跳到正文
原文
梅斯医学·临床资讯·· 2026-10-10AI 评分46

面向全周期胜任力培养的精准医学教育LEADS数据治理体系构想与初步建设

【协和医学杂志】面向全周期胜任力培养的精准医学教育LEADS数据治理体系构想与初步建设

AI 导读

《协和医学杂志》刊文提出精准医学教育LEADS数据治理体系,以复旦大学附属中山医院“5+3+X+继续教育”贯通式平台为例报告初步建设。体系含纵向贯通、证据链形成、画像分析与识别、预测支持、孪生治理五要素,该院已在数据底座、住培病种自动归集和计点积分画像上形成较明确的实践基础,预测支持与数字孪生治理仍处原型探索阶段。

正文

深度解析医学证据,DeepEvidence为你支撑决策

近年来,胜任力导向的医学教育(CBME)已从能力框架构建逐步转向临床实施与效果验证。2025年,N Eng J Med刊发的一篇综述指出,医学教育改革应以胜任力为锚点,将其融入日常诊疗、团队协作及患者照护的全过程[1]。我国医学人才培养体系具有院校教育、毕业后教育和继续教育三阶段衔接的特征。国家政策明确提出,“支持医学教育创新发展,并积极推进毕业后教育与继续教育的信息化建设”[2]。

自2013年全面实施住院医师规范化培训(下文简称“住培”)制度以来,我国已逐步建立起较为系统的制度框架与标准体系[3],并明确提出核心胜任力的培养要求。此外,中国住院医师培训精英教学医院联盟发布的核心胜任力框架共识及里程碑评价体系,进一步推动了我国毕业后教育向CBME模式转型[4-5]。

然而,教学医院在全周期胜任力培养中仍面临数据分散、标准不一、证据不足和反馈滞后等现实瓶颈。具体而言,不同培养阶段学员的学习经历、临床实践、评价反馈和发展结果分散于多个平台和业务系统,跨阶段、跨系统的追踪整合尚不充分;多维能力评价仍依赖人工登记、阶段性考核和结果统计,难以动态反映学员在真实临床场景中的能力发展轨迹。因此,教学医院亟需构建贯通临床、教学、评价和管理的数据治理体系,将分散的业务数据转化为可追踪、可解释、可复用的胜任力培养证据。

精准医学教育(PME)是一种系统性教育模式,其核心是基于学员的纵向、多源、动态数据,运用数据分析及相关技术识别个体差异、能力缺口与发展需求,进而提供个体化、及时、可持续优化的培养支持,并推动培养项目和教育组织的持续改进[6-7]。PME为CBME从理念框架迈向持续实施与改进提供了重要的方法学路径。

研究显示,人工智能赋能的精准教育系统有望整合学员的纵向数据、临床表现及教育评价信息,以支持能力缺口识别、个体化学习路径生成和持续反馈[6]。Burk-Rafel等[7]从机构实施层面提出,PME的落地不应依赖于单点技术工具,而需同步推进教育数据整理、分析能力建设、治理机制建立、持续结果评价和变革领导5项策略,并强调教育数据应具备相关、可信、一致、及时、可及、交互、互联和可行动等8项基础原则。

近年来,该团队围绕教育数据仓库、学习分析、临床学习环境数据转译和学员画像,形成了较为系统的研究基础[7-9]。我国教学医院在推进PME的过程中,既要借鉴上述先进理念,也需结合全周期培养制度、标准体系及多系统数据环境,形成具有可操作性的建设路径。

本文在国际PME机构实施策略的基础上,结合我国教学医院全周期医学教育特点,提出PME相关LEADS数据治理体系(LEADS-PME),并以复旦大学附属中山医院(下文简称“中山医院”)“5+3+X+继续教育”贯通式医学教育信息化管理建设[10-12]为例,阐述该体系的框架构想、初步建设及评价设计,以期为我国教学医院PME的落地提供理论框架与实践参考。

1 LEADS-PME的内涵与框架构想

1.1 内涵界定

LEADS-PME是面向教学医院全周期胜任力培养需求的PME数据治理体系。该体系以院校教育、毕业后教育和继续教育贯通的纵向数据为基础,对分散于临床实践、教学活动、考核评价和培养管理等环节的数据进行规范整合、质量校验和教育语义转化,使原始业务记录形成能够反映学习经历、临床实践和能力发展的培养证据。

