第二个，通过自然语言处理（NLP）和本体映射的方式，实现数据标准化和结构化。

第三个，构建统一疾病数据模型，形成数据资产目录。

数据资产化的本质是要有足够的颗粒度和维度，直接用于业务场景。比如说患者画像、医院画像、设备画像。通过业务反推的方式和基于患者信息聚合衍生的方式，构建随取随用的数据。数据里面保存的不仅仅是患者的信息，还包括了很多的标签。

重构流程的关键是，只有深入到临床路径，才能发现更深层次的信息。首先是要匹配业务需求，然后根据需求对流程进行优化。梳理的过程包括，首先收集指南，再把指南按照疾病的主流程进行拆解，从而形成决策树。罗列疾病核心变量，变量可能不够，需要结合业务需求直接反馈信息，临床研究表单收集内容，补充疾病变量。把两者整合在一起，从而形成疾病数据模型和运营模型。

除了数据分类存放有利于数据有效利用，数据资产目录也很重要。举个例子，静脉血栓栓塞症(VTE)需要管理的指标非常多，包括诊疗过程的指标，诊断类指标以及诊疗结局指标。例如，诊疗过程指标，包括静脉血栓栓塞症(VTE)风险评估比率、出血风险评估比率。诊疗结局指标，包括医院相关性静脉血栓栓塞症(VTE)发生比率，静脉血栓栓塞症(VTE)相关病死率。这些防控指标并不是直接就能收集到，往往在收集到静脉血栓栓塞症(VTE)风险评估之后的数据，才能计算出来。只有这样，才能更好地辅助各类业务的应用。

谈到构建统一的疾病为核心的知识库，至少要包括这三部分：

第一，通用的知识，包括常见的药品知识检验、检查知识。

第二，模块化疾病知识，包括了筛查诊断手术和操作指引和知识。

第三，疾病知识，包括疾病指南和专家共识。

在知识库基础上，还要构建指标标准管理体系，至少要包括五部分：

第一，流行病学数据。

第二，临床路径和指南。

第三，医院和科室的质量标准。

第四，国家对重大疾病的要求。

第五，国家管理相关的机构设定的医院运营的指标（DRGs）。基于数据资产和指标标准，才能定准确的定位，发现问题，定位临床问题。更好地判断是过度医疗，还是检查不足。