医疗数据资产的边界与未来

一、合规边界：价值释放的前提

合规是医疗数据资产化的"地基"。没有合规边界，一切数据流通与商业化都无从谈起。当前，我国已初步构建起以《个人信息保护法》《数据安全法》《网络安全法》为基础，以《人类遗传资源管理条例》及其实施细则、行业专门规范为补充的医疗数据合规治理框架。这一框架从敏感信息识别、分类分级、资源管理、跨境流通等多个层面，为医疗数据资产划定了清晰的红线。

（一）《个人信息保护法》：医疗健康信息作为敏感个人信息的特殊地位

《个人信息保护法》（PIPL）于2021年11月1日正式施行，其第28条明确将"医疗健康信息"列为敏感个人信息。这一界定意味着，处理医疗健康信息必须满足比一般个人信息更为严格的条件：

1. 单独同意原则。 根据PIPL第29条，处理敏感个人信息应当取得个人的单独同意。这意味着医疗机构或企业在收集、使用患者诊疗数据时，不能以一揽子授权的方式获取同意，而必须针对敏感信息的处理取得专项、明确的授权。实践中，部分医院在向第三方提供诊疗数据前，并未征求患者的专项知情同意，这一做法已构成明显的合规缺陷，也是近年来监管执法的重点。

2. 个人信息保护影响评估（PIA）。 PIPL第55条要求，处理敏感个人信息前应当进行个人信息保护影响评估，并将评估报告和处理情况记录至少保存三年。PIA要求处理者对处理目的、方式的合法性、必要性进行论证，对个人权益的影响及安全风险进行评估，并提出相应的保护措施。对于医疗数据而言，PIA不仅是合规义务，更是机构梳理数据资产、识别风险敞口的重要管理工具。

3. 跨实体共享的告知义务。 PIPL第39条规定，向第三方提供个人信息时，应当告知接收方的名称、联系方式、处理目的、处理方式和个人信息种类，并取得个人的单独同意。这直接影响了医疗数据在科研合作、商业开发等场景中的流通模式——任何涉及个人信息主体变更的数据流转，都必须建立完整的告知与授权链条。

值得注意的是，2026年国家网信办等部门开展个人信息保护系列专项行动，将卫生健康行业列为重点整治领域，明确提出六类违法违规问题并要求依法从严查处。这一信号表明，医疗数据合规已从"制度建设"阶段进入"执法落地"阶段，机构面临的合规压力将持续加大。

（二）《数据安全法》：医疗数据的分类分级保护

《数据安全法》（DSL）于2021年9月1日施行，其第21条建立了数据分类分级保护的三层架构——一般数据、重要数据、核心数据，并要求建立全流程数据安全管理制度。

对医疗数据而言，分类分级是资产管理的基础性工作。参照《信息安全技术 数据分类分级指南》（GB/T 38667-2020）及《信息安全技术 健康医疗数据安全指南》，医疗数据通常被划分为四级：公开数据（如公开的疾病科普信息）、内部数据（如医疗机构内部管理数据）、敏感数据（如个人诊疗记录、检验报告）、核心数据（如大规模人群基因组数据、涉及国家安全的公共卫生数据）。

不同级别数据对应不同的安全保护义务。重要数据需要实施"最小必要"访问控制，采取生物识别加动态口令的双因子认证等技术措施；核心数据则实行最严格的保护，任何处理活动均需经过国家安全审查。这一分级体系意味着，医疗数据资产并非"铁板一块"，而是需要根据数据敏感程度实施差异化的流通策略——高敏感数据可能只能通过"可用不可见"的方式流通，而低敏感数据则可以在脱敏后进行较自由的市场化交易。

（三）《人类遗传资源管理条例》：基因数据的特殊管制

医疗数据中，人类遗传资源数据因其涉及国家生物安全而受到特殊管制。《人类遗传资源管理条例》于2019年7月1日施行，将人类遗传资源分为"材料"（含有人体基因组、基因等遗传物质的器官、组织、细胞等）和"信息"（利用人类遗传资源材料产生的数据等信息资料）两大类。