在此基础上,通过统一身份标识、教育主数据和评价指标口径,建立跨阶段、跨系统的连续证据链,支持学员画像分析、能力短板识别、培养风险预警、个体化反馈和教育决策,并根据培养结果持续校准指标与改进管理,促进医学教育由数据记录和结果统计逐步走向过程监测、证据评价与精准支持。

1.2 五要素框架

LEADS-PME框架可概括为5个相互衔接的核心要素,即纵向贯通、证据链形成、画像分析与识别、预测支持和孪生治理,共同构成教学医院推进PME数据治理的框架基础(图1)。

图片

图1 精准医学教育LEADS数据治理体系

1.2.1 纵向贯通(Longitudinal foundation,L)

纵向贯通是基础,强调以统一身份主索引和教育主数据为支撑,贯通院校教育、毕业后教育和继续教育不同阶段的数据,形成连续、可追踪、可关联的全周期教育数据底座。

1.2.2 证据链形成(Evidence-chain generation,E)

证据链形成是关键,强调通过统一标准、统一口径和教育事件建模,将临床、教学、评价和管理过程中的多源数据转化为可追踪、可解释、可复用的胜任力培养证据。

1.2.3 画像分析与识别(Analytics and profiling,A)

画像分析与识别是连接培养证据与精准支持的重要环节,强调基于连续证据链,形成学员、专业基地、指导老师、课程和教学资源等多主体画像,动态呈现培养过程、能力发展、薄弱环节和群体差异,为个体化反馈和培养改进提供依据。

1.2.4 预测支持(Decision-support and prediction,D)

预测支持即前瞻治理能力,强调基于纵向数据和画像分析开展缺口识别、风险预警、趋势研判和干预建议,将原本在终末评价中暴露的问题前移至培养过程,实现由被动反馈向主动干预转变。

1.2.5 孪生治理(Simulation and digital-twin governance,S)

孪生治理是高阶发展方向,强调在上述基础上,构建医学教育运行体系的动态数字映射,支持情景推演、方案比较、反馈校准和系统级治理优化。

2 中山医院LEADS-PME的初步建设

2.1 建设基础与阶段定位

自2009年以来,中山医院即着手建立医学教育信息化管理平台,早期以住培的信息化管理为重点,随后逐步拓展至院校教育、毕业后教育和继续教育等多阶段培养场景,形成“5+3+X+继续教育”贯通式医学教育信息化管理平台[10-12]。该平台围绕全周期医学教育管理需求,覆盖本科生、研究生、住院医师、专科医师、进修医师等群体,为LEADS-PME的初步建设提供了数据基础和应用场景。

从LEADS-PME五要素看,中山医院已在L、E、A方面形成较明确的实践基础;而D和S尚处于规则设计、数据准备和原型探索阶段,需待数据质量、指标口径、模型验证和反馈机制进一步成熟后逐步推进。

2.2 L:建设全周期教育数据底座

中山医院“5+3+X+继续教育”贯通式平台是在长达16年的持续迭代基础上形成的全周期教育数据底座。平台建设遵循数字、泛在、智能、网络、绿色(DUING)理念,经历了以住培PC端管理为主的Ⅰ期工程(2009—2016年)、以微信公众平台和App等多渠道管理为特征的Ⅱ期工程(2017—2022年),以及聚焦医师成长全周期、融合全周期医学教育的Ⅲ期工程(2023年至今)[10-12]。

当前平台覆盖本科生、研究生、博士后、住院医师、专科医师、进修生等群体,形成管理与“学-考-评”两大功能版块,支持人员信息、临床轮转、教学活动开展、在线学习、在线考试和在线评价等核心场景。

以2025年为例,该平台管理容量覆盖本科生817名、八年制后阶段学生120名、硕士研究生433名、博士研究生707名、博士后240名、住院医师610名、专科医师351名、进修生1720名、师资2285名,并支持三基培训(4440人次)、职工继续教育(4939人次)、临床技能培训(62 500人次)等大规模培训需求。

