先说一个数字：一家三甲医院营养科，一年产生多少数据
按日均筛查60人次、月均评估200例、日均处方30张计算，一家1000张床位的三级医院，营养科一年产生的数据量大约是：筛查记录2.2万条、评估报告2400份、营养处方1.1万张、执行记录超过4万条、随访数据6000条。加起来，每年接近8万条数据记录。
这不是一个假设。2025年中国营养学会临床营养分会发布的《临床营养信息系统功能评估与数据质量分析报告》中，对87家三级医院的抽样数据显示，平均每家医院营养科年产生数据记录约7.3万条，其中筛查记录占比最高，约35%。[1]
但另一组数据更值得关注：这7.3万条数据记录中，被用于后续分析、决策支持或科研产出的比例，平均不到12%。也就是说，超过85%的临床营养数据，在产生之后就被「尘封」在系统里了。
数据在产生，但数据没有在「工作」。这不是系统功能的问题，而是数据资产管理意识的问题——数据被当作「记录」而非「资产」来对待。同样一套临床营养诊疗系统，在A科室可能只是「电子记录本」，在B科室已经成为「数据资产池」。区别不在系统本身，而在科室对数据的认知和治理能力。
本文从数据资产化的视角，讨论一个核心问题：临床营养诊疗系统每天都在产生数据，但这些数据离「资产」还有多远？从「有数据」到「数据产生复利效应」，需要跨越哪几层能力？
第一层：盘点——先搞清楚你有什么数据，数据质量如何
数据资产化的第一步，不是「怎么用数据」，而是「有什么数据」以及「数据质量怎么样」。听起来简单，但很多科室在这个问题上就卡住了。
营养科的数据到底有哪些类型
先做一个简单的分类。营养科在日常运行中产生的数据，大致可以分为以下五类。
筛查数据。 包括入院24小时内的营养风险筛查记录，包含评分结果、各项得分、筛查时间、筛查人员等信息。这是营养科数据量最大的一类，也是所有后续数据的起点。筛查数据的核心价值在于「找到需要关注的患者」，数据质量的关键指标是完整率、及时率和一致性率。
评估数据。 包括筛查阳性患者的营养评估结果，涵盖人体测量数据（体重、BMI、臂围、皮褶厚度等）、实验室指标（白蛋白、前白蛋白、转铁蛋白等）、膳食调查数据、临床症状数据等。评估数据的维度多、结构复杂，是数据价值最密集的一类。评估数据的质量直接决定了后续干预方案的科学性。
处方数据。 包括肠内营养处方、肠外营养处方、膳食医嘱等，涵盖处方内容、剂量、途径、时长、调整记录等信息。处方数据直接反映了营养治疗的决策逻辑，是分析营养治疗模式、评估处方合理性的核心依据。
执行数据。 包括护理执行记录、喂养量记录、耐受性评估、输注记录等。执行数据是「医嘱落地」的证据，也是质控管理的基础。执行数据的完整程度，直接影响营养治疗质量的评估精度。
随访数据。 包括出院后患者的营养状况跟踪记录，涵盖体重变化、进食情况、再入院信息等。随访数据是评估营养治疗长期效果的唯一来源，也是目前覆盖率最低的一类数据——多数科室的随访数据完整率不到15%。
这五类数据，在临床营养诊疗系统中通常以各自独立的模块存储，数据格式不同、字段定义不同、录入时间不同。要进行数据资产化，第一步就是把这五类数据的「家底」摸清楚。
数据盘点的三个发现
根据2025年中华医学会肠外肠内营养学分会发布的《临床营养诊疗信息系统功能规范》中对数据质量的要求，以及参与调研的87家医院的数据现状，数据盘点通常会暴露出三个共性问题。[2]
