9.1 基于FHIR解决现实需求
医疗健康行业正面临着深刻的变革。
政策上，医疗服务计费转为医疗结果计费、三医联动、完善分级诊疗体系、加强预防为主的公共卫生体系建设…
业务上，如今的医疗健康数据早已不仅在医院里生成了、数据交换的要求也跨出了医院的围墙、数据的用户也不仅仅是医院和医护人员了、患者也从被动的医疗服务接受者转变为主动的自己健康管理者、数据不再仅是记录，而是要支持实时的结果改进、对数据的分析决策越来越需要人工智能的辅助甚至自动化…
在这个时代的医疗健康信息化建设必然要连接数据孤岛、打破信息围墙、冲破业务束缚、保证数据安全，这需要实现一个数据全面覆盖、业务全面互联互通、决策全面闭环和智能化、加速业务创新和技术创新的全新医疗信息化生态。而一个开放性的行业语义和互操作标准是建立这个生态的关键。我们看看FHIR如何帮助应对这些现实的挑战。
9.1.1 医疗健康的数据安全与隐私
与其它行业常见的一个或几个供应商拥有海量数据不同，在医疗健康行业，数据来自众多的业务和数据源，而且越来越多的数据源参与进来，例如基因检测数据、穿戴设备和移动健康应用；所有这些数据要在医疗过程中完整、准确和可及才能保证患者安全；而不同的用户对于数据有不同的需求，包括患者本人。这是我们面临的医疗健康数据互联互通需求的大背景。在这个大背景下，医疗健康数据的安全与隐私成为核心关切，各国也开始在政策层面立法以确保医疗健康数据的互联互通与安全。
在FHIR标准中，数据安全与隐私也是它重点建设的方向。它并没有发明、也不限制任何解决安全与隐私的技术方法，而是试图通过建立一套规范来保证数据仅能根据预期和安全策略被发现、访问和更改。
FHIR定义了一系列和数据安全与隐私相关的资源和概念：
- 记录用户的同意授权（consent资源），让患者自己定义谁在声明情况下可以访问、访问哪些数据，以及允许访问多长时间
- 记录数据的出处（Provenance资源），帮助用户明确数据的可信度、完整性，并可以使用数字签名等安全技术确保数据出处信息真实、准确。这在数据源越来越多的情况下尤其重要
- 记录发生的数据事件（Audit Event资源），用于事后安全审计
- 安全标签概念：可以为每个资源打安全标签，用以说明该资源的数据敏感性和安全要求 – 是否可以被修改（使用目的）、哪些资源可以被返回（隐私级别）、需要哪些后续的数据处理义务（流量控制），如“使用后删除”。访问控制决策引擎可以根据安全标签对资源进行访问控制。
FHIR即可用于基于角色的访问控制 (RBAC) ，也适合基于属性的访问控制 (ABAC)。
FHIR已经能涵盖很多安全与隐私用例，例如匿名化，通过为FHIR资源打“匿名化”安全标签，FHIR服务器将请求的资源按规则匿名化后再返回。更多的用例可以参考：http://hl7.org/fhir/secpriv-module.html 。
另外，FHIR生态中很多架构已经在使用FHIR标准和现有安全与隐私的技术构建出完整的安全与隐私实施架构。例如SMART on FHIR利用OAuth2和OpenId进行用户身份验证，声明详细的对FHIR资源的需求和需要的资源操作，并在应用中更新上下文；IHE的IUA也使用OAuth令牌。
FHIR的安全工作组仍在深化FHIR在安全与隐私方面的工作，计划包括以下方面：
- 将 SMART on FHIR 授权规范，用于用户授权的应用程序
- 组织对组织授权的方法
- 如何使用数字签名来实现数据完整性和不可否认性
- 更详细的同意管理，包括对特定同意用例的支持
- 支持 GDPR 及其他国家地区的隐私法规的指南和方法
当然还有很多数据安全与隐私的问题，例如FHIR资源仓库如何加密。相信随着FHIR应用范围的不断扩大，这些问题很快都会得到设计和解决。
9.1.2 互联网医院
互联网医院是指综合利用大数据、云计算等信息技术使得传统医疗产业与互联网、物联网、人工智能等技术应用紧密集合，用信息化、互联网化的手段去最大限度降低成本、优化服务流程，实现利用互联网对个体健康进行全过程的跟踪记录的一种新型业态的医疗健康服务体系。以下为互联网医院的基础架构：