该平台还实现了高校与医院间本科生、研究生、教师身份信息同步,并与人事、护理、门急诊医疗等系统衔接,具备抓取身份、轮转、评估、结业、师资、培训和考核信息的基础能力,为LEADS-PME的纵向贯通提供了真实运行的数据底座。

2.3 E:推动院内多系统数据向培养证据转化

中山医院以教育平台为枢纽,以“教育证据链”为主线,围绕全周期胜任力培养需求,持续推进教育平台与院内多系统互联互通,重点从“接口连通”走向“数据可用、证据可信、运行可持续”。互通范围方面,平台横向对接临床核心业务域、医技与辅助检查域、护理业务域、科研发展与组织管理域等多类系统,包括医院信息系统(HIS)、电子病历系统(EMR)、检验信息系统(LIS)、放射信息系统(RIS)、影像存档与通信系统(PACS)、病理信息系统、门诊及日间手术管理系统、护理信息系统、科研管理系统、人力资源系统、党建与精神文明管理系统等。

建设过程中遵循“教育目标牵引-数据治理先行-场景驱动落地”的原则,通过统一身份主索引、标准与口径映射、教育语义转译、教育事件建模、分级授权、质量内容建设和全链路追溯等机制,将分散业务记录转化为可用于培养与评价的教育证据。

技术方面,平台按照“多源接入-分层建模-规则转译-安全审计-服务输出”的路线推进,采用标准化接口、批量抽取、数据库视图等方式接入外部系统,并形成原始层、标准层、教育事件层和指标层的数据模型。

以住培病种诊疗数据自动归集为例,平台依据《住院医师规范化培训内容与标准(2022年版)》[3]规定的病种要求(下文简称“标准病种”),建立“标准病种—国际疾病分类第10版(ICD-10)编码”映射字典,再通过HIS或EMR获取诊断编码、诊断名称、就诊或住院信息、时间戳、科室或病区归属、关联人员标识等结构化信息。

平台以住院医师统一身份标识和轮转时间窗为约束,将“住院医师-诊断-时间-科室及轮转单元”重构为最小教育事件,并自动归入相应标准病种条目,输出至电子轮转手册。该路径使病种达标管理由人工登记和终末核查,逐步转向自动归集、标准对齐、过程监测和缺口提醒,也为后续扩展至技能操作暴露、形成性评价和多维胜任力证据整合提供了可复用范式。

2.4 A:形成计点积分综合评价画像

中山医院较早探索住培过程的量化评价与综合管理,自1994年起便建立“计点积分”住院医师综合评价制度[13],将轮转考核、年度考核、临床能力、病史质量、带教质量、理论学习、读书报告、综述论文、职业行为和奖励表现等培养过程要素转化为积分,用于综合反映住院医师培养质量。

早期实践提示,计点积分制可弥补单纯学分制难以区分考核成绩优劣的不足,并为住院医师晋升、推荐和培养管理提供可操作依据;同时,该制度强调考核项目设置、评分标准统一和良好考核环境对积分制运行的重要性。

在长期制度运行基础上,中山医院进一步将计点积分制与“5+3+X+继续教育”贯通式医学教育信息化管理平台融合,围绕住院医师轮转完成、考试/考核、教学活动参与、形成性评价、科研学术、获奖表扬、职业行为及奖惩记录等多维表现,开展自动归集、积分转化和综合呈现,形成年度综合评价画像和评价证据包。

该画像既可呈现住院医师年度综合表现和胜任力维度分布,亦可追溯至相应数据来源,支持教育管理人员复核和评价委员会评议。由此,计点积分从传统的综合评价制度进一步转化为数据驱动的学员画像生成机制,为年度综合评价、过程改进、精准反馈和后续风险识别提供了较成熟的制度与数据基础。

