护理流程表数据在通用数据模型中的标准化映射研究：基于SNOMED CT与LOINC的覆盖度分析

《JAMIA Open》：Exploring common data model coverage of nursing flowsheet data: a pilot study using SNOMED CT and LOINC mapping

本刊推荐：为解决护理数据在国家级通用数据模型（CDM）中代表性不足的问题，研究团队开展了一项探索性映射研究，通过将护理流程表数据与SNOMED CT和LOINC术语系统进行匹配，评估OMOP CDM对护理数据的覆盖度。结果显示65.5%的护理概念和56.0%的数值可被标准化映射，揭示了当前术语系统对护理文档语义细颗粒度支持的局限性，为推进护理数据互操作性和大规模护理科学研究提供了关键方法论基础。

　　

在当今大数据驱动的医疗时代，电子健康记录（EHR）中蕴藏着海量临床数据，然而其中最具临床细颗粒度的护理数据却长期处于"沉默状态"。作为美国规模最大的医疗专业群体，近430万名注册护士每12小时轮班需记录631-875个流程表数据点，这些数据涵盖生命体征、护理评估、日常照护活动等关键信息。遗憾的是，当前国家级医疗研究基础设施（如OMOP CDM）主要围绕医生生成的数据构建，导致护理干预与患者结局之间的关联研究仍局限于小样本或机构特异性数据。这种数据割裂现状不仅掩盖了护理对医疗质量的实质贡献，更阻碍了基于真实世界证据的护理实践优化。

为打破这一困境，明尼苏达大学与梅奥诊所的研究团队在《JAMIA Open》发表了一项开创性研究，首次系统评估护理流程表数据在OMOP通用数据模型中的术语覆盖度。研究团队创新性地采用四步评估框架：首先明确以OMOP CDM为评估对象，其次定义包含整合度、完整度、灵活性等维度的评估标准，接着通过OHDSI Usagi映射工具将护理流程表概念与数值对接SNOMED CT和LOINC术语系统，最终从语义对齐角度量化术语匹配质量。

关键技术方法层面，研究选取中西部学术医疗中心的五大核心护理流程表（生命体征、全身评估、出入量、管路引流、日常护理），提取1786个去重后的护理概念和3260个数值。采用双人独立映射与第三方仲裁机制，严格遵循ONC互操作性标准，将观察类概念映射至LOINC，护理干预映射至SNOMED CT，并按照"完全匹配/等效匹配/部分匹配/不匹配"四级标准进行语义对齐判定。

整合度与完整度分析

研究结果显示，65.5%（1170个）的护理概念和56.0%（1831个）的数值成功映射至标准化术语。其中203个完全等效概念（11.4%）可纳入OMOP CDM的MEASUREMENT表，137个概念（7.7%）归属OBSERVATION表，而PROCEDURE_OCCURRENCE等表仅容纳不足2%的护理概念。这种分布特征揭示OMOP模型更擅长承载量化测量型护理数据，但对护理干预过程的表征能力有限。

映射效率与术语挑战

术语映射过程暴露出护理文档的独特复杂性：护理流程表中大量存在"预协调概念"（如"右足背屈"），这类融合身体部位与临床发现的复合术语难以对接标准术语的"后协调"原则。此外，像"少量"这类高度语境依赖的表述，在描述痰液、尿液等不同分泌物时需依赖护理人员的专业判断，加剧了术语映射的主观性。值得注意的是，已纳入LOINC面板的标准化评估工具（如Braden压疮风险评估量表）映射顺畅，凸显结构化术语在提升互操作性方面的优势。

模型适用性评估

从灵活性维度看，OMOP CDM可通过创建本地自定义概念容纳未标准化术语，但其全球研究网络仅支持标准化术语的共享。实施性评估显示该模型已稳定运行16年，覆盖83国970亿条患者记录，但映射成本较高——每个概念平均耗时1.19分钟，数值映射需0.64分钟，全程耗费约170人工小时。

研究结论强调，护理数据整合的主要障碍并非CDM本身的设计缺陷，而是源于EHR系统底层护理文档的标准化不足。这种术语断层使得护理贡献在健康大数据生态中持续"不可见"，阻碍了护理敏感性结局（如跌倒、感染率）的大规模研究。该研究为推进《国家医学院护理未来2030》报告提出的健康公平目标提供了关键技术支撑，通过增强护理数据的机器可读性，为人工智能驱动的新型护理决策模式铺平道路。未来需重点开发基于自然语言处理（NLP）的自动化映射工具，并建立跨机构护理文档标准，最终实现护理价值在医疗政策、资源配置和患者结局层面的精准量化。