现状
互联网医院目前分为两种：
- 以医疗机构为主体，这种模式的互联网医院主要是将医院的服务能力由线下转向了线上，使医院提供的医疗服务不用再局限于本地，全国用户均可登陆互联网医院进行就诊，并且也缓解了实体医院的就医压力，使部分服务可以转移至线上不用再去占用医院资源，大部分互联网医院是以医疗机构为主体，如浙江大学附属第一医院、四川华西医院等。
- 以互联网企业为主体，这种互联网医院主要是在中国互联网发展大环境中，以早期提供医疗服务的互联网企业为主体建立，其中比较有代表性的是早期以挂号服务起家的微医集团建立的乌镇互联网医院以及以医生论坛发展起来的丁香园建立的银川丁香互联网医院。
应用展望
HL7历代标准的推行都是为了更适应于行业的需求和发展，随着医疗行业的发展，互联网医院这一新型的医疗服务体系随之出现，在国内疫情期间开始快速发展，而HL7 V2标准、HL7 V3标准对于现在蓬勃发展的的移动互联网应用技术不够友好。而FHIR 标准基于成熟的网络标准构建，使用RESTful体系架构，更好的顺应互联网发展形势，支持XML、JSON等主流的数据交换格式，FHIR作为一个开放的标准，只要遵循FHIR标准，就可以使用各种方式与FHIR API对接，相对于其他的国际标准接入的难度和门槛更低，更好的支持在基于医疗机构建立的互联网医院中不同系统、应用之间进行规范、快速和有效的医疗信息共享。
FHIR在结构格式设计中使用了叙述式结构区块Narrative，支持对医疗资源信息进行有效而快速的分析、解读、处理，降低了研发的难度和成本，如：在线问诊时，医生需要患者的具体的医疗数据信息，通过FHIR可以对此次诊疗的数据进行分析处理，将与此次就诊相关的资源信息整理为易于人解读的数据信息，更加方便于此次的诊疗。
对于互联网这一新型的医疗健康服务体系，出现了线上诊断、开放、药品分发、转诊等各类新的医疗场景，举例如下图：
FHIR标准由Resources，即称之为“资源”的模块化组件构建而成，其中既有关于患者、医务人员、医疗职工等概念的资源，也有很多涵盖了疾病、用药、诊断、护理及财务等临床概念的资源，并且FHIR资源作为信息的载体，在设计时采用“八二原则”，即无法兼顾所有场景，设计出面向80%常见场景的基础标准，对于特殊情况也提供了规范的自定义模型，能在一个可控的框架下对FHIR标准进行规范的扩展定义，更好的满足日后互联网医院中新的医疗场景。
并且FHIR采用RESTful API，它能够提供一个更紧密的业务集成度、去中心化的互操作能力，实施简便快捷，技术规范自由可行，对于现成可用的互操作性基础资源，既可原样使用，亦可针对实际业务需求对其加以改编，与之前的标准之间既可共存，亦可相互利用，降低在符合需求使用时的开发成本，更加适用于互联网医院。
9.1.3 县域医共体
区域医共体全称“区域医疗服务共同体”，是将同一个区域内的医疗资源整合在一起，实现区域医疗资源共享、优势互补、互赢共惠、联动发展，旨在构建优质高效整合型医疗卫生服务体系，更好地解决群众看病难、看病贵、看病不方便的问题。
同时，医共体有三个特征：第一是有明确的区域性；第二是以全体居民健康为目标；第三是整合性，在这个区域里围绕着健康的目标，对所有的资源最大限度的整合。
一是信息孤岛的问题严重，标准不统一，或者是标准多样，都是造成了信息、数据无法进行共享互联。目前国外的发达国家如美国、日本等都在大力推进医疗信息化的建设。对于医共体建设来说，联结各医共体主体的重要基础就是医疗信息化的建设。医疗信息系统建设作为实现县域医共体互通互联的重要组成部分，可为在医共体内不同层级的医疗机构提供了互动和反馈等链接。
二是业务系统整合困难，或许很多的医院基础的信息化系统已经比较全面，例如已经上了HIS、LIS系统等。在推进医共体建设的时候，不同的企业、不同机构的不同系统无法进行互联互通，这也是造成业务无法进行整合的主要的原因。
医共体的信息化建设中面临的一个重大问题就是信息、数据无法进行互联互通，造成此问题的根本原因还是在于信息化建设中采用的标准不一致，而FHIR标准可以很好的解决此问题。7.4.3章节的案例说明FHIR标准在区域医共体的信息化建设上有着巨大的发展潜力，在区域数据共享方面，FHIR具有可快速扩展和快速接入平台优势：