2023年科技部发布的《人类遗传资源管理条例实施细则》（第21号令）进一步细化了管理要求，其中第32条规定：为取得相关药品和医疗器械在我国上市许可，在临床医疗卫生机构利用我国人类遗传资源开展国际合作临床试验、不涉及人类遗传资源材料出境的，不需要批准，但应当符合特定情况之一，并在开展临床试验前向科技部备案。这一规定为药企开展国际多中心临床试验提供了相对便利的通道，但同时划定了清晰的"不需批准"边界。

更重要的是，实施细则对"特定人类遗传资源信息"向境外提供设定了安全审查程序。这类信息包括：重要遗传家系的人类遗传资源信息、特定地区的人类遗传资源信息、外显子组测序和基因组测序信息资源超过500例的，以及其他可能影响公共卫生、国家安全和社会公共利益的情形。这意味着，涉及大规模基因组数据的跨境科研合作，必须经过严格的安全审查，这构成了医疗数据资产跨境流通的硬性约束。

（四）出境限制：数据跨境流通的多重门禁

医疗数据的跨境流通受到多重法规的叠加规制。除上述人类遗传资源管理要求外，PIPL第38条规定了个人信息出境的三条路径：通过国家安全评估、经专业机构认证、订立标准合同。2022年发布的《数据出境安全评估办法》进一步明确了需要申报安全评估的具体情形，包括处理100万人以上个人信息的处理者出境数据、累计出境10万人以上个人信息等。

对医疗行业而言，跨国药企的临床试验数据回传、国际科研合作的数据共享、跨境远程医疗的健康数据传输等场景，均可能触发数据出境合规义务。机构需在数据出境前完成数据出境风险自评估，识别出境数据的类型、规模、敏感程度，评估接收方所在国家或地区的法律环境，并采取相应的合同约束与技术保障措施。这一套"多重门禁"机制，既保障了国家数据安全，也对医疗数据资产的国际化流通提出了更高要求——跨境数据合作必须前置合规设计，而非事后补救。

综合来看，合规边界为医疗数据资产划定了"能做什么"和"不能做什么"的清晰框架。对机构而言，合规并非纯粹的成本负担，而是资产化的必要前提——只有在合规框架内形成的医疗数据资产，才具有法律上的可持有性和可交易性，才能获得市场的认可与信任。

二、技术基础设施：从"能用"到"可信"

如果说合规边界解决的是"能不能用"的问题，那么技术基础设施解决的就是"如何可信地用"的问题。医疗数据资产化的核心挑战在于：如何在保护个人隐私和数据安全的前提下，实现数据价值的流通与释放。近年来，以隐私计算为代表的一批新兴技术，正在为这一挑战提供可行的技术解。

（一）隐私计算：破解"数据孤岛"与"隐私保护"的矛盾

隐私计算是一组技术的总称，其核心目标是实现"数据可用不可见"——让多方在不交换原始数据的前提下，完成联合计算与分析。在医疗领域，隐私计算主要包括以下三条技术路线：

1. 联邦学习（Federated Learning，FL）。 联邦学习的核心思想是"数据不动模型动"——各参与方在本地使用自有数据训练模型，只交换加密后的模型参数或梯度，最终由中心协调方聚合形成全局模型，全程不交换原始数据。这一技术天然适配医疗场景中多机构联合建模的需求。

联邦学习已在医疗领域取得显著应用成果。腾讯天衍实验室与微众银行的研究表明，通过联邦学习利用电子病历及相关联数据训练的模型，能够有效预测患者脑卒中，识别准确率达到80%。更值得关注的是，北京协和医院、上海瑞金医院与广州中山一院联合部署的医疗联邦学习平台，在2024年覆盖了17.8万例脱敏影像诊断样本（含CT、MRI及病理切片），所有原始数据严格驻留在各院本地GPU集群，未发生任何形式的数据跨域传输，而模型精度实现了显著提升。在国际层面，美国顶级医疗中心和研究机构组成的专家委员会，正使用NVIDIA支持的联邦学习评估其对AI肿瘤分割模型训练的影响，推动癌症检测能力的提升。

联邦学习的优势在于保护数据隐私的同时保留模型效果，但也存在依赖中心协调方、可能遭受模型攻击等风险。为此，研究者将差分隐私技术与联邦学习结合——对各个医疗机构的本地模型参数添加噪声，解决参数泄露问题；同时通过智能合约将全局模型聚合上链，避免过度依赖中心聚合服务器，实现去中心化的隐私保护方案。

