我国学习型卫生健康体系构建研究

李希 ,  杨阳 ,  苏明明 ,  高仕君 ,  金博林 ,  胡盛寿

中国工程科学 ›› 2025, Vol. 27 ›› Issue (6) : 1 -10.

PDF (757KB)
中国工程科学 ›› 2025, Vol. 27 ›› Issue (6) : 1 -10. DOI: 10.15302/J-SSCAE-2025.06.023

我国学习型卫生健康体系构建研究

作者信息 +

Research on the Construction of Learning Health System in China

Author information +
文章历史 +
PDF (774K)

摘要

我国卫生健康事业进入新发展阶段，仍面临资源分布不均、体系协同不足等挑战，提升卫生健康体系自身发现问题和解决问题的能力是关键；学习型卫生健康体系理念的研究与应用，将在提升循证决策和精准施策水平、改进风险防控和疾病诊疗质量方面发挥重要作用。本文总结了学习型卫生健康体系的理念特征和应用场景，阐述了国内外在数据分析、证据应用闭环方面的理念完善情况，以及在医疗质量评价、医疗质量改进等方面的应用进展；立足我国卫生健康体系的特征与现状，从提升能力、补强资源、建设平台、推进研究等方面讨论了学习型卫生健康体系构建的基础要素与实施路径，研判了行政数据在医疗质量评价中的应用、“互联网+”应用于医疗质量改进两类实践成效。展望未来，可在技术创新、领域拓展两方面深化学习型卫生健康体系建设，提升数据治理、分析决策、证据推广、监测反馈等环节的质量及效率，增强以学习型疾病监测为代表的卫生健康领域决策管理能力。

Abstract

The health system in China has progressed to a new phase of development; however, it continues to face challenges such as uneven distribution of resources and insufficient coordination among service sectors. It is imperative to enhance the health system's intrinsic capacity to identify and address problems. The research and implementation of the learning health system (LHS) concept are expected to play a pivotal role in promoting evidence-based policy formulation and implementation, as well as improving preventive services and clinical care. This study offers a comprehensive overview of the conceptual characteristics and application contexts of LHS. It outlines both domestic and international advancements in refining data analysis and the evidence application cycle, and reviews progress in practical applications, including quality measurement and improvement of care. Drawing upon the features and current status of China's health system, the study discusses foundational components and implementation strategies for establishing an LHS. These strategies emphasize strengthening the research capacity of leading institutions and the application capacity of professionals; enhancing data resources from hospitals, health administration, and health insurance; developing technological platforms for data acquisition, governance, utilization, and sharing; and conducting outcomes research and implementation research. Furthermore, the study evaluates the practical outcomes of two initiatives: the use of administrative data for quality measurement of care and the integration of Internet Plus in quality improvement of care. Looking ahead, the development of LHSs can be further advanced through the application of novel technologies and expansion into new domains. Such progress is anticipated to enhance the quality and efficiency of data governance, analysis, decision-making, evidence dissemination, and feedback monitoring, as well as to strengthen policy development and implementation, as exemplified by learning-based disease surveillance.

Graphical abstract

关键词

学习型卫生健康体系 / 医疗质量评价 / 医疗质量改进 / 医疗数据 / 疾病监测

Key words

learning health system / quality measurement of care / quality improvement of care / medical data / disease surveillance

引用本文

引用格式 ▾
李希,杨阳,苏明明,高仕君,金博林,胡盛寿. 我国学习型卫生健康体系构建研究[J]. 中国工程科学, 2025, 27(6): 1-10 DOI:10.15302/J-SSCAE-2025.06.023

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

卫生健康体系是一套综合性、全方位、多层级的健康服务网络，旨在为个体和群体提供预防、治疗、康复、健康促进等健康服务，具有连续、协调、高效的基本特征[1]。我国的卫生健康体系建设经历了1949—1977年、1978—2008年、2009年至今3个阶段[2]，取得了举世瞩目的发展成就。1990—2019年，我国医疗可及性和质量指数从49分增长至70分（满分为100分），是发展中国家中进步最快的国家[3,4]。截至2024年年底，全国医疗卫生机构达到1.09×106所，卫生服务人员达到1.578×107人，超过90%的居民可在15 min内到达最近的医疗服务点，形成了世界上规模最大、覆盖最广、能力最强的医疗服务体系[5]。《“健康中国2030”规划纲要》进一步明确了新时期卫生与健康工作方针，“将健康融入所有政策，人民共建共享”，对卫生决策、防治实践提出了新的更高要求。