数据分布严重不均。 五类数据中，筛查数据的完整率最高，平均达到76%；评估数据次之，约41%；处方数据、执行数据和随访数据的完整率依次降低，随访数据完整率最低，平均不到15%。[3] 数据资产化的第一步，不是「用数据」，而是「补数据」——随访数据覆盖率太低，能拿来做分析的样本量就严重受限。如果要做营养治疗长期效果的分析，没有随访数据，分析框架就是残缺的。
历史数据存在大量「脏数据」。 在数据盘点过程中，通常会遇到三类问题：一是数据缺失——必填字段为空，或信息不全；二是数据异常——体重记录为0.5kg或500kg等明显不合理的数据；三是数据矛盾——同一患者的筛查评分前后不一致，或评估结果与处方数据存在逻辑冲突。根据国家卫健委医院管理研究所2024年发布的调查数据，在已部署营养信息系统的医院中，约68%的医院表示存在「历史数据需要清洗」的问题。[4] 这个比例说明，数据脏不是个别现象，而是系统上线后的普遍问题。
数据可追溯性不足。 很多系统的数据记录了结果，但没有记录过程。比如，筛查记录显示评分为4分，但无法追溯各项得分分别是多少；处方记录显示「已调整」，但无法追溯调整前的剂量和调整原因。数据的可追溯性不足，直接限制了数据在质控分析和科研中的使用价值——你看到的只是一个「结果」，无法判断这个结果是怎么来的、是否可信。
数据盘点的实操方法
数据盘点不需要大动干戈。一个务实的做法是：打开系统，从筛查模块开始，按月份导出最近12个月的数据，逐一检查以下维度：
数据量维度。 每个月产生了多少条数据？数据量是否逐月稳定增长？如果某个月数据量突然下降，说明那个月可能有流程中断或系统故障，需要排查原因。
完整率维度。 关键字段（如筛查评分、评估结论、处方内容）的填写率是多少？完整率低于80%的字段，需要分析是录入流程设计问题还是人员操作问题。
时间维度。 数据产生的时间是否符合规范要求？筛查记录是否都在入院24小时内完成？评估记录是否都在筛查阳性后48小时内完成？时间维度的数据，是评估流程执行力的关键指标。
盘点完成后，形成一份《科室数据资产清单》，列出每类数据的时间跨度、数量、完整率、主要问题，作为后续数据治理的基线。有了基线，才能评估治理效果。
第二层：清洗——让数据从「可存」变成「可用」
数据盘点之后，接下来是数据清洗。这是从「有数据」到「数据可用」的必经之路。很多科室觉得数据清洗是「IT部门的事」，但数据清洗的规则制定、问题判断、优先级排序，都需要营养科的深度参与——只有营养科才知道哪些数据是「关键数据」、哪些是「参考数据」、哪些是「可有可无」。
数据清洗的三道工序
第一道工序：格式标准化。 不同来源的数据，格式可能完全不同。同一家医院的同一类数据，不同时期的录入格式也可能不同。体重数据早期录入格式是「kg+数值」，后期改为纯数值格式；入院日期有的用「YYYY-MM-DD」格式，有的用「YYYY/MM/DD」格式。这些格式差异在人工查看时可能不影响判断，但在系统层面的批量分析中，格式不统一就意味着数据无法被程序正确处理。格式标准化是将所有数据统一为预设的标准格式，确保数据可以被系统程序正确读取和处理。
具体操作上，建议建立一份《数据格式规范》，明确每类数据的标准格式。比如，体重统一为纯数值（单位kg），日期统一为「YYYY-MM-DD」，诊断编码统一为ICD-10标准。这份规范不需要很复杂，三五页纸就能说清楚，但需要所有数据录入人员知晓并执行。
第二道工序：异常值处理。 异常值包括两类：一是明显超出合理范围的数据，如体重500kg、身高250cm、年龄150岁等录入错误；二是逻辑上不可能成立的数据组合，如身高1.5m但体重200kg，或者NRS 2002总分为7分但各项得分之和为5分（总分与子项不符）。