2. 多方安全计算（Secure Multi-Party Computation，MPC）。 多方安全计算允许多个参与方在不泄露各自输入的前提下，共同计算一个函数的输出。其安全性极高，且不依赖可信硬件，但通信开销较大、计算性能相对较低。MPC适用于对安全等级要求极高的场景，如金融联合风控、政府多部门数据核验等。在医疗领域，MPC可用于多家医院联合开展罕见病统计分析、医保欺诈联合检测等场景，确保任一参与方均无法获取其他方的原始数据。

3. 可信执行环境（Trusted Execution Environment，TEE）。 可信执行环境通过硬件隔离技术（如Intel SGX、ARM TrustZone）在处理器内创建安全飞地（enclave），数据在飞地内解密处理，操作系统和 Hypervisor 均无法窥探。TEE兼具安全性与计算性能，适用于大规模医疗数据的联合分析，但对硬件平台有较高依赖。

在实际应用中，上述三种技术往往并非孤立使用，而是根据场景需求组合部署，形成"混合隐私计算"方案。例如，对模型训练采用联邦学习，对中间结果的敏感计算采用MPC或TEE，对最终输出叠加差分隐私，从而构建多层防护体系。

（二）数据脱敏与匿名化：资产化的"第一道工序"

数据脱敏与匿名化是医疗数据从"原始数据"转化为"可用资产"的第一道工序。脱敏（pseudonymization）是将直接标识符替换为假名，使数据在脱离特定环境后无法重新识别个体，但仍可通过映射表还原；匿名化（anonymization）则是通过泛化、抑制、扰动等手段，使数据无法识别特定个体且不能复原。

两者的法律意义截然不同：根据PIPL规定，匿名化后的信息不再属于个人信息，可以不受PIPL约束进行自由流通；而脱敏后的数据仍属于个人信息，处理活动仍需遵守相关规定。因此，医疗数据资产化的一个关键技术问题是：如何在不丧失数据统计分析价值的前提下，实现真正的匿名化。这需要在k-匿名、l-多样性、t-接近性等经典匿名化模型与差分隐私等现代技术之间取得平衡，并辅以重识别风险评估，确保匿名化后的数据集无法被 linkage attack（链接攻击）破解。

（三）区块链存证：构建数据流通的信任底座

医疗数据资产化涉及数据采集、加工、流通、使用、销毁等多个环节，每个环节都需要可追溯、可审计的信任机制。区块链以其去中心化、不可篡改、可追溯的特性，成为构建数据流通信任底座的理想技术。

在医疗数据场景中，区块链的典型应用包括：一是数据授权存证，将患者授权信息上链，确保授权链条完整、不可抵赖；二是数据处理过程存证，记录数据脱敏、加工、流转的全过程哈希值，为审计提供依据；三是数据交易确权，通过智能合约自动执行数据使用条款，记录数据产品的权属与使用记录。前述联邦学习方案中，研究者即采用智能合约实现全局模型聚合上链，既保证了聚合过程的透明可审计，又避免了中心化服务器可能带来的单点信任风险。

需要指出的是，区块链并非万能。受限于存储与吞吐能力，区块链更适合存储数据的元信息与哈希摘要，而非原始数据本身。因此，在实践中，区块链通常与链下存储、隐私计算等技术配合，形成"链上存证+链下计算"的混合架构。

（四）数据标准化：资产流通的"通用语言"

技术基础设施的最后一环是数据标准化。医疗数据来源多元、格式各异——电子病历采用HL7/FHIR标准、影像数据遵循DICOM标准、检验数据使用LOINC编码、疾病诊断采用ICD编码——标准的不统一直接导致数据难以互操作，进而阻碍资产化流通。