进入新时期，我国卫生健康体系面临落实高质量发展目标的转型挑战，以资源配置优化、服务质量提升为关键内容。资源配置问题一方面体现在地域分布不均衡，如2015年我国各省份的医疗可及性和质量指数，从北京市的91分（全球排第13位，相当于加拿大）到西藏自治区的54分（全球排第130位，相当于危地马拉）[6]，差距悬殊；另一方面体现在体系分工不合理，虽然新医改以来管理部门大力推进基层医疗卫生服务体系和分诊疗制度建设，但基层医疗卫生机构的门诊量在总量中的占比从2010年的62%下降至2021年的50%[7]。服务质量问题一方面存在于二、三级医院的疾病诊疗环节，如全国代表性医院协作网络中2011年ST段抬高型心梗患者再灌注治疗率仅为27%[8]，10年间进展不大，显著低于同期美国（94%）[9]、英国（77%）[10]乃至印度（59%）[11]的水平；另一方面存在于基层医疗机构的危险因素防控环节，如近期两项全国调查显示[12,13]，高血压的知晓率（32%、47%）和控制率（10%、15%）均不理想，使我国高血压住院率（490/100 000）高于经济合作与发展组织国家（95/100 000）[14,15]。

应对这些挑战，重在提升卫生健康体系自身发现问题和解决问题的能力，因而学习型卫生健康体系的新理念值得关注。相关理念由美国国家医学科学院2007年正式提出[11]，建议从科学、信息、激励、文化等方面出发，推动持续卫生健康体系的改进和创新，使推荐性的最佳防控诊疗实践嵌入到卫生服务过程，同时产出新知识、积累新证据。2015年，这一理念引入国内并率先应用于心血管疾病防治[12]，验证了在研究与实践之间建立实时且高效的双向转化渠道及反馈机制的重要价值，为从制度层面提升卫生健康行业的自主学习和自我完善能力提供了发展路径。

将理念转变为行动，关键在于着力开展体系变革[16]。本文立足10年来国内外学习型卫生健康体系理念的研究进展与实践经验，提出我国构建学习型卫生健康体系的顶层设计，阐述关键实施路径和方法创新；以心血管疾病防治为示范，结合实证应用提出推广建议，以为卫生健康决策效率和疾病防治质量的整体性提升提供参考。

二、 学习型卫生健康体系的理念特征与应用场景

（一） 理念特征

学习型卫生健康体系作为新理念，首先对临床诊疗领域发展构成了直接影响，逐步在业内获得理解和接纳并趋于系统化。“学习型”的实质是系统地整合医疗服务体系的内部实践与外部证据：内部实践可通过数据采集、评价分析的方式及时转化成证据，如在每位患者的诊疗过程中不断发现新知识；外部证据通过知识传播和行为监测来深刻改变实践，让新知识影响每位医生的诊疗决策。可见，学习型卫生健康体系具备“3+2”的特征，即通过“立足实践”“全面收集”“针对反馈”实现“快速迭代”“集体智慧”。

1. 立足实践

学习型卫生健康体系中产出和应用的证据应坚持一切从实践出发。① 研究和解决的问题取决于实践需求，如回答哪种防控策略在什么样的人群中最为适宜，什么样的诊疗措施能兼顾有效性、安全性、经济性、顺应性。② 研究分析的数据源自实践工作，特别是基于电子病历、医院信息系统、医保支付记录等可靠来源，获得日常诊疗活动的基本特征。③ 研究结果的解释充分呼应实践环境，如适应服务对象的多样性，反映医疗条件是否可及、诊疗措施是否可负担等对疗效与安全性的影响。

2. 全面收集

临床研究中心针对具体问题设计实施过程，推崇多中心、大样本、长随访等特征。相比之下，学习型卫生健康体系需突破传统研究项目在协作网络、入选队列、运行周期等方面的限制，数据收集体现开放性（不预设具体的前提）、包容性（不局限单一来源）；改造医疗系统诊疗过程的记录方式、数据汇聚与共享机制，覆盖整个医疗卫生体系、所有人口、生命全过程，广泛发掘新知识。

3. 针对反馈

着眼改善医疗质量的目标，应用学习型卫生健康体系的根本策略是让卫生健康管理者、医务人员及时了解自身知识体系的欠缺、当前实践模式的差距。需要持续性地开展工作评价，针对性地辨识出各地区卫生健康体系的不合理之处、每个机构在诊疗过程中的欠规范环节；提供工作表现的纵向对比、横向参照，同地区优势机构的有益经验，作为制定改善方案的参考。

4. 快速迭代

学习型卫生健康体系面向体量大、来源广的信息和数据，以强大的处理和分析能力形成诊疗指南，加快知识产出和传播的速度。相比于传统的临床研究和转化模式，应用数据科学和互联网技术后显著缩短数据整合、清理、检索、分析时间，免去诊疗指南、培训课程等中间过程；向医务人员提供最新的研究证据，更新日常使用的诊疗辅助应用程序，使后续的诊疗决策建立在及时更新的证据之上而显得更加合理。

5. 集体智慧

学习型卫生健康体系打破基于医务人员个体化经验积累的方式，实现知识的大范围、深层次互联，形成覆盖整个医疗体系中机构和人员的知识处理中枢与传播神经网，使每位医生都能获得将所有医生实践汇集的经验而更加明智。突破知识在机构之间流动的限制，降低知识向其他地区传播的成本，促进卫生资源分布的均衡化，提高医疗服务的同质性。

