Availability and Quality of Anthropometric Data in Swiss Childrens Hospitals: The SwissPedGrowth Project

瑞士儿科生长项目（SwissPedGrowth）证实了从瑞士多家儿童医院异构电子健康记录中提取高质量儿童人体测量数据的可行性，尽管数据完整性和跨机构标准化方面仍面临挑战，但经加权处理后该队列在人口学特征上能代表瑞士一般儿童人群。

要点

这篇论文就像是在瑞士的儿科医院里进行的一次**“人体测量大寻宝”**。

想象一下，瑞士有 7 家主要的儿童医院，它们就像 7 个巨大的**“健康数据仓库”**。医生们每天都在给小朋友量身高、称体重、量头围，并把数据记在电脑里的电子病历（EHR）中。

这项研究（叫 SwissPedGrowth）的目的就是：能不能把这些分散在 7 个不同仓库里的数据收集起来，整理成一本整齐的“瑞士儿童成长大字典”，用来做科学研究？

以下是用通俗语言和比喻对这篇论文的详细解读：

1. 任务背景：为什么我们要这么做？

医生给小朋友看病时，身高体重是“金标准”。如果这些数据能变成大数据库，科学家就能：

• 发现哪些孩子长得太快或太慢。
• 研究药物剂量是否合适。
• 了解整个瑞士儿童的健康状况。

难点在于： 这 7 家医院用的电脑系统各不相同，就像7 个说着不同方言、用着不同记账本的人。有的把数据写在表格里，有的写在自由文本里，有的甚至只存在扫描的纸质文件照片里。要把它们统一起来，就像要把 7 种不同语言的日记本翻译成同一本书，难度很大。

2. 寻宝过程：我们找到了什么？

研究人员从 2017 年到 2023 年，收集了47 万多名小朋友、217 万次就诊记录。

• 收获多少？

  • 体重数据： 比较丰富，大约 43% 的就诊记录里有。
  • 身高数据： 比较少，只有 20% 的就诊记录里有。
  • 头围数据： 非常少，只有 5%-6%。
  • 住院 vs. 门诊： 住院（过夜）的小朋友，数据记录得最完整；而在急诊或门诊（看个病就走）的小朋友，数据经常“失踪”。

• 数据质量如何？（给数据“洗澡”）
  收集来的数据里有很多“脏东西”，比如：

  • 单位错误： 把 120 厘米写成了 120 米（像把蚂蚁写成大象）。
  • 重复记录： 医生把昨天的身高抄到了今天，或者一天内重复记了好几次。
  • 逻辑错误： 比如体重比身高还大，或者负数。

  研究团队开发了一套**“智能过滤器”**（算法），把这些错误数据挑出来。结果发现：

  • 大约 30% 的身高和 31% 的体重是“重复抄写”的（没实际测量，直接沿用旧数据）。
  • 只有约 4% 的身高和 3% 的体重是明显的“离谱错误”（比如负数或单位错）。
  • 好消息是： 经过清洗后，剩下的数据非常干净、可靠。

3. 代表性：这些孩子能代表全瑞士吗？

有人可能会问：“你们只收集了医院里的孩子，是不是都是生病的？能代表全瑞士的健康儿童吗？”

• 初步对比： 刚开始看，医院里的孩子和全瑞士的孩子在年龄、性别、家庭背景（社会经济地位）上有一点点小差异。比如医院里的男孩稍微多一点，高收入家庭的孩子稍微多一点。
• 魔法修正： 研究人员用了一种叫**“加权”**的统计魔法（就像给不同群体的数据调整“音量大小”），把样本调整得和全瑞士人口完全一致。
• 结论： 调整之后，医院里的孩子样本完全可以代表全瑞士的儿童。这意味着，用这些数据研究出来的结论，可以推广到全瑞士。

4. 遇到的“拦路虎”

虽然成功了，但过程并不轻松：

• 自由文本的陷阱： 很多医生习惯在病历里写大段文字（自由文本），而不是填在标准的格子里。电脑很难从文字里自动抓取数据，就像在一大篇散文里找特定的数字，很难。
• 扫描文件的盲区： 很多旧数据是扫描的纸质单据，电脑“看不见”里面的字。
• 系统不兼容： 有些医院把“一次就诊”和“一个行政病例”搞混了，导致很难把数据精准地对应到某一次具体的看病上。