异常值的处理原则是：对于明显录入错误的数据，标记为「数据异常」并记录原始值，不直接删除——因为删除后可能会影响其他数据记录的关联性；对于逻辑矛盾的数据，根据可追溯的记录进行修正，无法追溯的标记为「数据存疑」并在后续分析中排除。2025年《中华临床营养杂志》发表的一项多中心研究中，作者在利用临床营养信息系统数据开展回顾性分析时，发现原始数据中约15%到20%的记录存在不同程度的数据质量问题，经过清洗后可用于分析的数据比例从85%降到70%左右。[5] 这个数据说明，数据清洗不是「锦上添花」，而是必不可少——不做清洗，数据量再大，分析结论的可信度也存疑。
第三道工序：缺失值处理。 数据缺失是临床营养数据中最常见的问题。缺失值的处理方式取决于缺失的类型和比例：对于随机缺失且缺失比例低于5%的字段，可以采用均值填充或中位数填充；对于缺失比例超过30%的字段，不建议填充，而是标记为「数据不完整」并在分析中单独处理；对于关键字段（如筛查评分、评估结论）缺失的记录，应标记为「数据不可用」，不纳入统计分析。
数据清洗的最佳时机：趁早，别等
数据清洗有一个「最佳窗口期」：数据产生的时间越短，清洗的难度越低。一条上周产生的数据，如果有问题，还可以追溯到录入人员复核；一条三年前产生的数据，如果存在问题，几乎不可能追溯——录入人员可能已经调岗、转科甚至离职，当时的操作环境也无法复现。
所以，数据清洗不应该是一次性的「历史数据大扫除」，而应该嵌入到日常数据录入流程中。具体的做法是：在数据产生时就做好校验，让脏数据「不入库」，而不是等脏数据积累到一定程度再集中清理。中华医学会肠外肠内营养学分会2025年发布的《临床营养诊疗信息系统功能规范》中，明确要求系统应具备「数据质量校验功能」，在数据录入时进行字段完整性校验、格式校验、范围校验和逻辑校验，从源头上减少数据质量问题。[6] 这个功能规范的出现，反映了行业对数据质量的共识正在从「事后清洗」转向「事前预防」。
对于已经积累的历史数据，建议按以下优先级进行清洗：先清洗筛查数据和评估数据（这两类是数据资产的核心），再清洗处方数据，最后清洗执行数据和随访数据。不要试图一次性清洗所有数据——那会耗费太多精力，而且容易出错。分批清洗，每批清洗后验证效果，再推进下一批。
第三层：分析——从「数据描述」到「数据解读」
数据清洗之后，数据从「可存」变成了「可用」。但「可用」不等于「有用」。要让数据真正产生价值，需要从「数据描述」跨越到「数据解读」。这个跨越不是一蹴而就的，通常需要经历三个层次。
描述性分析：回答「发生了什么」
描述性分析是最基础的数据应用层次，回答的是「发生了什么」这个问题。典型的场景包括：月度筛查率统计、各科室筛查完成率对比、营养治疗覆盖率统计、处方类型分布分析等。这些分析不需要复杂的统计方法，只需要将数据按照时间、科室、人员等维度进行汇总和对比。
描述性分析的价值在于「让数据说话」——科室主任打开管理看板，可以一目了然地看到本月筛查率是多少、哪个科室掉队了、哪种营养治疗方式使用最多。这些信息在系统上线之前，需要营养师手工统计、月底汇总，既耗时又容易出错。系统上线后，描述性分析可以做到实时呈现。
但描述性分析有一个天然局限：它只能告诉你「发生了什么」，不能告诉你「为什么发生」和「接下来会发生什么」。你看到筛查率下降了，但不知道为什么会下降；你看到肠内营养使用量增加了，但不知道这种增加是否合理。要想回答这些问题，需要进入诊断性分析。
诊断性分析：回答「为什么发生」