（二） 应用场景

在临床诊疗领域，通过重构服务过程实现持续的医疗质量评价和改进，是学习型卫生健康体系理念应用的出发点。相关应用在心血管疾病方面的探索最为深入，不仅与心血管疾病带来沉重的疾病负担和经济负担有关，也是因为相关的循证医学研究开展早、水平高、证据多，为解决“该用的药没用”“不该用的药乱用”等医疗质量问题提供了扎实的评价指标基础。

1. 医疗质量评价

针对心血管疾病的医疗质量评价，以实践与临床指南推荐之间的差距为切入点，旨在揭示相关体系中安全、有效、及时、高效、公平等方面的问题。美国的全国心血管疾病数据注册系统（NCDR）在全球开该领域之先河，我国的冠心病医疗结果评价和临床转化研究（ChinaPEACE）紧随其后，形成了应用特色。

NCDR作为美国心脏病学会建立的一系列心血管疾病临床注册登记系统，覆盖美国开展相关诊疗的所有医院；通常在患者诊疗过程中或结束后立即将相关数据录入，不同于医生回顾性地翻看患者病历，能够最大程度地减少回忆偏倚和遗漏。明确纳入／排除标准，统一数据字典，确保跨医院、跨地区、跨时间的数据具有可比性，相关报告能够反映医院自身的表现及其与地区、全国总体水平以及同类医院平均水平的比较。基于NCDR数据的研究产出丰富，发现了诊疗实践与指南之间的差距，识别了医疗差异和不平等现象，支持新器械／技术的实际有效性和安全性评估，为公共监管决策、医保支付提供了关键证据。

作者团队牵头开展的ChinaPEACE项目，为了全面评估我国冠心病临床诊疗模式和结局，率先采用随机抽样方案建立了具有全国代表性、覆盖162家二／三级医院的协作网络，纳入了13 815例2001—2011年因ST段抬高型心肌梗死住院的患者。受限于当时的病历记录和存储形式，项目仅扫描了所有病历，培训了超过200名数据提取员，进而基于既定的病例报告表、统一的变量定义，从每份病历中提取约1800个数据点[14]。数据收集过程相对细致，利于分析过程中获得更加丰富和深入的结果：我国再灌注治疗的应用率为27%，而在符合临床指南推荐指征的患者中仅有50%接受了治疗；在调整患者风险水平、疾病严重程度相关因素后，患者的院内死亡率并无显著改善[16]。

上述两个案例也反映了早期医疗质量评价的局限性。NCDR的分散式数据收集依赖各家医院的临床协调员、护士、医生，需要大量、长期的人员投入。在ChinaPEACE项目中，集中式数据收集过程的扫描病历历时7个月，数据提取和清理历时9个月，再加上数据分析、稿件写作与评审，作为正式成果发表《我国2001—2011年急性心肌梗死诊疗模式和患者结果变化趋势》[7]，距离问题评价已过去4年。

2. 医疗质量改进

近年来，国内外开展的心血管疾病医疗质量改进研究多采用针对性反馈作为主要策略，具有学习型卫生健康体系的鲜明特征。美国门 ‒ 球囊（D2B）质量改善联盟、中国心血管外科注册登记研究（CCSR）是代表性工作。

D2B质量改善联盟由美国心脏学会发起，研究目标是为接受直接经皮冠状动脉介入治疗（PCI）的ST段抬高型心肌梗死患者缩短D2B的时间。完成1000多家医院D2B时间定量分析，遴选表现优秀的数家医院，采用定性流程观察和小组访谈的方式，确定了可缩短D2B时间的6个组织行为学特征[15]，进而总结为共性策略并纳入临床指南[17]。美国心脏学会在指南推广的过程中明确建议，所有医院记录每例直接PCI患者治疗前各环节的院内延误时长，组建院内质量管理团队，定期召开质量会议，针对D2B超时病例开展原因分析。在一年半时间内，美国ST段抬高型心肌梗死患者在90 min内完成PCI的比例从54%提升至75%，患者的发病30天死亡率也有明显下降。

CCSR项目由中国医学科学院阜外医院牵头实施，逐步纳入国内102所三级甲等医院（冠脉搭桥手术量>100例/年）。以收集的参与医院每例手术的结构化数据为基础，定期为协作医院提供相应诊疗质量的反馈报告，也结合协作医院暴露出的问题提供成建制的现场指导和技术培训。在3年内，共有696名外科医生、麻醉师、体外循环医师参加了中国医学科学院阜外医院组织的培训，为期平均5个月。2004—2013年，参与医院冠脉搭桥手术的院内死亡率、主要并发症发生率等均有明显下降[18]。2018年，院内死亡率进一步降低，动脉桥的选择、围术期输血的控制、二级预防药物应用等也有显著改善[19]。