FHIR具有统一规范的扩展和约束机制。FHIR标准中以资源作为信息的载体，在设计时吸收HL7 V3标准的经验，考虑到单纯通过定义标准无法兼顾到所有场景中的数据，因此在FHIR标准设计遵循八二原则，对于特殊情况也提供了规范的自定义模型，能够快速实现在一个可控的框架下对FHIR标准进行灵活的自定义的延伸。不同于HL7 v3由于缺乏公开的注解难以理解自定义模型, FHIR的扩展和自定义模型的注解是通过URL直接开放在区域医共体内的，能供FHIR自定义模型的使用者自行对照理解。能够实现区域医共体内医院与区域平台的快速对接。采用FHIR标准，更加适用与区域医共体内的区域信息共享。同时FHIR本身独有的扩展机制，能够支持它在医共体业务信息的扩展方面发挥作用。
9.1.4 互联互通
互联互通其实就是国际上的互操作性，HIMSS对于互操作性定义的是：不同的信息系统、设备、应用系统之间、程序之间，在机构区域和国家边界之内，以及跨机构、区域和国家边界，以协调的方式来访问交换集成和协作使用数据的能力。当前医院面临更多互联互通需求，如预约挂号与分级诊疗、检验结果共享、医联体信息化、监管数据上报、临床辅助决策支持等，都需要对多源数据进行集成与整合。医疗机构内部和跨机构数据交换与共享，对互联互通提出新的要求。
几十年来，健康数据互操作性一直是医疗信息化提供者和开发人员的共同目标。在 21世纪，随着互操作性越来越受到关注，利益相关者正在寻找能够满足无缝、按需和实时信息交换需求的数据标准。最后，FHIR（快速医疗信息化互操作性资源）代表了全球健康数据互操作性的成熟标准，可以满足被压抑的需求。FHIR 正在迅速成为最流行的标准，用于整合以前不一致的系统，并显示出广泛采用基于应用程序的健康数据交换方法和真正的互操作性的巨大潜力。
FHIR在国内和国际医疗信息化的未来发展方面具有无限潜力。就像早期的互联网一样，这种强大的新资源的真正潜力直到开发出一种标准才能实现，该标准使利益相关者能够联合起来并有效地共享信息，以改善每个相关人员——从个人用户到医院再到企业。对于互联网，该标准是 TCP IP，但对于医疗信息化，该标准是 FHIR。它在未来医疗信息化方面有巨大潜力，FHIR在医疗机构的环境内定义了多个标准化的服务组件，这些服务组件就是现在的各个医疗系统，通过FHIR实现各个医疗系统间的语义统一，实现这些医疗系统间的开放性和可复用性，达到医疗组件的互联互通。
今天的医疗信息化与早期的互联网网络时代非常相似，FHIR 对医疗信息化就像 TCP/IP 对互联网一样，将不同的系统整合在一起以造福所有人。FHIR 提供资源的机制；能够从任何系统中查找信息并在系统之间实时和按需传输该数据。没有立即采用FHIR标准，标准在发展过程中，从诞生过渡到成熟期需要一定的时间，需要数年才能完全成熟。例如，TCP IP 大约需要 8 年时间才能成熟，再过几年才能被广泛采用。
FHIR 已经获得了全球政府、企业和医疗信息化提供组织的广泛接受和快速增长的采用。这一成功的关键在于 FHIR 已经包含了成功标准的必要特征，包括：
它是动态的：它是一种动态而非静态的标准，可以在不破坏其基本性质的情况下接受新的变化。这意味着可以在不破坏或禁用现有实现的情况下提出更改和更新，而是以有意义和有用的方式扩展这些现有实现。
它是能够真实落地的： FHIR 能够以在落地过程中随着实际情况变更，而不是强迫用户和系统遵循一组特定的僵化观点。通过承认不同的观点，FHIR 提供了在必要时将它们映射在一起的方法，以提供更大的自由和更容易被利益相关者采用。
它是一个搜索 API： 这是成功准备就绪的真正关键。它不仅可以交换信息，还可以通过现代技术轻松传播这些数据，这些技术与我们今天在互联网上习惯的做事方式相一致。此外，任何想要开发应用程序的人都可以简单地访问 FHIR 规范并开发能够提供他们希望提供的价值的应用程序。由于不同系统中使用的每个信息孤岛的独特性，这在以前非常困难。