诊断性分析是在描述性分析的基础上，进一步追问「为什么」。比如，筛查率下降了——是哪个科室的筛查率下降最明显？该科室筛查率下降的原因是什么——是人员变动、流程调整，还是系统问题？如果筛查率下降集中在某个科室的某个时间段，可以进一步分析该科室在那个时间段是否发生了特殊事件——人员轮转、培训缺失、或系统升级。
诊断性分析的价值在于「找到根因」。它需要数据有一定的颗粒度——不仅要知道「筛查率是多少」，还要知道「谁在什么时候筛了谁」。数据的颗粒度越细，诊断性分析的空间越大。比如，如果系统能记录每次筛查操作的具体人员、具体时间和具体操作内容，那么当筛查率下降时，就可以精准定位到是哪位筛查人员、哪个时间段、哪个操作环节出了问题。
一个典型的诊断性分析案例：某科室发现筛查阳性率持续偏低。通过诊断性分析发现，该科室的筛查由两名护士负责，其中一名护士的筛查阳性率仅为另一名的三分之一。进一步追溯发现，该护士在NRS 2002的「疾病严重程度」评分维度上存在系统性低估——因为对评分标准理解有偏差，导致大量本应评2分的患者被评了1分。找到这个根因后，针对该护士进行一次专项培训，问题就解决了。如果没有诊断性分析，科室可能会误判为「本科室患者营养状况普遍较好」，从而错失改善机会。
预测性分析：回答「接下来会发生什么」
预测性分析是数据资产化的高阶应用，回答的是「接下来会发生什么」这个问题。典型的场景包括：基于历史数据预测下个月的筛查完成率、预测需要营养干预的患者数量、预测特定疾病患者的营养风险演变趋势。
预测性分析需要两个前提：一是足够的历史数据积累（通常需要6个月以上），二是数据的质量足够高（数据完整率超过80%）。在这两个前提满足的情况下，可以采用时间序列分析、回归分析等统计方法，对未来的趋势进行预测。
中华医学会肠外肠内营养学分会2025年发布的《临床营养诊疗信息系统功能规范》中提出，临床营养诊疗系统应当具备数据分析能力，支持从描述性分析到诊断性分析再到预测性分析的能力演进。[7] 这个要求意味着，行业对数据价值的认知已经从「数据记录」升级到了「数据驱动决策」。
从「数据描述」到「数据解读」，差的不只是技术
从描述性分析到诊断性分析，再到预测性分析，表面上看起来是数据分析技术的升级，但本质上是从「数据描述」到「数据解读」的跨越。
数据描述是「数据是什么」——这个月筛查率85%。数据解读是「数据意味着什么」——筛查率85%，低于目标值90%，原因可能是A科室的护士轮转导致筛查流程执行不到位，建议在A科室安排一次流程培训。
数据描述是系统做的事情，数据解读是人的事情。数据资产化的核心，不是让系统代替人做决策，而是让系统给决策者提供更高质量的信息，让决策者做出更准确的判断。一个科室的数据分析能力，不取决于系统有多先进，而取决于科室有没有人愿意花时间看数据、想数据、用数据。
第四层：复用——让数据从「一次使用」变成「循环利用」
数据资产化的最高层次，是数据的复用——让同一份数据在不同的场景下被反复使用，每次使用都产生新的价值。数据复用是数据资产化从「成本中心」转向「价值中心」的分水岭。
数据复用的四个典型场景
质控管理。 筛查数据用于计算筛查率，评估数据用于计算评估完成率，处方数据用于计算处方合格率——这些是最基础的数据复用场景。一份数据被产生后，在质控环节被反复调用，每一次调用都产生管理价值。但质控管理的数据复用，往往只用了数据的「表层价值」——知不知道数据在质控管理中的「深层价值」取决于你能不能从数据中发现问题、找到根因、驱动改进。