作为对照，类似目标的其他医疗质量改进研究项目并未取得显著成效，主要原因是干预往往浮于管理和流程，也没有通过广泛和持续的培训及反思，在所有医务人员中形成关于医疗质量的批判性思维、“计划 ‒ 执行 ‒ 检查 ‒ 行动”（PDCA）意识。

三、 我国学习型卫生健康体系的构建路径

我国学习型卫生健康体系的构建，既应当提高卫生健康服务实践中数据的收集、整合、治理、分析、解读的质量与效率，也需要革新横跨3.5万家医院、超过98万家基层医疗卫生机构，纵贯“控防诊治康”的知识传播与证据应用模式。总结学习型卫生健康体系的理念发展和应用探索后认识到，应以能力、资源、平台、研究的协同驱动作为关键要素，逐步明晰实施路径（见图1）。

（一） 提升能力

学习型卫生健康体系中的能力建设分为“顶天”“立地”两个层次。“顶天”层次指在卫生健康研究领域内遴选领军机构、构建协作网络，推动体现国家意志、服务国家需求、代表国家水平的高质量研究产出和成果转化。“十二五”时期以来，我国新型重大疾病防治研究体系初具规模，先后设置了15个领域的国家医学中心，建立了心血管疾病、肿瘤等20个疾病领域的50个国家临床医学研究中心；较为系统地优化和集成了医学领域的科技资源，形成了布局基本合理的医学科技支撑体系。未来，进一步提出新型科研机构管理策略，支持团队、平台、网络的集约化构建和可持续发展。

“立地”层次指支持一线医务人员培育基本的数字意识和技术素养（此方面的基础条件更薄弱、差距更突出）。建设数据利用方面的基础课程，成为在校教育、在职培训的组成部分；根据机构的类型和级别、人员的起点和学习能力，设计差异化的教育和培训方案；将意识的形成优先于技能的掌握，作为相关教育和培训的总体目标。一方面，让医务人员了解传统卫生健康体系中政策制定和服务提供相关模式的局限性、数据的价值和数据质量的重要性、防控与诊疗实践中主要的数据来源以及人工智能等创新技术擅长解决的问题和有望带来的改变等。另一方面，关注并培训医务人员的反思能力，支持批判性地分析日常工作中的障碍和不足，通过PDCA循环进行持续改进。

在实施过程中，将在线课程作为高效的培训组织方式。特别是对于在职医务人员而言，借助“中国继续医学教育网”等公共平台，快速且全面地覆盖培训对象，通过课前测验了解相应的技能短板，定向调整个性化的培训内容。及时开展包括掌握度、接受度在内的多维度评估，针对性调整培训的内容与形式。考虑基层医疗卫生机构人员的教育层次和知识结构，重点关注培训的反馈和效果。

（二） 补强资源

立足真实世界的数据开展学习型卫生健康体系建设，主要是全国或一定区域内的较大患者人群在较长时期的实际诊疗全过程的具体效果和数据结果，细分为医疗机构使用数据、医保支付数据、医政监测数据、患者健康状态数据、队列随访数据、不良反应监测数据等。相关研究的基础条件处于历史机遇期，为疾病负担和诊疗质量评价提供了直接且低成本的支持。例如，全民基本医保体系逐步巩固和健全，医保支付数据平台等逐步覆盖全国；HIS经过十多年的发展和普及已初具规模，尽管信息的标准化、结构化水平尚无法达到研究数据的要求，但HQMS等临床信息网络初步破除了关键临床数据在可用、互通方面的技术问题和行政壁垒。

在实施过程中，研究工作应充分利用已有的数据平台。构建结构化且采用统一标准数据定义和编码的电子病历系统，支持研究数据的采集、合并、互用；建立数据应用和质量核查的管理机制，如针对数据质量的激励和问责机制、核查并修正可能的错误数据的方法等。面向研究需求，制定诊疗过程和结果综合评价的数据集，按照规范要求对敏感信息脱敏，合规标识和调取信息。

（三） 建设平台

各部门建立支持性的机制、规范、技术、平台，从数据利用流程的4个主要环节出发，提高学习型卫生健康体系转型的效率。① 在获取整合方面，研究我国医疗和健康相关公共数据的开放战略，建立医疗信息数据标准和互用性要求；开发不同HIS的标准化数据转接技术与工具，提高信息安全和患者隐私保障能力；针对信息化基础薄弱的基层医疗机构，统一建设并推广基于云平台构架的通用电子病历系统。② 在处置管理方面，参考HL7等数据传输交换标准、临床数据交换标准协会（CDISC）数据结构标准，制定临床数据库结构、数据质量评价方面的国家标准；研发混合型数据仓库、分析和前处理的工具，确保数据的标准化、可用性、可追溯性以及平台的有价值、可持续运转。③ 在分析利用方面，开发简单易用的大数据统计工具，突破数据结构复杂、维度高、因素之间不独立、数据普遍缺失等传统统计方法的应用限制；结合数据挖掘的通用需求，建立规范化分析方法，开发易用的分析功能模块和联邦计算平台。④ 在互通共享方面，采用不同类型机构之间数据有序共享、成果协商分配的原则和共识，形成高效的工作组织和机制；建立高效的发布沟通途径，便于各方在保护研究对象隐私的前提下便捷地发布、检索、获取数据资源，高水平实现供需互通。

