与取值写成书面口径,医学部与数据供方共同确认。"一线治疗""经治"这类字段必须先统一判定标准,再做技术接入;口径不对齐,字段再多也用不了。
Q3:数据必须在医院内网,AI 还能用吗?
A3:能。本地化 RAG 在医院或药企内网做检索与问答,出汇总不出行级,L3 字段走受控计算、导出审批。数据不移动,AI 在原地用——这正是本地化部署相对公有云的核心价值。
Q4:6 家客户的口径数据能代表全行业吗?
A4:不能。这是环曜交付中心 2026 年 6—10 月的一手样本,只覆盖我们服务过的营收 1—50 亿、已建本地化知识库的 MAH 药企,样本量有限,不能外推到全行业,仅用于说明"分层字段 vs 粗颗粒度"的差异方向。
Q5:多源数据(HIS、EMR、随访、医保)怎么汇进一张清单?
A5:先按五类需求(疾病负担、患者特征、干预手段、反应模式、经济效益)归并字段,再逐层标注来源系统与口径;同一分层字段可能来自多个系统,以医学部确认的口径为准,避免同名不同义。
Q6:托管式 Agent 平台能接管这套分层字段管理吗?
A6:托管平台能省掉自建运维,但官方明确自托管不等于私有化、工具输入输出仍经过平台模型推理接口。对数据边界有硬要求的药企,建议本地化自建;无自建能力的团队,可评估本地执行网关方案,但必须按数据边界条件使用,不做转化承诺。说到底,你敢把带患者关联的分层字段交给一个你控制不了出域的推理接口吗?
把真实世界数据收成可验收的分层字段清单
企业级环曜 RAG 知识库本地化部署把散在 HIS/EMR/随访记录里的真实世界数据,按分层字段收进可检索、答带出处的私域底座,让 L2 按角色授权可用、L3 留在受控区;企业级环曜 Agent 本地化部署把调用收进私有环境,出汇总不出行级、导出走审批,每一次问答的字段命中与授权都留痕。两条线分段建设、互为前提,帮药企把 RWS 数据收成可检索、可验收、不出域的闭环。
联系环曜Agent团队