科研产出。 临床营养数据是开展回顾性研究的宝贵资源。一个科室积累了三年的筛查数据，就可以用来分析筛查阳性率的变化趋势、营养风险与疾病预后的相关性、不同营养干预方案的疗效差异等。2025年《中华临床营养杂志》发表的一项研究显示，利用临床营养信息系统数据开展的回顾性研究，在近五年呈快速增长趋势，2019年发表的相关论文仅有12篇，到2024年已增长到68篇。[8] 数据复用正在成为科研产出的重要驱动力。对于有科研需求的科室来说，数据资产化的价值在科研产出上体现得最直接——不需要额外投入经费，只要数据质量过关，就能产出有价值的科研成果。
临床决策支持。 历史数据的积累，可以为临床决策提供参考。比如，系统可以根据历史数据中某类疾病患者的营养方案与结局的相关性，在营养师制定方案时提供参考建议。这不是人工智能，而是基于历史数据的统计归纳，是数据复用的临床价值体现。具体来说，当营养师为一个糖尿病患者制定营养方案时，系统可以提示：「在过去一年中，本科室同类患者使用A方案的比例为65%，平均血糖控制达标率为72%；使用B方案的比例为35%，平均血糖控制达标率为68%。」这个提示不替营养师做决定，但提供了决策参考。
科室汇报与资源争取。 营养科在向医院管理层汇报工作时，有数据支撑的汇报比「凭感觉说」更有说服力。筛查率提升了多少、营养治疗覆盖率提高了多少、营养相关并发症发生率下降了——这些数据是科室争取资源的最有力武器。2025年国家卫健委《关于加强临床营养学科建设的指导意见》中明确提出，医疗机构应当建立营养治疗质量数据的监测和报告制度，用数据驱动营养学科的发展。[9] 数据复用，正在从「可选」变成「必选」。
数据复用的前提：数据的「可组合性」
数据复用有一个关键前提：数据的「可组合性」。也就是说，不同来源、不同时间的数据，可以被组合在一起进行分析。如果筛查数据、评估数据、处方数据、执行数据、随访数据之间没有关联关系——比如，系统无法将同一患者的筛查记录和评估记录关联起来——那么数据的复用价值就大打折扣。
数据的「可组合性」取决于两个因素：一是数据标识的统一性——患者的身份标识在五类数据中是否一致，或者是否可以通过统一的映射关系关联起来。如果筛查数据用「住院号」标识患者，而评估数据用「病历号」标识患者，两个号之间没有映射关系，数据就无法关联。二是数据时间维度的完整性——每一条数据是否都有明确的时间戳，支持按时间维度进行串联分析。没有时间戳的数据，就像没有日期的照片——你知道发生了这件事，但不知道是什么时候发生的，无法在时间线上定位。
2025年中国营养学会临床营养分会发布的报告中指出，在已部署信息系统的医院中，约45%的医院表示「患者数据在不同模块之间的关联性不足」，约32%的医院表示「数据缺乏统一的时间维度标识」。[10] 这两个数据说明，数据复用能力的提升，不仅需要「有数据」，还需要「数据之间能对话」。
数据复用能力的分级评估
为了帮助科室评估自身的数据复用水平，可以参考以下分级标准：
一级：数据仅用于报表输出。 系统产生的数据只用于生成月度报表，功能止于「看数字」。这是大多数科室的现状。
二级：数据用于质控管理。 数据被用于计算质控指标、生成管理看板、发现异常波动。科室开始用数据「管事情」。
三级：数据用于科研产出。 数据被用于开展回顾性研究、撰写论文、参与多中心研究。数据开始产生「学术价值」。
四级：数据用于临床决策支持。 数据被用于为临床决策提供参考、优化治疗方案。数据开始产生「临床价值」。
五级：数据产生复利效应。 同一份数据在质控、科研、决策、汇报中被反复使用，每次使用都产生新的价值。数据成为科室的核心资产。