在实施过程中，以管理部门作为主体，吸引和带动社会上的互联网技术、数据科学等资源跨界投入卫生健康领域。部分地方政府提供政策支持并积极布局“医药养健管”一体化的大健康产业[20]，一些具有国际竞争力的国内信息技术企业自主研发了“健康云”“医药O2O”等创新生态概念[21,22]，都为促进相关数据利用积累了重要资源。

（四） 推进研究

学习型卫生健康体系相关的研究产出应关注：哪种治疗策略在什么样的人群中最为有效？什么样的医疗服务形式能够确保患者得到最优的诊疗？然而，我国幅员辽阔，不同地区的健康影响因素、医疗资源分布都存在显著的差异，导致相关问题趋于复杂。医疗结果评价研究、实施研究是解决此类问题的重要途径。

医疗结果评价研究的核心特性是立足真实的医疗环境，以疗效、安全性、效价比等实际结果为依据，开展各种医疗政策和干预手段的评价[23,24]。这类研究主要涉及3个方面：疗效对比，即通过比较研究确定对患者最有效的治疗策略和方法；以患者为中心的结果评价研究，确保提供的医疗服务符合个体对象的需求、尊重个体对象的选择；医疗体系合理性评估，即明确现有医疗体系构架的合理性，探讨改进策略及途径，对于发现并解决医疗体系中的差异和不足具有重要意义。

实施研究的核心特性是力求理解各类措施在现实环境中的效果，而不是沿用传统因果推论来试图控制或消除现实环境的影响。研究环境在实施研究中处于关键地位，包括社会、文化、经济、政治、法律以及由各种利益相关方及其相互作用组成的体系环境，也包括人口结构特征和疾病流行情况。作为卫生健康领域的实施研究，重点关注卫生系统的结构、研究证据的使用者。诸如卫生政策制定者、医疗机构管理者、医疗服务提供者，通常密切参与研究的酝酿、设计、实施过程，而不仅是作为研究结果的传播对象。

在实施过程中，可通过科技专项、重点研发等国家科技计划项目方式，大力支持常见危险因素防控、重大疾病诊疗相关的应用医学研究。重点围绕病因和病情转归的规律与机制、疾病谱的变化监测和病因流行规律、新型诊疗技术研发与适宜技术推广、规范化的诊疗方案与个体化的诊疗技术评价等[25]，深入开展相关科研项目，获得系列化的技术成果与转化应用。

四、 我国学习型卫生健康体系的实践应用

（一） 行政数据在医疗质量评价中的应用

相比2013年开展的ChinaPEACE研究，作者团队在牵头编撰《中国心血管病医疗质量报告2022》的过程中，已经能够纳入多个全国医政监测平台的前一年全量数据进行分析：HQMS中2042家三级医院、3309家二级医院的心血管疾病住院患者病案首页数据，共计1.959×107例；国家单病种质量管理与控制平台中1261家三级医院、668家二级医院的6类疾病或治疗住院患者质量指标数据，共计459 566例；全国医疗质量数据抽样调查系统中1623家三级医院、2639家二级医院心内科、心外科、血管外科的医疗资源数据；国家心血管病质量控制信息平台中全国结构性心脏病介入治疗和心律失常介入治疗的住院患者数据。

相关数据具有更大的覆盖面和样本量，极大提升全国和地方情况分析的代表性与时效性，开展不同地区之间医疗模式和结局的对比研究更为可靠。研究证实，心血管疾病诊疗规模持续扩大，新技术在各地推广迅速；全国医疗服务趋于规范，外科治疗相关指标持续改善；风险标化死亡率、再入院率等的地区之间的异质性依然显著；跨省异地就医比例保持稳定，治疗结局总体优于本地就医。

（二） “互联网+”应用于医疗质量改进

更新后的高血压临床指南中纳入了很多来自随机对照临床试验的高水平证据，证明不止1种降压药物能够相较安慰剂改善患者的预后。然而，不同种类的降压药物之间少有“头对头”的临床试验评价证据，给临床诊疗中针对具体患者的药物选择留下了空白。面对高血压临床指南中悬而未决、传统临床试验难以涉及的问题，国家心血管疾病中心针对基层高血压管理质量的实际情况开展了系列研究，开发并验证了智能临床辅助决策工具（V1.0的“循指南”、V2.0的“有经验”、V3.0的“自学习”）。利用医疗实践中产生的数据来探求答案，将获得的新知识反馈给一线医务人员，为解决药物对比证据匮乏的问题提供了新型解决方案。