未来,医院将在住院医师画像基础上,逐步拓展至本科生、研究生、专科医师、进修医师等不同阶段学员,形成覆盖全周期培养过程的多层次学员画像体系。

2.5 D:探索风险前移与精准干预

预测支持是LEADS-PME由画像分析与识别走向精准干预的重要环节,其核心在于利用纵向教育数据、学习分析和人工智能方法,将培养过程中的隐性风险转化为可识别、可解释、可干预的预警信号。研究表明,人工智能可支持医学教育中的主动数据采集、客观评价、个体化指导和预测分析,并有助于识别可能需要额外支持的高风险学员,但其应用需同步关注算法透明、隐私保护和偏倚控制等问题[14]。

国外高风险考试预测研究也为该方向提供了方法学参考,例如加州大学旧金山分校(UCSF)团队基于医学院入学考试(MCAT)、综合基础科学考试(CBSE)、美国国家医学考评委员会(NBME)学科考试和校内开放问答考试等指标预测美国医师执照考试第二阶段临床知识考试(USMLE Step 2 CK)成绩,最终模型可解释45%的成绩变异,并强调早期识别可能需要额外学习支持的学员以开展针对性支持[15]。

目前,中山医院主要依托病种自动归集、综合评价画像和过程性考核数据,探索规则预警与模型预测的初步应用。

一方面,平台可基于培训要求动态识别住院医师病种暴露不足、轮转进度异常和培养缺口,并向学员、带教师资和专业基地提供分层提醒;

另一方面,平台可基于计点积分年度综合评价画像,识别学员在轮转完成、考试/考核、形成性评价、科研学术和职业行为等维度的异常表现,为过程改进和个体化指导提供依据。

未来,中山医院将以住培结业理论考试成绩预测为示例,整合入职招录考试、出科考试、年度理论考核、市公共科目考试、国家业务水平测试和结业模拟考试等纵向评价数据,探索结业风险前移识别与精准支持路径。预测支持的目标并非简单标记高风险学员,而是形成“数据识别-风险解释-干预建议-结果反馈”的闭环决策支持能力。

2.6 S:探索医学教育数字孪生治理

2024年,美国国家科学院、工程院和医学院联合发布的报告指出,数字孪生是对现实对象或系统的虚拟映射,能够依据真实运行数据持续更新,模拟其结构、状态与行为,并通过预测分析和情景推演为决策提供支持[16]。在医学教育领域,数字孪生可将学员、培养过程、专业基地、指导老师、教学资源及组织运行等要素映射至数字空间,并根据临床实践、教学活动、考核评价和培养管理数据持续更新。

基于此,本文将医学教育数字孪生界定为[17]:以教学医院医学教育运行体系为对象,基于多源数据构建教育对象、培养过程和组织运行的动态数字映射。孪生治理是指运用上述数字孪生开展医学教育管理与质量改进,其重点在于根据现实教育运行数据形成动态映射,识别培养过程中的问题与风险,模拟不同轮转、补训、督导或资源配置方案可能产生的影响,并将干预结果反馈至系统,持续校准分析模型和支持策略。因此,孪生治理构成LEADS-PME由数据贯通、证据形成、画像分析和风险预测进一步走向方案比较与持续改进的高阶环节。

中山医院正在建设的“复旦中山惠生智育”平台可为相关探索提供一定基础[18]。该平台依托扩展现实和人工智能技术,逐步建设医学知识生态、虚拟教学场景、教学智能体和全周期教学管理中枢。目前,平台可提供相对稳定的训练场景,采集学习与训练过程数据,并将评价结果反馈至培养过程。后续可在全周期数据底座和教育证据链基础上,逐步探索动态映射、模型校准、情景推演和反馈修正等功能,为轮转安排、补训支持、专业基地质量改进和教学资源配置等场景提供方案比较依据。相关功能尚处于原型探索阶段,可行性与实际效果有待进一步验证。

3 LEADS-PME的后续评价设计

3.1 混合方法评价

LEADS-PME的后续评价可采用定量指标测量与定性体验分析相结合的混合方法设计[19]:定量层面通过平台日志、流程耗时、数据复核、模型表现和干预闭环记录评价建设成效;定性层面通过问卷、访谈或焦点小组了解学员、带教师资、教学秘书、教育管理人员和评价委员会成员的使用体验、证据理解、工作负担和改进建议。

