一、政策定调：数据质量不是”锦上添花”，而是”必选动作”

2025年，国家卫健委在三级医院评审标准修订中，将营养风险筛查覆盖率、营养评估完成率、营养治疗达标率等数据指标纳入核心质量监测体系，要求医院定期上报。2026年，相关考核权重进一步加码，部分省份已将上述指标与医院等级评审结果直接挂钩。与此同时，国家卫健委《关于加强临床营养科建设与管理的通知》明确提出，临床营养诊疗系统应实现”评估—诊断—治疗—评价”的数据闭环。

政策层面的信号很清晰：临床营养数据不再是科室内部的”管理参考”，而是医院质量评价体系中的硬指标。数据上报的准确性、完整性、一致性，直接关系到医院的评审结果和等级评定。

但一个容易被忽视的问题是：数据质量管控的起点，不在数据上报环节，也不在分析报表环节，而在数据录入的源头。筛查数据是谁录入的？评估数据是在什么条件下录入的？录入时有没有标准化选项约束？这些看似”基础”的问题，恰恰决定了整个临床营养诊疗系统数据质量的天花板。

北京市医院管理中心2025年对辖区内14家三级医院的临床营养信息系统数据质量做了一次专项抽查。结果发现：在营养风险筛查记录中，关键字段（如BMI、体重变化、膳食摄入量等）的完整录入率平均为71%，其中完全无逻辑错误（如BMI与身高体重数据自洽）的记录占比仅为53%。换句话说，将近一半的筛查记录，在录入环节就存在质量问题。[1]

这组数据说明一个事实：临床营养诊疗系统的数据质量建设，必须从入口抓起。数据在录入阶段如果”先天不足”，后续的数据分析、质控评估、决策支持，全都建立在有缺陷的基础之上。

二、六个隐性偏差源：数据录入环节的”看不见的漏洞”

数据录入环节的偏差，不是操作人员的”有意为之”，而是系统设计、流程设计、人员习惯三方面因素交织的结果。以下六个偏差源，是临床营养诊疗系统在数据采集阶段最容易被忽视的”质量漏洞”。

偏差一：字段释义不清晰，同一指标不同理解

营养筛查和评估量表中包含大量需要专业判断的字段。以NRS 2002筛查表为例，其中”疾病严重程度评分”这一项，需要评估者根据患者当前疾病状态判断其属于”轻度”（1分）、”中度”（2分）还是”重度”（3分）。但不同科室、不同年资的营养师，对同一疾病状态的严重程度判断，差异可能相当大。

一项针对某三甲医院营养科的实际数据回测显示：同一份NRS 2002筛查表，由5名不同年资的营养师分别独立评分，结果完全一致的比例仅为62%。在”疾病严重程度”这一项上，评分差异尤为突出——同一患者，有人评为1分，有人评为2分，差异直接影响了后续的营养治疗决策优先级。[2]

这个问题的根源，不是营养师”不专业”，而是系统字段的释义和评分标准指引不够清晰。系统在设计录入界面时，如果只在字段旁边放一个简单的字段名，而不提供评分标准的具体说明、典型病例对照、以及常见分歧点的提示，不同评估者之间的”主观偏移”就难以避免。

偏差二：录入时机不当，数据时效性打折扣

营养筛查有明确的时效性要求。国家卫健委规定，住院患者应在入院24小时内完成营养风险筛查。但在实际执行中，很多医院的筛查录入时间远远滞后于入院时间。

2025年一项覆盖华东地区11家三级医院的调研数据显示：营养风险筛查在入院24小时内完成的比例约为58%，但筛查数据录入系统的时间，平均滞后于实际筛查完成时间约4.7小时。更值得关注的是，有约15%的筛查记录，是在患者入院48小时之后才录入系统的。[3]

录入延迟带来的数据质量问题，不仅仅是”时效性不足”那么简单。当录入时间与筛查时间之间出现较大间隔时，评估者可能依赖记忆而非实时记录来填写筛查表，这会导致数据准确性的系统性下降。尤其是一些动态变化的指标——如体重变化、膳食摄入量、急性疾病状态等——间隔时间越长，记忆偏差越大。

偏差三：选项约束不足，自由文本替代结构化录入

临床营养诊疗系统在设计中，对数据录入方式的约束程度，直接影响数据质量。一个常见的”质量陷阱”是：系统允许用户用自由文本替代结构化选项录入关键字段。

以”膳食摄入量评估”为例，理想的设计是提供结构化选项——“正常进食/进食减少至75%/进食减少至50%/进食减少至25%/几乎未进食”——而不是让用户自己输入”患者吃得不太好”这样的自由文本。自由文本录入虽然提高了录入的灵活性，但带来了两个问题：一是数据无法被后续的分析模块自动处理，二是不同录入者的描述方式差异巨大，同一状态可能被表述为”吃得少””食欲差””进食量减半”等多种方式，数据的一致性无法保证。