具有自学习功能的辅助决策工具，不仅能通过联网的知识库更新提供最新权威临床指南推荐的用药建议，还能在面临“平行”推荐的用药方案时（即既往研究证实两种或以上药物都具有改善预后作用，而相关药物尚无“高下之分”，如血管紧张素转换酶抑制剂、钙通道阻滞剂均可作为一线治疗方案），通过在线部署选择部分医疗机构中符合条件患者并将其随机分配到不同的平行推荐药物组别中，形成类似随机对照试验的形式，由此在随访中比较不同药物对血压控制的效果差异。基于具有自学习功能的辅助决策工具，可以自然形成10余个针对不同临床场景的多中心随机对照试验（见图2）。在这样的试验中，不仅数据可以实时上传，比较分析的结果也可以快速下传并更新到辅助决策工具的逻辑中，使后续的药物推荐可基于“研究 ‒ 转化”的自主学习闭环而趋向合理化。

类似地，具有自学习功能的辅助决策工具可以用于比较同一种类中不同化合物（如血管紧张素Ⅱ受体拮抗剂中的缬沙坦对比厄贝沙坦）、同一化合物中不同产品（如缬沙坦中的代文对比平欣）的药效差异。这些证据不仅可以指导诊疗实践，还可适用于药物目录遴选和集中采购。

五、 我国学习型卫生健康体系发展展望

（一） 技术创新

从“3+2”的特征可以看出，学习型卫生健康体系中数据驱动的证据产出和应用，依赖多个关键环节的高效协同运作，而各个环节都离不开相应技术的支撑。未来的协同运作更为紧密，在技术平台之外更加依赖大数据、人工智能、云计算、物联网等前沿信息技术，以高效应对数据治理、分析决策、证据推广、监测反馈等方面不断提高的要求。

联合构建更加智能、协同、安全、高效的学习型卫生健康体系，既支撑诊疗服务质量提升，也推动防控措施的个性化与前瞻性发展。① 在数据治理阶段，要求数据具有全面性、实时性、安全性。自然语言处理技术用于解析非结构化的病历文本，实现信息的标准化提取；区块链技术在多机构数据共享时防止篡改与泄露，保障隐私与数据完整性，为数据可信流通筑牢基础。② 在分析决策阶段，要求具有广泛的数据整合与协同分析能力。应用联邦学习技术在本地进行模型训练而不暴露原始数据，兼顾隐私保护、全局模型优化。基于边缘计算，在医疗设备端实时处理影像或生理数据，降低延迟并提高响应速度，支持即时临床判断。③ 在证据推广阶段，强调精准、动态的知识转化。知识图谱、推理引擎将最新的医学文献转化为结构化的临床路径，辅助医生制定个性化治疗方案。依据本地疗效数据，在自适应临床决策支持系统中持续优化推荐逻辑，实现诊疗策略的持续迭代。④ 在监测反馈阶段，追求全程化、闭环化管理能力。应用因果森林模型等智能归因分析技术，识别影响疗效的关键因素，推动治疗方案的精准调整。基于可穿戴传感器、家用监测仪器等物联网设备，开展患者健康状况的持续追踪与风险预警，形成从医院到居家的无缝健康监护能力。

（二） 领域拓展

从概念提出至今，学习型卫生健康体系理念主要应用在防治服务质量提升方面；面向未来，将更加全面发展，尤其是在卫生健康领域决策管理方面发挥关键作用，针对卫生资源的配置规划[26]、药械技术临床综合评价[27]等，通过广泛研究和高效转化，解决相关领域无据可依、有据不依的问题。其中，疾病监测方面的需求尤为迫切，将是有潜力的典型应用。

卫生健康政策制定需要依托覆盖危险因素、发病、患病、医疗质量、死亡全过程的疾病监测系统。我国心血管疾病等的监测，最薄弱的环节在于发病数据的收集。学习型卫生健康体系的理念也可应用于弥补现有发病监测的不足，即在“居民心血管病发病监测项目”全国400个项目点、14个省份的心血管疾病发病主动监测项目的基础上，进一步纳入HQMS、死因登记等行政数据，建立被动监测平台，通过融合模型构建和优化实现关键信息的补充印证。具体地，全国、各省份的居民心血管疾病发病监测数据相互贯通，支持形成覆盖面更广的主动监测网络；被动监测平台上各方面的行政数据相互补充，形成纳入全国所有地区大多数二／三级医院内发病事件的数据平台；根据全国、各省份发病监测项目点的数据，推算当地行政数据中收集的发病事件数在当地主动监测项目收集全口径发病事件数中的比例，分析该比例与当地自然条件、社会发展水平之间的关系，进而将模型应用拓展至其他仅有被动监测平台地区，通过拟合更加可靠地推算当地人群的发病率。