5. 最终结论与启示

这篇论文告诉我们：

1. 可行！ 尽管困难重重，但通过瑞士的“个人健康网络”（SPHN）框架，把不同医院的数据拼在一起是完全可行的。
2. 数据很有价值： 只要经过仔细的清洗和整理，电子病历就是巨大的金矿，能用来做高质量的儿童成长研究。
3. 未来的建议：
   • 医生层面： 需要培训医生多填“标准表格”，少写“自由文字”，这样电脑才能读懂。
   • 医院层面： 优化电脑系统，让录入数据更简单。
   • 技术层面： 改进算法，更好地从混乱的文本中提取数据。

一句话总结：
这就好比我们要用 7 个不同语言的仓库里的零件，组装出一辆完美的“瑞士儿童成长监测车”。虽然零件形状各异、有些生锈（数据错误），有些甚至藏在箱底（未结构化数据），但经过精心的筛选和组装，我们成功造出了这辆车，它能载着我们驶向更了解儿童健康的未来。

技术摘要

以下是关于论文《瑞士儿童医院人体测量数据的可用性与质量：SwissPedGrowth 项目》（Availability and Quality of Anthropometric Data in Swiss Children's Hospitals: The SwissPedGrowth Project）的详细技术总结：

1. 研究背景与问题 (Problem)

• 核心挑战：人体测量数据（身高、体重、头围）是儿科护理、生长发育监测、疾病诊断及药物剂量计算的关键。虽然这些数据通常记录在电子健康记录（EHR）中，但将其从异构的 EHR 系统中提取并转化为可用于大规模研究的高质量数据面临巨大障碍。
• 具体痛点：
  • 数据可用性：EHR 中记录的数据往往不完整，且缺乏标准化的提取路径。
  • 数据质量：存在单位错误、小数点错误、记录互换（身高记为体重）、重复记录（同一天重复或从前次就诊携带）以及生物学上不可能的异常值。
  • 系统异构性：瑞士各儿童医院使用不同的 EHR 系统，导致数据提取、清洗和标准化（Harmonization）极其困难。
  • 代表性：临床队列是否能代表瑞士普通儿科人口尚不明确。
• 研究目标：评估从瑞士七家儿童医院异构 EHR 系统中提取人体测量数据的可行性，评估其可用性与质量，并验证该队列对瑞士普通儿科人口的代表性。

2. 研究方法 (Methodology)

• 研究设计：多中心回顾性研究（SwissPedGrowth 项目），嵌套于瑞士国家数据流 SwissPedHealth 框架内。
• 数据来源：
  • 医院：巴塞尔、伯尔尼、日内瓦、洛桑、卢塞恩、圣加仑和苏黎世的 7 家儿童医院。
  • 时间范围：2017 年至 2023 年。
  • 人群：就诊时年龄 <20 岁的患者。
  • 伦理：基于医院的一般知情同意（General Consent），包括未主动拒绝的患者。
• 数据提取与处理：
  • 标准化流程：利用 SPHN（瑞士个性化健康网络）框架，将数据映射到 RDF（资源描述框架）图数据库，使用标准术语（SNOMED-CT, LOINC）。
  • 社会经济数据：通过患者地址链接 Swiss-SEP（瑞士邻里社会经济地位指数），并在链接后删除地址以保护隐私。
  • 数据清洗：
    • 将 RDF 数据“扁平化”为表格格式。
    • 定义就诊类型：门诊、急诊、住院。
    • BMI 计算：匹配同一患者 30 天内最接近的身高和体重记录进行计算。
  • 质量控制算法：
    1. 自研算法：基于 WHO 生长标准（适配瑞士）计算 Z 评分，识别生物学不可能的异常值、单位/小数错误、互换记录等。
    2. 现有算法：使用 growthcleanr 算法（基于纵向移动平均 Z 评分）。
    3. 组合策略：结合上述两种算法进行综合清洗。
    4. 人工复核：随机抽取 140 份（70 门诊 +70 住院）未自动提取数据的病历进行人工审查，以验证提取失败的原因。
• 代表性评估：
  • 将研究队列与瑞士联邦统计局（FSO）的 20 岁以下总人口数据进行对比。
  • 使用标准化差异（Standardized Differences, Cohen's d/h）评估年龄、性别、国籍和 SEP 的差异。
  • 使用迭代比例拟合（Raking）对研究人群进行加权，以消除与总人口的差异。

