数据基础
统一来源、口径与质量规则
CENTER 03 · RESEARCH CLUSTER 02
数字健康与
信息医学研究中心
DIGITAL HEALTH & MEDICAL INFORMATICS RESEARCH CENTER中心角色把分散研究数据
转化为连续、可信的科学证据
转化为连续、可信的科学证据
01 CENTER MISSION
中心定位
让健康数据
形成连续证据
数字健康不是把传统流程搬到线上，而是通过标准、系统与分析方法，让研究数据能够被理解、复核和持续使用。
数字健康与信息医学研究中心，是生命健康与医学科技研究集群的数据组织、信息系统与辅助研究单元。
中心承接视觉健康、生物技术、中医药、皮肤科学、营养科学及健康管理等中心形成的课题数据，研究数据标准、信息平台、分析模型和真实世界评价方法，把分散记录组织为可追溯、可比较、可复核的证据体系。
中心不以算法替代专业判断，不把相关性直接解释为因果关系，也不直接提供疾病诊断或治疗结论。模型和系统的价值，必须在明确数据来源、适用人群、评价指标和人工复核机制的基础上验证。
研究平台
支撑课题、随访与多中心协作
分析工具
辅助发现规律和形成研究假设
持续评价
连接阶段验证与真实应用场景
02 CLUSTER RELATIONSHIP
前后协同关系
承接机制与指标
组织数据、模型和持续评价
前一中心回答“研究什么、观察什么”，本中心解决“如何规范记录、如何分析、如何跨时间和场景持续评价”。
专业中心提出问题
明确研究对象、干预过程与应用场景
生物技术形成指标
建立机制、模型与生物评价依据
数字健康组织证据
规范数据、构建系统并开展持续评价
应用中心验证价值
在人群和真实场景中形成反馈
03 RESEARCH DIRECTIONS
六大研究方向
以可信数据为基础
连接研究与健康应用
从数据标准、信息平台到智能分析和成果评价，形成完整但边界清晰的数字研究能力。
健康数据标准与治理
研究数据采集、编码、质量控制和共享规则，使不同中心、不同阶段的数据具有一致含义与可追溯来源。
医学信息系统与研究平台
围绕课题管理、随访观察、指标记录和多中心协作，建设服务科学研究的信息基础设施。
智能辅助研究与分析
利用统计方法、机器学习和知识模型发现数据规律，为研究假设、风险分层和评价设计提供辅助依据。
数字化健康管理
研究连续监测、健康档案、行为反馈与分层服务方法，连接阶段性研究和长期健康管理。
真实世界研究方法
在规范授权和质量控制基础上研究真实应用场景中的人群特征、使用过程与长期结果。
数字健康成果评价
建立从数据可信、模型可靠到场景适用的分级评价框架，为成果转化提供可审查的证据基础。
04 DIGITAL RESEARCH ARCHITECTURE
四层平台架构
从原始记录
走向可审查的研究结论
每一层都有独立质量要求；上层分析不能弥补底层数据来源不清、口径不一或授权不足。
数据采集层
治理标准层
研究分析层
应用服务层
统一证据底座数据目录·指标字典·授权记录·模型版本·审计追踪
05 DATA EVIDENCE LOOP
数据证据闭环
结论必须回到
原始问题与真实场景
通过持续复核和场景反馈，让模型、指标与研究方案共同迭代，而不是形成无法解释的黑箱结果。
问题定义
明确人群、场景与研究目的
指标设计
确定数据来源和评价口径
规范采集
形成授权、完整的原始记录
质量治理
完成清洗、核验和版本管理
分析验证
比较结果并开展人工复核
场景反馈
以真实应用结果修正研究方案
数据、算法与医学边界
数字能力越强
越需要明确责任边界
健康数据具有高度敏感性，任何采集、使用、共享和建模活动，都应坚持合法、正当、必要、授权和可追溯原则。
知情与授权
明确数据用途、范围、期限及相关主体权利
最小必要
只采集完成研究目的所必需的数据
分级保护
依据敏感程度实施访问控制、脱敏与安全管理
模型可解释
记录训练数据、版本、适用范围和关键限制
人工复核
高影响判断不得仅依赖自动化结果
医学边界
研究模型和管理工具不直接等同于临床诊断与治疗
从数据证据进入健康技术评价与成果转化专业研究形成科学问题
专业研究形成科学问题
数字平台形成可持续验证的证据基础
专业问题→指标体系→数据治理→分析验证→应用评价
查看七个中心协同 ↗HEALTH DATA · MEDICAL INFORMATICS · RESEARCH MODELS · RESPONSIBLE AI
发起合作 ↗