通用性：借助标准化的 API，任何新编写的应用程序都可以被其他 FHIR 用户使用。因此，为一个医生编写的应用程序可以被其他医生使用，而为一个医院编写的应用程序可以被所有医院使用。
通过 FHIR，我们已经看到了医疗信息化提供的多个方面背后的团结。在国内，我们看到医院、供应商、研究人员和集成商都从价值方向主张转向 FHIR，因为这些参与者中的每一个都可以看到，随着现有信息孤岛的拆除，FHIR应用将会越来越广泛。如：《首都医科大学附属北京友谊医院基于FHIR的互联互通标准研究课题》见国内案例以及他们围绕实施指南和用例的开发工作、FHIR Connectathon测试国内多个厂商进行应用测试，最好地说明了围绕 FHIR 进行合作的意愿。
FHIR规模化应用后，可达到各地区各医疗机构信息化水平提高和跨机构跨地域的互联互通与信息共享，最终实现优质医疗资源下沉，共享医疗服务，推动国内医疗信息化建设。
9.1.5 科研与临床试验
当前，用于前瞻性临床研究的科研电子病历数据的获取和使用与常规临床护理的电子病历系统是分开的。这需要手动查看临床数据图表以收集、分析和提取数据，从而增加了研究时间，并创造出错的机会。通过FHIR标准，这些数据采集与分析流程可以现代化，加速数据准备和降低数据成本。
而科研与临床试验的活动计划也可以使用FHIR来表达和交换，这有助于在更大范围内建立资源共享的、更大范围协同的大型科研与临床试验项目。
建立患者队列一直是科研与临床试验成本的大头。究其原因是因为通常没有一家医疗机构有满足这些项目条件的、足够多的患者。前期需要花费大量精力和成本在多个医疗机构中寻找、分析和确认可入组患者。通过FHIR、FHIR API和FHIR资源仓库，科研和试验用户可以快速查找患者和完成患者入组工作，并获得科研和试验对象的完整的健康信息，进而降低患者队列研究成本。
我们看到现在已经有基于FHIR的科研计划，例如于2019 年 9 月启动的火神计划（VULCAN）就是针对科研的FHIR应用计划。目标是加速临床研究和临床护理的连接，它将转化和临床研究社区的利益相关方聚集在一起，以弥合临床护理和临床研究之间的现有差距，战略性地建立行业合作，最大限度地利用集体资源，并提供集成的工具和资源。通过标准开发组织、政府、研究机构、行业团体、技术厂商和患者的多方参与，加速标准在科研和药品研发的落地。
这个计划目前有3个工作方向：
- 第一是建立和利用表型数据的交换标准，使用FHIR在各种环境中使用和交换匿名化的患者病历级信息。这需要对FHIR资源进行进一步开发。
- 第二是通过FHIR获取电子病历系统的数据，并具有直接生成科研所需数据的能力。当前它在和美国FDA协作处理药品数据，将患者的药嘱数据直接生成SDTM数据集。
- 第三是采用FHIR资源描述科研活动计划，保证一致性，避免重复数据录入并实现自动化。当前在将“临床数据交换标准联盟”的ODM-XML格式的活动计划转换为FHIR标准。
很多科研数据组织也开始考虑如何借力FHIR生态。以OHDSI为例，它已经开始映射其科研模型和FHIR模型，让FHIR数据可以直接进入OHDSI模型，并使OHDSI的数据支持FHIR应用。
相信随着FHIR资源模型和API的进一步完善，FHIR会在科研与临床试验领域发挥更核心的价值。
9.1.6 医疗质量监管
我们正面临着医保/医疗支付从按医疗服务的数量型计费到按治疗保健结果的质量型计费的转变，以提高整体医疗水平和医疗平等性，降低医疗保健成本。
在这个过程中，首先要建立医疗质量指标体系用于真实、客观评价治疗保健结果，并能够及时评价并加以改进。医疗质量指标的建立需要患者全方位的、及时的健康和医疗数据的支持，并使用正确的工具来衡量医疗保健结果；同时，这些质量指标和工具应能指导如何改进医疗保健结果。
在医疗健康领域，我们需要测量和监管许多质量指标，包括且不局限于：
- 医疗服务质量
- 健康资源利用
- 临床有效性
- 患者安全
- 患者参与
质量指标对数据质量有几个核心维度的要求：
- 完整性：是否从临床和医保/支付获取所需的所有数据？