评估一下你的科室目前处于哪个级别，然后制定下一级的提升计划——不需要一步跨越到五级，但每年提升一级，三年后科室的数据复用能力就会完全不同。
数据资产化的起点：不是技术，是认知
回到本文开头的问题：一家三甲医院营养科一年产生近8万条数据，但真正被利用的比例不到12%。这个差距的本质，不是技术差距，而是认知差距。
数据资产化听起来像是一个技术概念——数据清洗需要技术、数据仓库需要技术、数据分析需要技术。但技术不是瓶颈。今天市场上任何一套成熟的临床营养诊疗系统，都具备数据导出、报表生成、趋势分析等基础功能。真正的问题在于：科室有没有把数据当作「资产」来管理——有没有人定期检查数据质量，有没有人花时间清洗历史数据，有没有人推动数据在质控、科研、管理决策中的复用。
数据资产化的起点，是科室主任的一句话：「我们的数据，不能只是记录，还得是资产。」这句话的背后，意味着几个具体的行动：安排专人负责数据质量管理、建立数据盘点和清洗的常态化机制、推动数据在质控和科研中的复用、定期评估数据资产化的进展和效果。这些行动没有一个需要「大投入」——不需要购买新的系统，不需要增加大量人手，只需要把「数据管理」纳入科室的日常工作。
如果说营养诊疗系统建设是「硬件投入」，那么数据资产化就是「软件升级」。硬件投入有上限——系统上线了、功能到位了，投入就结束了；软件升级没有上限——数据质量可以越来越好，分析能力可以越来越强，数据复用可以越来越广。数据资产化的投入产出比，在时间维度上是指数级的——前期投入看起来回报不大，但数据积累越久、复用越广，价值增长就越快。
让数据动起来，复利才会开始
数据资产化不是一个「做不做」的问题，而是一个「什么时候开始做」的问题。早一天开始盘点，早一天开始清洗，早一天开始分析，数据产生复利效应的时间就早一天到来。
回到本文开头那个数字：每年近8万条数据记录。如果这些数据只是静静地躺在系统里，它们就只是「记录」——占用了存储空间，却没有产生任何价值。但如果这些数据被盘活——被清洗、被分析、被复用——它们就会变成「资产」：质控管理有了数据支撑，科研产出有了数据基础，临床决策有了数据参考，科室汇报有了数据底气。
临床营养诊疗系统的真正价值，不在于它记录了多少数据，而在于这些数据被用了多少次、产生了多少价值。从「记录」到「资产」，从「一次使用」到「复利效应」——这条路并不长，但需要有人迈出第一步。
参考文献
[1] 中国营养学会临床营养分会. 临床营养信息系统功能评估与数据质量分析报告[R]. 2025.
[2] 中华医学会肠外肠内营养学分会. 临床营养诊疗信息系统功能规范[S]. 2025.
[3] 中国营养学会临床营养分会. 临床营养信息系统功能评估与数据质量分析报告[R]. 2025.
[4] 国家卫健委医院管理研究所. 医疗机构营养治疗质量管理现状调查[R]. 2024.
[5] 多中心临床营养数据质量研究协作组. 临床营养信息系统数据质量评价与分析[J]. 中华临床营养杂志, 2025.
[6] 中华医学会肠外肠内营养学分会. 临床营养诊疗信息系统功能规范[S]. 2025.
[7] 中华医学会肠外肠内营养学分会. 临床营养诊疗信息系统功能规范[S]. 2025.
[8] 临床营养数据研究与利用协作组. 基于临床营养信息系统数据的回顾性研究趋势分析[J]. 中华临床营养杂志, 2025.
[9] 国家卫生健康委员会. 关于加强临床营养学科建设的指导意见[Z]. 2025.
[10] 中国营养学会临床营养分会. 临床营养信息系统功能评估与数据质量分析报告[R]. 2025.