走过“数据中台”，回归“数据基座”

发布时间：2025-06-16

　　从CHIMA 2025大会上看到：

　　——业务系统不再是中心议题，AI和数据要素才是！

　　CHIMA 2025大会以“人工智能”与“数据要素”为双核主轴，揭示了医疗数智化转型的深层命题：当算力与模型逐渐普适化，数据价值的爆发正成为行业跃迁的关键引擎。然而，大会现场传递的不仅是愿景，更是反思：头部医院凭借资源禀赋在AI应用中先行破局，而多数医院仍困于数据建设环节，并且行业似乎正陷入数据建设选型的集体迷茫。

　　本年度CHIMA大会上，也有专家对“数据基座”这一话题探讨与实践，这不禁让我们回忆起多年以前“数据中台”的经历。美好的愿望带领我们创新前行，但是现实效果会让我们即时反思、慎重选择，因此希望能够找到特别适合在AI和数据时代的建设与发展之路。

　　一，我们源自信息系统基础，如何有效转型对接到数据系统和AI系统?这里有一个架构性选择的问题；而架构性选择更是慎之又慎的重要抉择！

　　从“数据中心架构”到“数据中台架构”，行业经历了近10年的医院大数据建设探索和实践，但目前医院面临数据价值发挥的关键期，需求侧为何迷茫?市场侧的“数据中台”似乎开始放弃?

　　“数据中台”概念源于互联网行业(阿里巴巴于2015年首次提出)，其设计初衷是在不改变原有信息化架构的基础上，在后台和前台之间加一中间层以解耦，从后台获取数据在中台加工，按业务逻辑封装，统一服务于前台业务。医疗领域的“数据中台”在解决业务问题上成效显著，但面对新时期的数据服务需求，其号称能实现全生命周期的数据管理，架构及项目的复杂性可想而知。医院又如何能在如此复杂的支撑架构中实现数据的自主管控和驾驭?

　　走过数据中台的实践，才发现问题不仅仅在于应用层面、而是在于基础制约。

　　基础性问题没有解决好，一切与应用相关的结构和建设都将被影响、被制约。目前业内将这个数据基础性问题——称之为：数据基座。

　　从各个数据中台建设与应用效果来看，基础性问题不解决，空中楼阁长久不了。信息化项目的建设选型本就是极其复杂和困难的，尤其是传统数据建设项目，动辄几百万甚至上千万，一旦选错，那就是花大代价做无用功。数据建设架构复杂、建设难度高、周期长的项目，在技术高速迭代发展的环境中，极有可能会导致项目完工即为过时的尴尬局面；另外，许多医院数据建设的方案都是“华丽”而又“神秘”的，建设阶段可谓是呕心沥血，通过对复杂技术栈的堆砌来实现整体落地，建成了复杂而又庞大的架构，用起来是知其然而不知其所以然，且使用阶段还要不断地开展复杂的运维工作。

　　从“数据中心”到“数据中台”，再从“数据中台”回归到“数据基座”建设，这是一个理论到实践、实践到理论的认知提高过程。

　　今天，我们探讨数据基座的建设问题，就是基于需求谋求创新、回归到“打地基”层面，希望以更好、更高效的数据基座，直接跳过数据中台面向所有的数据需求提供按需的、即席的、全院级别的自主在线数据服务。同时，在AI破局让传统医疗信息化创新效能接近上限的当下，“数据基座”对数据的原子级汇聚与准备，是助力医院乘AI之势，站在新的起点和高度，探索全新的一条HIT发展曲线的必要条件。

　　二，从数据技术进程，了解不同“数据基座”的适用范围与技术特点

　　● 数据基座1.0时代：数据仓库

　　特点：从业务系统直接汇集主题相关数据；存算紧耦合；没有非结构化数据(文本、语音、图像/视频等)。

　　问题和制约：传统关系型数据库(RDBMS)性能不足。容量资源、数据类型、性能都极为有限。面向主题建设，多仓/多数据集市/多数据中心形成新的分散局面。面向主题域建设的数据不可复用，新需求需建设新仓，局部需求或需要整体重新建模。

　　● 数据基座2.0时代：数据湖+数据仓库

　　特点：对比单层数据仓库而言，数据湖的加入实现了各类数据汇聚(数据库+文件)；提供各类子集给数据仓库；两层架构复杂；建湖建仓分两步走。

　　问题和制约：成本投入大，数据质量差、架构复杂难驾驭。湖采用分布式文件存储技术，在获取数据时会受到架构本身的硬件、网络、调度等因素，导致数据需求响应时效性较差。底层技术多采用NoSQL/HDFS数据库，其架构复杂且不具有数据仓库高阶性的特点，在数据获取、存储、流转过程中带来新的数据质量问题。

　　● 数据基座3.0时代：湖仓一体

　　特点：提高SQL性能是关键；消除两层结构复杂性；存算分离；分布式存储；HADOOP为主要技术路线。

　　问题和制约：存算分离在计算引擎的搭建加剧复杂性，湖的本质还是NoSQL/HDFS技术。

　　● 数据基座新探索实践：全院一库

　　特点：一体汇聚+动态分级存储；存算一体；既是湖也是仓；HANA内存计算技术：列式压缩存储(压缩倍率高达10-20倍)、亿表查询一秒。

　　问题和制约：仅汇聚结构化数据，非结构化数据(文本、语言、图像/视频等)需要对接HADOOP。

　　三，回归本质，方能致远。走过数据中台、回归数据基座，是彻底解除数据结构性制约的有效之路

　　医疗数据的价值并不取决于其“加工复杂度”，而是取决于其“场景响应力”。从需求来评估选择合适的“数据基座”，正是医疗数据穿越周期、归简务实、实现价值跃迁的关键路径。合适的技术和方案的选择能够将医院的“数据土壤”越养越肥沃，丰富医院的数智生态，助力医院全、快、好、省的发展数智创新，优化服务能力、提高临床水平、强化智能化内涵建设。

　　CHIMA 2025大会上，人工智能的热度贯穿主论坛与展览现场，从多模态感知到大模型驱动，从科研分析到质控闭环，几乎每一个展位都在讲“AI赋能医疗”。医院管理者们表现出前所未有的兴趣，许多人认为只要“装个模型”，诊断、预警、分析就能立刻上线，似乎AI落地就在眼前。但现实远比想象冷静得多。随着AI模型逐步接入临床、科研、管理等场景，一个核心瓶颈也随之暴露出来：模型再强，也得靠强大的数据支撑。很多方案在实际部署中频频受阻——数据调不出、调不快、调不全，最终导致AI“空转”、无法发挥实效。

　　以医院全量数据为基础，实现数据的高效敏捷响应，是医疗数据实现价值的关键。合适的技术和方案能丰富医院的数智生态，优化服务能力，让AI从“演示工具”进化为“落地能力”，真正参与到科研闭环、临床决策、管理提效的全链条中。数据基座，才是医疗AI价值落地的真正起点。