某省级临床营养质控中心2025年对辖区内医院临床营养信息系统的数据录入方式做了一次专项调查，发现：在已部署临床营养诊疗系统的医院中，营养评估模块中仍存在自由文本输入字段的比例约为34%。而在这些自由文本字段中，能够被后续数据分析模块自动识别的，不足20%。[4]

偏差四：单位与换算不一致，隐蔽的逻辑错误

营养数据录入中，单位错误是最隐蔽、也最危险的数据质量问题之一。体重是用公斤还是斤？能量摄入是用千卡还是千焦？蛋白质摄入是用克还是克/公斤体重？这些看似简单的单位问题，在实际录入中经常出现混淆。

一组值得警惕的数据：某医院临床营养诊疗系统上线后，数据团队在季度数据稽核中发现，营养评估模块中记录的”每日能量摄入”数据，约6%的条目的数值明显偏离正常范围——有的患者”每日能量摄入”显示为35000千卡，有的显示为8千卡。经查，前者是将”千焦”误录为”千卡”（1千卡≈4.184千焦），后者则是录入时遗漏了小数点。这些单位错误和录入错误，在数据审查阶段被纠正，但在此之前，它们已经进入了营养处方剂量计算模块，直接影响了部分患者的剂量计算结果。[5]

系统在设计录入界面时，如果没有对关键数值字段做范围校验和单位标准化，这类”低级错误”就会持续发生，且不易被及时发现。

偏差五：评估工具的切换与衔接，数据连续性的”断点”

同一个患者，在住院期间可能经历多次营养评估——入院时的NRS 2002筛查、转入ICU后的mNUTRIC评分、出院前的MUST评估。不同评估工具关注的角度不同，评分标准不同，数据格式也不同。当患者从某一科室转到另一科室，从某一评估阶段进入下一阶段时，评估数据的衔接，就成了数据质量管控的”断点”。

临床营养诊疗系统在设计时，如果不同评估工具的数据是独立存储、各自为政的，那么同一患者在不同评估工具之间的数据就无法形成连续的”数据轨迹”。患者的体重变化、膳食摄入量趋势、营养风险评分的变化曲线——这些对临床决策极有价值的时间序列数据，就因为评估工具之间的数据隔离而丢失了。

偏差六：操作人员变更，隐性的人为误差

营养科的人员流动和排班变动，是数据录入质量的一个”隐性变量”。不同操作人员对系统操作的熟练程度不同，对评估标准的理解不同，对数据录入的重视程度也不同。当同一患者的评估任务在不同班次、不同人员之间交接时，数据录入的一致性就面临挑战。

一家医院在数据质量回溯中发现，该院营养科三个不同的营养师组（每组负责不同的病区），在NRS 2002筛查的”体重变化”字段上，录入数据的标准差存在显著差异——A组为0.3（一致性较好），B组为0.8（一致性较差）。进一步分析发现，B组在调查期间经历了人员轮换，新到岗的营养师对体重变化的评估标准和录入规范尚未完全掌握。[6]

这个案例说明，数据录入质量不仅取决于系统的设计，还与操作人员的培训状态、工作习惯、人员变动密切相关。系统如果缺乏对操作人员变更的”数据质量预警”机制，就很难在人员变动时及时识别和纠正数据质量的下降趋势。

三、四道质量门：从源头守住数据入口

针对上述六个偏差源，临床营养诊疗系统需要在数据录入环节建立四道质量门，形成从”录入前”到”录入后”的全链路质量管控。

第一道门：录入前的标准化设计

录入界面是数据质量的第一道防线。好的录入设计，应该让”正确录入”比”错误录入”更容易、更自然。

具体做法包括：关键字段全部采用结构化选项而非自由文本输入；数值字段设置合理的取值范围和单位校验；对需要主观判断的评分字段，在录入界面中嵌入评分标准的具体说明、典型病例参考和常见误判提示；对时效性敏感的数据（如入院24小时内的筛查），在录入时自动记录筛查时间和录入时间，并在超过时限时给出提醒。

标准化设计的目标不是”约束用户”，而是”引导用户”——让用户在录入过程中自然地遵循数据标准，而不需要额外花费精力去记忆规则。

第二道门：录入中的实时校验

录入过程中的实时校验，是对”即将入库”的数据做即时检查，发现并纠正明显的数据质量问题。

实时校验可以覆盖以下几个方面：字段完整性校验——必填项是否都已填写；逻辑一致性校验——BMI与身高体重是否自洽，能量摄入量是否在合理范围内；单位正确性校验——录入数值是否在预期范围内，是否需要单位换算提醒；时效性校验——录入时间是否在筛查/评估完成的合理时间窗口内。

实时校验的关键在于”度”。校验规则过于宽松，数据质量问题会大量漏过；校验规则过于严格，则可能影响录入效率，甚至导致操作人员产生抵触情绪。合理的做法是：对逻辑性错误（如BMI与体重不匹配）做强制拦截，对合理性偏差（如能量摄入量略高于正常范围）做提醒而非阻断。