国家层面已将医疗数据标准化提上议程。《全国医疗卫生机构信息互通共享三年攻坚行动方案》明确提出推进医疗机构间信息互通共享的目标。2024年，国家中医药管理局与国家数据局联合印发《关于促进数字中医药发展的若干意见》，要求建立健全中医药数据标准规范，推进中医药数据分类分级管理，制定多源数据融合标准规范。在产业层面，上海市医疗大数据训练设施建设项目整合了临床诊疗数据（来自北大医院及基层社区的电子病历、检验影像、用药记录）、医学知识数据（国内外临床指南、专家共识）、高质量训练数据集三大类数据，其成功经验之一即是率先建立了统一的数据治理与标注标准。

数据标准化不仅是技术问题，更是治理问题。它要求行业各方在数据元定义、术语体系、交换接口、质量评价等方面形成共识，建立可互操作的数据资产"通用语言"，这是医疗数据从"机构内使用"走向"跨机构流通"的必要条件。

综上，隐私计算、脱敏匿名化、区块链存证、数据标准化共同构成了医疗数据资产化的技术基础设施。它们分别解决了"可用不可见""去标识化""可信可审计""可互操作"四个核心问题，使医疗数据从"能用"迈向"可信"。

三、商业应用场景

技术基础设施的成熟，最终要服务于商业价值的实现。医疗数据资产的商业应用场景正在快速拓展，已覆盖临床研究、AI训练、保险风控、个性化健康服务、医院运营等多个方向。以下结合具体案例，分析各场景的价值逻辑与落地模式。

（一）临床研究加速：真实世界数据的价值释放

传统临床试验周期长、成本高，而真实世界数据（RWD）的引入正在改变这一格局。通过整合多中心电子病历、检验影像、用药记录等数据，研究者可以在更短时间内完成大样本的真实世界研究（RWS），为药品上市后评价、适应症拓展、临床指南更新提供证据支持。

典型案例是医渡科技旗下Happy Life Tech（HLT）完成的一项大规模HER2阳性晚期乳腺癌真实世界研究。该研究仅用14个月即告完成，相较同类研究效率提升40%，全面探索了患者的治疗模式、临床结局及影响因素，高效支撑了研究者的学术产出。这一案例表明，结构化的医疗数据资产能够显著缩短临床研究周期、降低研究成本，为药企和科研机构创造可观价值。

此外，固生堂与中药企业合作开展临床试验，利用AI系统辅助筛选受试者、监测疗效，使某药企的新药临床试验周期缩短30%，合作费用达5000万元。这一案例展示了中医诊疗数据与AI技术结合后在临床研究加速方面的潜力。

（二）AI模型训练：高质量数据集决定模型上限

医疗AI的能力上限在很大程度上取决于训练数据的规模与质量。然而，单一医疗机构的数据往往样本量有限、病种分布偏倚，难以训练出泛化能力强的模型。联邦学习与数据交易平台为这一问题提供了解决方案。

前述北京协和、上海瑞金、广州中山一院的联邦学习平台，通过跨院联合训练，在不共享原始数据的前提下扩大了训练样本规模，模型精度较单院训练显著提升。上海市医疗大数据训练设施更进一步，构建了产学研医协同的底座，整合临床诊疗数据、医学知识数据与高质量训练数据集，其中高质量训练数据集基于北大医院临床数据标注合成的多专病数据集，为医疗AI模型的训练提供了规模化、标准化的数据供给。

固生堂推出的"国医分身"AI系统，则是基于海量中医诊疗数据训练的中医AI诊疗模型，已上线10个分身，覆盖多个中医专科领域，标志着中医药数据资产在AI商业化方面的突破。

（三）保险风控与产品创新：数据驱动的精准定价

健康险的核保与定价高度依赖健康数据。传统模式下，保险公司获取投保人健康信息的渠道有限，往往依赖投保人自述或体检报告，存在信息不对称和逆选择风险。医疗数据资产的介入，正在重塑保险风控逻辑。

美年健康拥有超过亿级规模的个人健康体检数据，每年为约3000万人次提供健康体检服务。这些数据对核保具有重大意义——通过对体检大数据的分析，保险公司可以更精准地识别"健康体"与"优选体"，开发差异化保险产品。美年健康正与直保、再保公司就核保服务开展试点，目标是实现每年过千万人次的核保服务。