3.2 数据质量评价

数据质量是LEADS-PME评价的基础。以住培病种自动归集为例,后续可围绕自动归集比例、抓取完整率、抓取正确率、漏登记率、身份匹配正确率、轮转时间窗匹配正确率、“标准病种—ICD-10编码”映射正确率、数据同步时滞等指标进行评价,并结合平台日志分析、抽样人工复核和专家一致性判断,验证临床诊疗数据能否稳定、准确、及时地转化为胜任力培养证据。

3.3 管理效能评价

管理效能评价可重点关注LEADS-PME能否减少重复性人工劳动、缩短材料准备时间并提升评价材料质量。以计点积分年度综合评价为例,比较传统人工模式与平台画像模式下的耗时、人工核对次数和重复填报负担。同时,可评价平台生成证据包在维度覆盖、缺失项比例、证据来源可追溯性、复核便利性和评价委员会使用价值等方面是否优于传统模式。

3.4 预测干预评价

预测支持的评价重点在于预警结果能否转化为真实教育干预。后续可围绕病种暴露不足、技能训练缺口和结业考核风险等场景,设置缺口提醒触达率、提醒后干预完成率、病种缺口闭环率、补训完成率、模拟考试改善幅度和结业考核结果等指标。对于结业理论考试预测模型,还应评价模型区分度、校准度、可解释性和前瞻性验证效果。

4 小结

CBME从能力框架转向临床一线实施,关键在于能否将学员在诊疗、教学与评价中的表现持续转化为可信、可解释、可行动的培养证据。本文提出的LEADS-PME框架,旨在回应我国教学医院在全周期胜任力培养中面临的数据分散、证据不足、反馈滞后和治理协同不足等核心问题。LEADS-PME不仅指向新的信息系统建设,更强调将医学教育数字化重新定位为一种数据治理能力的系统构建。

具体而言,该框架通过纵向贯通回应三阶段培养追踪不足的问题;通过证据链形成将临床实践经历转化为可评价证据;通过画像分析实现培养过程与能力发展的连续呈现;通过预测支持辅助早期识别培养风险;通过孪生治理支持复杂培养方案的推演、比较与优化。

例如,在住培轮转管理中,可基于学员既往轮转经历、病种技能完成情况及科室教学资源,模拟不同轮转调整方案对培养目标达成的影响;在专业基地质量改进中,可结合学员表现、师资投入、教学活动与考核数据,比较加强督导、优化资源配置或专项训练等方案的可能效果,为管理决策提供参考。上述场景目前仍处于应用构想阶段,尚需在数据持续更新、模型校准和前瞻性验证的基础上逐步推进。

由此,LEADS-PME将国际PME机构强调的数据整理、分析能力、治理机制、持续评价和变革领导等要素[7],转化为适应我国教学医院可分层推进的本土化实施框架。中山医院的初步实践表明,PME并非从零开始另建系统,而是在既有制度和平台基础上进行数智化重构[10,17-18,20]:贯通式平台提供全周期数据底座,多系统互通推动HIS及EMR等临床数据转化为教育评价证据,而计点积分制度的数智化升级则将长期积累的过程评价经验转化为画像生成机制。这一路径体现了医学教育“传承与创新”的统一——既保留既有制度优势,又借助数据治理、学习分析和人工智能技术,增强过程感知、精准反馈和持续改进能力。

需指出的是,LEADS-PME目前仍处于体系构想与单中心初步建设阶段。中山医院现有实践主要集中于纵向贯通、证据链形成、画像分析与识别,相关总结以描述性分析为主,尚未通过严格的前瞻性研究验证其对数据质量、管理效能、培养过程及学习结果的实际影响。预测支持和孪生治理仍处于规则设计、数据准备和原型探索阶段,后续需完成模型建立、校准与外部验证,并评价预警信息能否有效转化为培养干预。

未来研究可优先选择病种自动归集、培养缺口提醒和结业风险预警等边界清晰的应用场景,采用前瞻性队列研究或前后对照设计,评估数据准确性、工作负担、干预完成情况及培养结果变化。在此基础上,可联合不同类型和地区的住培基地开展多中心研究,检验指标口径、证据转化规则和预测模型在不同环境中的适用性与可迁移性。预测结果的使用还应重视模型可解释性、群体公平性及人工复核,避免将风险预测结果直接用于高利害评价或不利决策。

参考文献

[1]Cooper D, Holmboe E S. Competency-based medical education at the front lines of patient care[J]. N Engl J Med, 2025, 393(4): 376-388.