具备学习型特征的疾病监测系统有利于解决主动监测网络覆盖面不足的问题、被动监测未能纳入基层医疗卫生机构和部分二级医院数据的问题，可在不增加额外资源投入的情况下提供覆盖全行政区划、全自然人群、全医疗体系的发病率数据。相关应用对提升卫生健康领域循证决策、精准施策水平具有重要价值，是全面建设研以致用、知行合一的学习型卫生健康体系的重要组成部分。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

高围溦, 何国忠, 王川, 中国式现代化卫生健康体系发展路径思考 [J]. 中国公共卫生管理, 2024, 40(6): 791‒797.
[2]

Gao W W, He G Z, Wang C, et al. Thoughts on the development path of Chinese-style modernized healthcare system [J]. Chinese Journal of Public Health Management, 2024, 40(6): 791‒797.
[3]

代涛. 我国卫生健康服务体系的建设、成效与展望 [J]. 中国卫生政策研究, 2019, 12(10): 1‒7.
[4]

Dai T. The construction, achievements and prospect of health system in China [J]. Chinese Journal of Health Policy, 2019, 12(10): 1‒7.
[5]

GBD 2019 Healthcare Access and Quality Collaborators. Assessing performance of the healthcare access and quality index, overall and by select age groups, for 204 countries and territories, 1990—2019: A systematic analysis from the global burden of disease study 2019 [J]. The Lancet Global health, 2022, 10(12): 1715‒1743.
[6]

GBD 2016 Healthcare Access and Quality Collaborators. Measuring performance on the healthcare access and quality index for 195 countries and territories and selected subnational locations: A systematic analysis from the global burden of disease study 2016 [J]. The Lancet, 2018, 391(10136): 2236‒3671.
[7]

国务院新闻办公室举行"高质量完成'十四五'规划系列主题新闻发布会" 介绍"十四五"时期卫生健康工作发展成就有关情况 [EB/OL]. (2025-09-11)[2025-10-15]. https://www.nhc.gov.cn/wjw/c100365/hdjl_xwfbh_detail.shtml?id=564d4edf0a7545f8887bcfb1a9ab586b.
[8]

The State Council Information Office held a press conference titled "Series of press conferences on high-quality implementation of the 14th Five-Year Plan" to introduce achievements in health and healthcare development during the 14th Five-Year Plan period [EB/OL]. (2025-09-11)[2025-10-15]. https://www.nhc.gov.cn/wjw/c100365/hdjl_xwfbh_detail.shtml?id=564d4edf0a7545f8887bcfb1a9ab586b.
[9]

Zeng X, Wang L, Yin P, et al. Subnational analysis of healthcare access and quality in China during 1990—2015 [J]. Chinese Science Bulletin, 2018, 63(25): 2631‒2640.
[10]

Zheng X, Curtis J P, Hu S, et al. Coronary catheterization and percutaneous coronary intervention in China: 10-year results from the China PEACE—Retrospective CathPCI study [J]. JAMA Internal Medicine, 2016, 176(4): 512‒521.
[11]

Li J, Li X, Wang Q, et al. ST-segment elevation myocardial infarction in China from 2001 to 2011 (the China PEACE—retrospective acute myocardial infarction study): A retrospective analysis of hospital data [J]. The Lancet, 2015, 385(9966): 441‒451.
[12]

Li Y C, Yang L, Wang L M, et al. Burden of hypertension in China: A nationally representative survey of 174, 621 adults [J]. International Journal of Cardiology, 2017, 227: 516‒523.
[13]

Wang Z W, Chen Z, Zhang L F, et al. Status of hypertension in China: Results from the China hypertension survey, 2012—2015 [J]. Circulation, 2018, 137(22): 2344‒2356.
[14]

The learning healthcare system: Workshop summary [EB/OL]. [2025-09-15]. https://nap.nationalacademies.org/catalog/11903/the-learning-healthcare-system-workshop-summary#:~:text=The%20Learning%20Healthcare%20System%20considers%20how%20health%20care,it%20and%20then%20captures%20the%20results%20for%20improvement.
[15]

Jiang L X, Krumholz H M, Li X, et al. Achieving best outcomes for patients with cardiovascular disease in China by enhancing the quality of medical care and establishing a learning health-care system [J]. The Lancet, 2015, 386(10002): 1493‒1505.
[16]

Dharmarajan K, Li J, Li X, et al. The China patient-centered evaluative assessment of cardiac events (China PEACE) retrospective study of acute myocardial infarction: Study design [J]. Circulation Cardiovascular Quality and Outcomes, 2013, 6(6): 732‒740.
[17]

Zhong Q, Gao Y, Zheng X, et al. Geographic variation in process and outcomes of care for patients with acute myocardial infarction in China from 2001 to 2015 [J]. JAMA Network Open, 2020, 3(10): e2021182.
[18]

