综述：医疗保健领域数据质量评估的维度、方法与工具：一项系统性回顾

这篇综述系统回顾了医疗数据质量评估(DQA)的关键维度(DQDs)、评估方法及工具，重点探讨了完整性(completeness)、合理性(plausibility)和一致性(conformance)等核心维度，提出了基于规则系统、统计方法和外部金标准等多元化评估策略，为临床决策和医学研究的数据可靠性提供了实用框架。

　　

背景

数据质量(DQ)作为多维度概念，其定义随应用场景变化。世界卫生组织(WHO)将其定义为"系统通过合法手段实现目标的能力"，而美国医学信息协会(AMIA)强调高质量数据对临床决策、患者结局和医学研究的核心价值。随着电子健康记录(EHR)和注册数据的爆炸式增长，数据质量评估(DQA)面临术语不统一、方法异质性等挑战。

研究方法

采用PRISMA指南系统检索PubMed、Web of Science和Scopus数据库截至2024年的文献，纳入44项研究。通过双盲筛选和第三方仲裁，提取数据质量维度(DQDs)、评估方法和工具三大要素，构建证据热图展示其关联性。质量评估采用0-1分制标准(QAC)，整体研究质量达67%，超过60%的合格阈值。

核心发现

数据质量维度

分析揭示DQDs存在显著术语差异：

• 完整性(93%研究涉及)：通过缺失字段比率、时间趋势分析等评估

• 合理性(49%)：检查数据间逻辑关联与生物可信度

• 一致性(26%)：验证数据格式与预定义标准的符合度

  

评估方法

呈现技术梯度：

• 基础方法：字段完成率公式(如(完成字段数/总字段数)×100%)

• 进阶方法：规则数据库(32%)、统计检验(29%)

• 创新方法：AI驱动模式分析(<5%)，如自然语言处理(NLP)评估非结构化文本

工具开发现状

55%研究开发专用工具，主要类型：

• R/Python工具包(41%)：如DQD仪表盘、mosaicQA库

• SQL规则引擎(17%)：适配PCORnet通用数据模型(CDM)

• 网络应用(17%)：TAQIH支持非技术人员参与DQA

  

实践启示

研究提出三维应用建议：

1. 维度选择：优先评估完整性作为基础维度，再验证合理性等衍生维度

2. 方法适配：观察性研究推荐Kahn框架的三维度评估，临床试验需增加准确性验证

3. 工具选型：多中心研究宜采用FHIR标准工具如daqapo，单中心可用轻量级R包

未来方向

亟待解决术语标准化问题，建议建立类似OMOP CDM的DQD通用模型。探索AI与人类协同的混合评估模式，开发支持实时质量反馈的智能系统，将是突破数据质量瓶颈的关键路径。