厦门翼方健数信息科技有限公司依托厦门公共数据融合开发平台，运用人工智能与大数据技术，融合医疗健康领域公共数据与保险公司企业数据，打造"智慧核保"应用，为投保人提供一站式保险数据服务，突破了传统核保的困境，重塑了核保流程。固生堂与平安健康险合作，将"国医分身"的诊疗数据作为核保依据，开发中医健康管理保险产品，2024年保费分成收入达2000万元，开创了中医数据资产与保险产品结合的新模式。

（四）个性化健康服务：从"千人一面"到"千人千方"

医疗数据资产的另一个重要应用方向是个性化健康服务。通过整合个体的基因组、电子病历、可穿戴设备数据、生活方式数据等，可以为个人提供精准的健康风险评估、疾病预警和干预建议。

这一场景的商业逻辑在于：数据资产使健康服务从"通用方案"升级为"个性化方案"，从而创造更高的服务溢价。例如，基于个人健康画像的慢病管理方案、基于基因组数据的肿瘤风险筛查、基于可穿戴数据的运动与营养指导等，都是数据驱动的个性化健康服务的具体形态。随着数据采集维度的丰富和分析能力的提升，这一市场的增长空间广阔。

（五）医院运营优化：数据驱动精益管理

医疗机构自身的运营管理同样是医疗数据资产的重要应用场景。通过对门急诊流量、住院周转、药品耗材使用、医疗质量指标等数据的分析，医院可以实现精益化管理：优化科室排班与资源配置、缩短患者等待时间、降低药品库存成本、提升医疗质量与患者满意度。

数据驱动的医院运营优化虽然不直接产生对外交易收入，但通过提升运营效率、降低管理成本，间接为医疗机构创造了可观的经济效益。更重要的是，运营数据的沉淀与分析能力本身也是一种数据资产，可用于医院等级评审、绩效考核、医保支付谈判等场景。

综合来看，医疗数据资产的商业应用场景已从单一的临床科研扩展到保险、AI、健康管理、医院运营等多个领域，形成了多元化的价值变现路径。不同场景对数据的敏感度、时效性、颗粒度要求各异，需要匹配差异化的技术方案与合规策略。

四、标准化路径与可持续运营

医疗数据资产化目前仍处于探索阶段，面临确权难、定价难、运营难三大核心障碍。要实现从"试点示范"到"规模复制"的跨越，需要在确权授权、定价计量、运营主体三个层面建立标准化、可持续的制度安排。

（一）确权与授权机制化

确权是资产化的逻辑起点。"数据二十条"提出的数据产权"三权分置"——数据资源持有权、数据加工使用权、数据产品经营权——为医疗数据确权提供了制度框架，但具体到医疗场景，仍需解决若干关键问题。

1. 持有权的归属。 医疗数据的生成涉及患者、医疗机构、医生、设备厂商等多方主体，数据持有权应归谁？从法理上看，患者作为数据主体享有个人信息权益，医疗机构作为数据处理者在投入采集、存储、治理成本后享有事实上的控制权，两者并非简单的"非此即彼"关系。"三权分置"的创新在于，它不要求在所有权层面"一刀切"，而是将持有、使用、经营三项权利分离配置，允许医疗机构在尊重患者个人信息权益的前提下，对其合法获取、持有的医疗数据享有数据资源持有权，并据此开展加工使用与产品经营。

2. 授权机制的机制化。 当前医疗数据的授权多为"一事一议"的点状授权，效率低、成本高、难以规模化。授权机制化要求建立标准化的授权流程与工具：一是明确授权的要素模板（数据范围、使用目的、使用期限、使用方式、收益分配等），二是建立数字化的授权管理平台，支持患者便捷地查看、授予、撤回授权，三是探索"默认授权+逐级解锁"的分层授权模式，对低敏感数据采用概括授权，对高敏感数据采用单独授权，在保护权益与提升效率之间取得平衡。

国家中医药管理局与国家数据局在《关于促进数字中医药发展的若干意见》中已明确要求"探索中医药数据确权授权使用、收益分配机制和市场化流通交易等制度体系建设"，这为医疗数据确权授权的机制化探索提供了政策指引。