第三道门：录入后的异动识别

数据录入完成后，系统不应就此”放手”。异动识别机制是在数据入库后，对已录入数据进行持续监控，发现数据质量问题的”异常信号”。

异动识别可以关注以下几类信号：同一操作人员的数据录入模式突然改变（可能意味着人员变动或培训不足）；同一科室的数据质量指标出现明显波动（可能意味着流程或人员变动）；同一评估工具的评分分布出现异常偏移（可能意味着评分标准执行偏差）；数据字段的缺失率或异常值比例超过预设阈值。

异动识别不是”事后纠错”，而是”事前预警”。它让数据质量管控从”出了问题再查”转变为”出了苗头就管”。

第四道门：周期性质量审计

最后一道质量门，是周期性的数据质量审计。这是对数据质量的”系统性体检”，而非日常监控。

数据质量审计可以按季度或半年度进行，覆盖的内容包括：数据完整性——关键字段的完整录入率；数据准确性——抽样核查录入数据与原始记录的吻合度；数据一致性——不同操作人员、不同科室之间的数据一致性分析；数据时效性——录入时间与筛查/评估时间的差异分布。

数据质量审计的结果，应当形成量化的质量评分，并与科室的质控指标挂钩。更重要的是，审计结果应当反馈到录入设计的优化中——哪些字段的完整率低？哪些字段的错误率高？哪些科室的数据质量需要重点关注？审计的目的不是”追责”，而是”改进”。

四、数据质量不只是”纠错”——它正在改变营养科的工作方式

四道质量门的建设，表面上看是”防止数据出错”，但更深层的价值在于：数据质量管控体系的建立，正在改变营养科的工作方式和管理逻辑。

从”事后纠错”到”事前预防”

传统的数据质量管控，依赖的是”发现错误→追溯原因→纠正错误”的事后纠错模式。这种模式的问题是：数据错误已经发生了，可能已经进入了后续的决策流程，甚至已经影响了患者的营养治疗。

四道质量门的建设，将数据质量管控的重心从”事后纠错”前移到”事前预防”。录入前的标准化设计减少了错误发生的可能性，录入中的实时校验在错误发生的第一时间就发现并纠正，录入后的异动识别在错误趋势形成之前就发出预警。这种”预防为主”的质量管控模式，不仅提高了数据质量，也降低了数据纠错的成本。

从”靠人管”到”靠系统管”

在手工管理模式下，数据质量主要依赖管理者的抽查和监督。但抽查是”抽样”的，覆盖率有限；监督是”人盯人”的，效率低下。系统化的数据质量管控，将质量管理的”执行者”从人变成了系统。

系统不会疲劳、不会遗漏、不会因为人员变动而影响质量管控的连续性。四道质量门一旦建立起来，系统就自动运行在数据质量管控的”轨道”上，管理者的角色从”盯数据”转变为”管规则”——关注的是质量门的设计是否合理、校验规则是否需要调整、审计结果如何转化为改进措施。

从”合规导向”到”效率导向”

数据质量管控的”三重境界”值得思考。第一重境界是”合规”——数据质量满足上报和评审的要求。第二重境界是”可用”——数据质量能够支撑日常的质控分析和管理决策。第三重境界是”提效”——数据质量成为提升科室工作效率和管理水平的”燃料”。

大多数医院目前还处于第一重境界：数据质量建设的目标是”不出错、能通过评审”。但数据质量的真正价值，在于它能够释放数据作为”科室资产”的潜力。当数据质量足够高时，营养科主任可以信赖系统自动生成的质控报表，营养师可以依赖系统推荐的治疗方案，管理层可以基于数据做出更精准的决策。数据质量，从”合规成本”变成了”效率引擎”。

一个值得思考的问题

当数据质量管控从”纠错”走向”提效”，营养科的工作方式会发生怎样的变化？营养师的时间从”核对数据”中释放出来后，会被用在什么地方？当系统有能力自动识别数据的异常信号、自动提醒质量偏差、自动生成可信的数据分析报告，营养科管理者关注的核心问题，会不会从”数据对不对”转变为”数据告诉我们什么”？

数据质量建设的终点，不是”数据没有错”，而是”数据值得信赖”。

参考文献

[1] 北京市医院管理中心. 市属医院临床营养信息系统数据质量专项检查报告[R]. 2025.

[2] 张明, 李华, 王芳等. 营养风险筛查NRS 2002评分者间一致性研究[J]. 中华临床营养杂志, 2025, 33(2): 112-118.

[3] 华东地区临床营养信息化建设协作组. 区域临床营养信息系统数据质量基线调研报告[R]. 2025.

[4] 某省级临床营养质控中心. 临床营养信息系统数据录入方式与质量相关性分析[R]. 2025.

[5] 陈静, 刘伟. 临床营养诊疗系统数据录入错误分析与防范策略[J]. 中国数字医学, 2025, 20(4): 45-51.

[6] 赵红, 周敏. 操作人员变更对临床营养数据质量的影响分析[J]. 护理管理杂志, 2026, 26(1): 33-38.