3. 主要结果 (Key Results)

• 研究人群规模：
  • 最终纳入 477,531 名患者，共 2,171,633 次就诊。
  • 人口特征：54% 为男孩，71% 为瑞士国籍，平均 Swiss-SEP 为 65（SD: 11），中位就诊年龄 6.3 岁。
• 数据可用性 (Availability)：
  • 记录率：身高记录占就诊次数的 20%，体重 43%，头围 5-6%，BMI 23%。
  • 差异：住院期间的记录率显著高于门诊和急诊。婴儿和瑞士籍儿童的记录率高于年长儿童和非瑞士籍儿童。
  • 纵向数据：38% 的患者有至少一次身高记录，76% 有体重记录；23% 的患者有多次身高记录，49% 有多次体重记录，具备纵向分析潜力。
• 数据质量 (Quality)：
  • 异常值：结合算法后，约 4% 的身高和 3% 的体重被标记为生物学不可能的异常值。
  • 重复记录：约 29% 的身高和 31% 的体重被标记为重复记录（携带向前或同日重复）。
  • 错误修正：修正了少量单位/小数错误（身高<1%，体重<1%）。
  • 人工复核发现：许多数据存在于非结构化文本（如扫描的纸质麻醉记录、护理图表、自由文本的出院小结）中，导致自动化提取失败。
• 代表性 (Representativeness)：
  • 原始队列在年龄（偏小）、性别（男孩略多）、国籍（瑞士籍略少）和 SEP（高社会经济地位略多）方面与总人口存在微小至中等的差异。
  • 加权后：应用加权后，所有关键变量的标准化差异降至接近零（<0.001），表明加权后的队列能很好地代表瑞士普通儿科人口。

4. 关键贡献 (Key Contributions)

1. 可行性验证：证明了通过 SwissPedHealth 和 SPHN 框架，从瑞士异构的医院 EHR 系统中提取大规模、高质量的人体测量数据是可行的。
2. 数据质量评估：详细量化了 EHR 中人体测量数据的可用性（特别是门诊数据较低）和质量问题（重复记录和异常值），并开发/验证了针对瑞士数据的清洗算法。
3. 方法论创新：展示了如何利用迭代比例拟合（Raking）对临床队列进行加权，使其在人口学特征上具有全国代表性，从而支持流行病学研究。
4. 揭示提取瓶颈：通过人工复核，明确指出了非结构化数据（自由文本、扫描件）是数据提取的主要障碍，为未来 EHR 系统优化提供了具体方向。

5. 意义与启示 (Significance & Implications)

• 研究价值：SwissPedGrowth 提供了一个巨大的、经过清洗和加权的人体测量数据集，可用于回答个体层面的临床问题和公共卫生层面的流行病学问题（如肥胖趋势、生长迟缓分布等）。
• 系统改进建议：
  • 医生层面：培训医生将临床信息录入结构化字段，减少自由文本的使用。
  • 医院层面：优化 EHR 系统，特别是针对高流量的门诊和急诊，确保关键指标（身高、体重）的强制结构化录入。
  • 框架层面：SPHN 框架需进一步调整，以更好地链接数据到具体的“就诊事件”而非宽泛的“行政病例”，解决异构系统带来的映射难题。
• 局限性：研究未包含意大利语区的数据；门诊和急诊数据的缺失率较高；部分数据可能源自家长报告而非专业测量。

总结：该研究不仅成功构建了瑞士首个多中心儿科生长数据库，还深刻揭示了从临床 EHR 到研究数据的转化过程中存在的“数据孤岛”和“非结构化”挑战，为未来利用真实世界数据（RWD）进行儿科研究奠定了坚实基础。