（二）定价与计量标准化

定价是资产交易的核心。医疗数据资产定价面临"难计量、难估值、难比较"的困境——数据的价值高度依赖应用场景，同一份数据在不同用途下价值差异巨大；数据具有非排他性，可被多方同时使用，边际成本趋近于零；数据质量参差不齐，缺乏统一的质量评价标准。

构建医疗数据资产的定价与计量标准化体系，可从以下层面入手：

1. 建立数据计量标准。 借鉴上海市医疗大数据训练设施的经验，将医疗数据按临床诊疗、医学知识、训练数据集等类型分类，按病种、样本量、标注质量等维度计量，形成可量化、可比较的数据计量单位。

2. 建立数据质量评价体系。 从完整性、准确性、一致性、及时性、合规性等维度建立数据质量评分模型，将质量等级作为定价的重要参数。

3. 探索场景化定价机制。 区分"数据服务"与"数据产品"两种形态——前者按调用次数、计算资源消耗计费，后者按数据集规模与质量定价。同时引入收益分成机制，使数据提供方、加工方、使用方共享价值，避免一次性买断导致的激励不足。

4. 培育数据交易市场基础设施。 依托各地数据交易所（如上海数据交易所、北京国际大数据交易所等），建立医疗数据产品的挂牌、撮合、结算、仲裁机制，为定价提供市场化参照。

（三）运营主体专业化

医疗数据资产化需要专业化的运营主体。医疗机构的核心职能是临床诊疗，并非数据运营；要求医院直接开展数据资产的经营，既不现实也易产生利益冲突。因此，培育专业的医疗数据运营主体是可持续运营的关键。

1. 明确运营主体的角色定位。 专业数据运营机构应承担数据治理、合规审查、产品开发、市场交易、收益分配等职能，作为医疗机构与数据使用方之间的"桥梁"，实现"医疗机构出数据、运营机构做产品、使用方买服务"的分工模式。

2. 建立运营主体的准入与监管机制。 鉴于医疗数据的敏感性，数据运营主体应实行准入管理，要求具备相应的数据安全能力、隐私计算技术能力和合规管理体系。监管层面应建立运营主体的定期审计与退出机制，确保数据运营不偏离合规轨道。

3. 探索多元化运营模式。 包括：医院数据授权运营模式（医院授权专业机构运营其数据）、区域健康数据平台模式（以区域为单位整合多家机构数据统一运营）、行业数据联盟模式（多家机构以联邦学习等方式联合运营）、数据信托模式（以信托机制管理数据资产，受托人按约定为受益人利益运营数据）。不同模式适用于不同场景，可并行探索、择优推广。

2024年12月，国家数据局等部门印发《关于促进企业数据资源开发利用的意见》，明确支持企业依法依规对其合法获取、持有的数据进行开发利用、流通交易，保护其经营收益等合法权益，鼓励企业采取共享开放、交换交易等方式流通数据。这一政策为医疗数据运营主体的专业化发展提供了制度保障。

结语

医疗数据资产的边界与未来，本质上是安全与价值之间的动态平衡。合规边界划定红线，技术基础设施提供能力，商业应用场景释放价值，标准化路径与可持续运营机制确保长效——四个维度相互支撑、缺一不可。

当前，我国医疗数据资产化正处于从"政策驱动"向"市场驱动"过渡的关键阶段。"数据二十条"奠定了制度框架，隐私计算等技术日趋成熟，临床研究、AI训练、保险风控等应用场景已跑通初步商业模式。但确权授权、定价计量、运营主体等基础性制度仍有待完善，数据质量参差、标准不统一、合规成本高等现实挑战依然存在。

展望未来，医疗数据资产化的推进需要"政产学研用"多方协同：政府完善法规标准与监管机制，科研机构突破隐私计算与数据治理关键技术，医疗机构开放数据资源并建立治理体系，企业创新数据产品与服务模式，患者群体在知情授权中共享数据红利。唯有如此，医疗数据才能真正从"沉睡的资源"转化为"流动的资产"，在守护隐私安全的同时，释放其应有的临床价值、经济价值与社会价值，最终服务于健康中国建设的宏伟目标。

文献引用附录

• 腾讯天衍实验室与微众银行：联邦学习研究
• 医渡科技Happy Life Tech（HLT）
• 固生堂
• 美年健康
• 厦门翼方健数信息科技有限公司