- 新近度：数据提取的频率是否足以被认为是“新鲜的”？
- 标准化：是否获得一致的诊断、手术/处置、实验室、生命体征、药物、社会史和服务地点代码？
- 其他数据质量特征包括唯一性、有效性和准确性。
FHIR 涵盖了广泛的健康数据，包括临床数据、患者数据、支付数据和质量管理，这些数据是衡量质量改进的关键；FHIR 带来的行业通用的互操作能力，尤其是FHIR API方便从更多的机构收集和汇总实时性数据，有助于提高指标的实时性、准确性和可用性；FHIR的生态，例如FHIR决策支持架构，可以实现质量改进闭环。
FHIR已经在研究和布局医疗质量监管方面的应用：
- 它已经包含了指标（Measure）资源和指标报告（MeasureReport）资源，可以用于质量指标的创建和报告；
- FHIR正在研究和发布多个质量指标方面的实施指南（IG），包括质量改进核心(QI-Core)、 质量指标（Quality Measure）和基于价值的护理数据交换（达芬奇项目）；
- 医疗质量监管，还需要将质量指标反馈给业务端进行整改。如何将质量指标实时反馈回业务端，督促维持和改进质量？质量测量是Smart on FHIR涵盖的用例之一，可以通过Smart on FHIR计算和获取到的医疗质量数据直接反馈到医护技的电子病历工作站。
以质量测量（Quality Measure）实施指南为例，它使用FHIR 临床推理模块和临床质量语言 (CQL) 来替代现有的美国电子临床质量测量 (eCQM) 所使用的数据模型、指标表达式逻辑和指标结构：
这个实施指南推出的更大目标就是建立质量改进生态系统，实现闭环：
虽然它是应用于美国的FHIR实施指南，但其大部分内容对全球具有参考价值。
9.1.7 人工智能和机器学习
2021年，国家卫生健康委和国家中医药管理局联合印发《公立医院高质量发展促进行动（2021-2025年）》，明确“十四五”时期公立医院高质量发展的8项具体行动。其中，第4项为建设电子病历、智慧服务、智慧管理“三位一体”的智慧医院信息系统。
面对医疗健康数据洪流，不论是数据范围还是数据规模都已经超过了人类个体的认知能力，要做到智慧，借助机器学习和人工智能延伸我们的决策能力已经成为趋势。
机器学习技术经过20年的发展，在技术上应用到行业已经没有障碍，而自动化机器学习更是降低了在行业里应用机器学习的门槛。在医疗行业，机器学习和人工智能已经有上百种用例，帮我们分类、解释、预测和自动交互等各种场景。
但我们仍面临诸多挑战：
- 机器学习依赖于大量的、干净的、有效的结构化数据。在医疗健康行业，我们的数据质量和结构化程度依然不高；大量的数据还在数据孤岛里，数据一致性差，不能有效支撑机器学习；保护患者的隐私与数据安全的政策尚不完善，遇到了一刀切式的数据访问严格限制
- 在医疗行业语义模型标准化程度不高的现状下，以特定数据模型和术语训练出的模型无法直接共享和应用到其它模型和术语上，需要大量的适配工作
- 机器学习预测模型要及时应用回业务流程才能真正辅助决策，并不断优化模型。而医疗健康行业整体互联互通能力和业务流程再造能力不足的情况下，许多机器学习成果仍停留在纸面
而FHIR和日益强大的FHIR生态能帮助我们应对大部分挑战：
- FHIR提供了一个标准的行业语义模型，利用它可以更好地梳理数据，提高数据质量和结构化水平。而且FHIR是一个机器可读的标准，方便机器理解数据
- FHIR强大的互操作能力和分布式的FHIR资源仓库架构解锁数据孤岛问题
- 基于FHIR标准语义模型建立的机器学习成果可以轻松的应用到整个FHIR生态
- FHIR的互操作能力及FHIR生态的诸多架构，例如临床决策支持架构CDS Hooks，可将预测结果实时反馈回业务流程，并持续自动改进
- 基于FHIR生态的数据隐私与安全标准建设，有助于释放医疗健康数据给科研和机器学习
- 针对FHIR数据的检索分析技术，尤其是基于SQL的技术，帮助我们探索和理解FHIR数据，建立可理解的人工智能
如今，不少厂商已经着手提供基于FHIR构建的机器学习服务，借助FHIR标准和FHIR API加速机器学在行业的落地。