[2]中华人民共和国国务院办公厅. 国务院办公厅关于加快医学教育创新发展的指导意见[EB/OL]. (2020-09-23)[2026-05-25]. https://www.gov.cn/zhengce/content/2020-09/23/content_5546373.htm.

[3]中国医师协会. 中国医师协会关于印发住培内容与标准、基地标准 (2022年版) 的通知[EB/OL]. (2023-12-11)[2026-05-25]. https://www.sysush.com/content/6a01e3fc-c6d0-47fb-b281-1b354d2e5d14.

[4]中国住院医师培训精英教学医院联盟. 中国住院医师培训精英教学医院联盟住院医师核心胜任力框架共识[J]. 协和医学杂志, 2022, 13(1): 17-23.

[5]中国住院医师培训精英教学医院联盟. 中国精英教学医院联盟住院医师核心胜任力里程碑评价体系[J]. 协和医学杂志, 2023, 14(5): 978-982.

[6]Desai S V, Khan S, Lomis K. AI-enabled precision-education systems-transforming lifelong learning in medicine[J]. N Engl J Med, 2026, 394(9): 838-841.

[7]Burk-Rafel J, Triola M M. Precision medical education: institutional strategies for successful implementation[J]. Acad Med, 2025, 100(6): 655-660.

[8]Triola M M, Burk-Rafel J. Precision medical education[J]. Acad Med, 2023, 98(7): 775-781.

[9]Genes N, Graulty C, Kim J G, et al. Leveraging electronic health record data and artificial intelligence to develop a crosswalk tool for personalized clinical experience profiles of emergency medicine residents[J]. Acad Med, 2026, 101(7): 793-798.

[10]张雯, 张敏, 陈旻敏, 等. “5+3+X+继续教育” 贯通式医学教育信息化管理平台创新实践[J]. 医学教育管理, 2025, 11(4): 373-378.

[11]余情, 郑玉英, 阎作勤, 等. 住院医师规范化培训 “互联网+” 教学平台的探索与应用[J]. 中华医学教育杂志, 2017, 37(2): 298-301.

[12]郑健敏, 阴忆青, 魏宁, 等. 基于BPM的住院医师管理系统开发与实现[J]. 医学信息学杂志, 2016, 37(3): 37-41.

[13]郑玉英, 蒋金根. 计点积分制在住院医师培养考核中的应用[J]. 继续医学教育, 1995, 9(4): 3-4.

[14]Turner L, Hashimoto D A, Vasisht S, et al. Demystifying AI: current state and future role in medical education assessment[J]. Acad Med, 2024, 99(4S Suppl 1): S42-S47.

[15]Kaur M, Lin M Y C, Alseidi A, et al. Predictors of USMLE step 2 performance[J]. Acad Med, 2026, 101(3): 300-304.

[16]National Academies of Sciences, Engineering, and Medicine, National Academy of Engineering, Division on Earth and Life Studies, et al. Foundational research gaps and future directions for digital twins[M]. Washington, D.C.: the National Academies Press, 2024.

[17]张雯, 张敏, 马畅畅, 等. 精准教育背景下医学教育治理数字孪生的构想与路径[J]. 元宇宙医学, 2026, 3(2): 138-141.

[18]张雯, 张敏, 马畅畅, 等. 面向全周期医学教育培训与管理的 “复旦中山惠生智育” 元宇宙平台: 设计思路与早期实践[J]. 元宇宙医学, 2026, 3(1): 47-51.

[19]Perotte R, Berns A, Shaker L, et al. Creation of an automated and comprehensive resident progress system for residents and to save hours of faculty time: mixed methods study[J]. JMIR Form Res, 2024, 8: e53314.

[20]马畅畅, 张雯, 张敏, 等. 精准医学教学导向下教育平台与院内多系统互通路径构建[J]. 中国临床医学, 2026, 33: 408-414.

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言

来源:梅斯医学·临床资讯 · news.medsci.cn