Bradley E H, Herrin J, Wang Y F, et al. Strategies for reducing the door-to-balloon time in acute myocardial infarction [J]. The New England Journal of Medicine, 2006, 355(22): 2308‒2320.
[19]

梁万年. 构建优质高效的整合型卫生健康体系 [J]. 中国全科医学, 2024, 27(19): 2301‒2304.
[20]

Liang W N. How to build a quality, efficient and integrated health system [J]. Chinese General Practice, 2024, 27(19): 2301‒2304.
[21]

Bradley E H, Nembhard I M, Yuan C T, et al. What is the experience of national quality campaigns? Views from the field [J]. Health Services Research, 2010, 45(6): 1651‒1669.
[22]

Zheng Z, Zhang H, Yuan X, et al. Comparing outcomes of coronary artery bypass grafting among large teaching and urban hospitals in China and the United States [J]. Circulation Cardiovascular Quality and Outcomes, 2017, 10(6): e003327.
[23]

Li X, Gu D C, Wang X Q, et al. Trends of coronary artery bypass grafting performance in a cohort of hospitals in China between 2013 and 2018 [J]. Circulation Cardiovascular Quality and Outcomes, 2021, 14(4): e007025.
[24]

重庆市大健康产业发展"十四五"规划(2021—2025年) [EB/OL]. (2022-12-15)[2025-09-15]. http://wap.cq.gov.cn/zwgk/zfxxgkml/szfwj/qtgw/202201/t20220111_10293027.html.
[25]

Chongqing municipal health industry development plan for the 14th Five-Year Plan period (2021—2025) [EB/OL]. (2022-12-15)[2025-09-15]. http://wap.cq.gov.cn/zwgk/zfxxgkml/szfwj/qtgw/202201/t20220111_10293027.html.
[26]

创新信息化引领 上海健康云助力构建 医防融合的整合型健康服务 [EB/OL]. (2020-06-12)[2025-09-15]. https://wsjkw.sh.gov.cn/gzdt1/20200612/be28434a191a4aed98141868ebfbee9e.html.
[27]

Innovative information technology leads the way: Shanghai health cloud helps build integrated health services combining medical care and prevention [EB/OL]. (2020-06-12)[2025-09-15]. https://wsjkw.sh.gov.cn/gzdt1/20200612/be28434a191a4aed98141868ebfbee9e.html.
[28]

迈向医药快送时代 中国医药O2O发展研究报告 [EB/OL]. (2021-12-15)[2025-09-15]. https://www.zhiyanbao.cn/index/partFile/1/aliresearch/2022-02/1_37935.pdf.
[29]

Towards the era of fast medical delivery: Research report on the development of China's medical O2O industry [EB/OL]. (2021-12-15)[2025-09-15]. https://www.zhiyanbao.cn/index/partFile/1/aliresearch/2022-02/1_37935.pdf.
[30]

Krumholz H M. Outcomes research: Myths and realities [J]. Circulation Cardiovascular Quality and Outcomes, 2009, 2(1): 1‒3.
[31]

Krumholz H M. Outcomes research: Generating evidence for best practice and policies [J]. Circulation, 2008, 118(3): 309‒318.
[32]

关于印发医学科技发展"十二五"规划的通知 [EB/OL]. (2011-11-15)[2025-19-15]. https://www.most.gov.cn/xxgk/xinxifenlei/fdzdgknr/fgzc/gfxwj/gfxwj2011/201111/t20111115_90868.html.
[33]

Notice on the issuance of the 12th Five-Year Plan for medical science and technology development [EB/OL]. (2011-11-15)[2025-19-15]. https://www.most.gov.cn/xxgk/xinxifenlei/fdzdgknr/fgzc/gfxwj/gfxwj2011/201111/t20111115_90868.html.
[34]

Crossing the quality chasm: A new health system for the 21st century [EB/OL]. [2025-09-15]. https://www.ihi.org/library/publications/crossing-quality-chasm-new-health-system-21st-century#:~:text=This%20report%20focuses%20on%20closing%20the%20quality%20gap,Improvement%22%3A%20safety%2C%20effectiveness%2C%20patient-centeredness%2C%20timeliness%2C%20efficiency%2C%20and%20equity.
[35]

国家卫生健康委办公厅关于规范开展药品临床综合评价工作的通知 [EB/OL]. (2021-07-28)[2025-09-15]. https://www.nhc.gov.cn/yaozs/c100097/202107/d2a45e6ae041423f950b3865e43f5ef6.shtml.
[36]

Notice of the General Office of the National Health Commission on standardising the conduct of comprehensive clinical evaluation of medicines [EB/OL]. (2021-07-28)[2025-09-15]. https://www.nhc.gov.cn/yaozs/c100097/202107/d2a45e6ae041423f950b3865e43f5ef6.shtml.

基金资助

中国工程院咨询项目“中国老龄化过程中慢病发病现状、趋势和应对策略研究”(2022-ZCQ-10)

AI Summary AI Mindmap
PDF (757KB)

816

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