医疗行业正在进入AI时代，但一个长期被忽视的问题是：医院积累了海量数据，为什么真正能够用于AI和药物研发的数据依然如此稀缺？ 很大程度上，问题不在数据量，而在于数据标准化和互操作性。这里有两个非常重要的标准：FHIR和ICD。

FHIR解决数据怎么流动，ICD解决疾病怎么编码。 FHIR（Fast Healthcare Interoperability Resources）由HL7推动，是医疗信息交换的重要标准。ICD（国际疾病分类）由WHO维护，用于标准化疾病诊断。例如，患者被诊断为2型糖尿病，在美国可以使用ICD-10-CM编码E11.9；FHIR则可以通过Condition等资源，将诊断信息在医院EHR、保险系统和研究平台之间交换。简单来说，FHIR是运输系统，ICD是疾病分类语言。

但真正复杂的地方在于：数据能够交换，不代表数据能够直接用于科学研究。 同一个ICD编码，可能对应不同疾病严重程度、诊断依据和治疗阶段。ICD适合疾病分类、统计和医保结算，却不一定具有足够的临床表型精度。因此，医疗研究通常还需要SNOMED CT、实验室指标、药物记录、临床文本等多维信息，才能准确刻画患者。

对于Biobank、RWE和药物研发，这个区别尤其重要。UK Biobank、All of Us以及大型EHR数据库，都依赖疾病编码进行患者识别和表型构建。但ICD编码不等于经过验证的疾病表型，更不等于临床试验终点。 从ICD到Phenotype，从Phenotype到Clinical Endpoint，再到Drug Development Decision，中间需要大量表型验证、数据治理和临床转化工作。这也是为什么拥有百万级患者数据，并不意味着能够直接产生高质量的药物研发证据。

未来医疗AI的竞争，可能不只是模型参数和算法能力，而是谁能建立可靠的数据基础设施，把FHIR、ICD、SNOMED CT、OMOP、基因组学和临床结局真正连接起来。FHIR解决互联，ICD解决分类，OMOP支持跨数据库标准化研究，而高质量表型和临床验证决定这些数据能否形成可信证据。 医疗AI真正的护城河，或许不是拥有多少数据，而是能够把多少数据转化为可验证、可复现、可用于临床决策的知识。

#医疗AI #医疗大数据 #FHIR #ICD疾病编码 #真实世界研究 #药物研发 #生物信息学