康养数据的联邦学习与安全共享：在各医疗养老机构间实现隐私保护下的数据联动与联合建模
发布日期：2026年04月02日
【摘要】 本报告指出，康养领域数据孤岛问题正严重制约跨机构协同建模与服务优化，而联邦学习为破解隐私保护与数据价值释放的矛盾提供了可行路径。通过在不集中原始数据的前提下实现模型参数协同更新，各医疗养老机构可在保障居民健康信息主权与合规底线的基础上，联合提升风险预测、慢病管理及照护干预等模型的泛化能力与实用性。研究验证了分层异构架构对多源异质康养数据（如生理监测、行为日志、评估量表）的适配性，并强调本地数据不出域、加密传输、差分隐私增强等关键技术组合对实际落地的关键支撑作用。实践表明，该范式不仅显著降低数据共享的法律与操作风险，还使模型性能接近中心化训练水平，同时满足《个人信息保护法》及行业监管对最小必要、目的限定等原则的要求。面向未来，需进一步强化跨机构激励机制设计、模型可解释性提升及边缘计算资源协同，以推动康养数据要素在安全前提下真正流动起来。
【概览】
关键发现：
-
康养数据孤岛现象源于机构间权责边界清晰但协同机制缺位，导致多源异质数据难以在合规前提下形成建模合力。
-
联邦学习范式可有效解耦“数据可用不可见”与“模型可进化不可迁徙”的双重约束，契合健康信息主权归属明确、使用场景高度受限的行业特征。
-
分层异构架构对生理监测、行为日志、结构化评估等跨模态康养数据具备天然适配性，其性能增益随机构参与规模扩大呈非线性收敛趋势。
-
加密传输、本地数据不出域、差分隐私增强等技术组合并非孤立模块，而是构成满足最小必要、目的限定等合规原则的系统性保障基线。
核心建议：
-
以省级或区域级康养服务平台为枢纽，牵头制定统一的联邦学习接入规范与元数据标准，分阶段推动三甲医院、康复中心、养老院等差异化主体有序接入。
-
在现有信息系统基础上嵌入轻量级联邦学习中间件，优先支持风险预测、慢病分层管理等高共识、低敏感度场景的联合建模试点，降低机构改造成本。
-
建立基于贡献度评估的模型收益分配机制，将本地数据质量、更新频次、梯度贡献等纳入量化维度，配套设立专项激励资金池引导持续参与。
【引言】 当前，我国老龄化加速演进，康养服务正从碎片化、经验化向数据驱动、精准化深度转型。然而，医疗与养老机构间普遍存在“数据孤岛”现象：三甲医院沉淀着高价值临床数据，社区卫生中心掌握连续性慢病管理记录，养老院积累大量行为与生理监测数据，但受限于隐私合规压力、系统异构性及权责模糊，这些数据长期沉睡，难以协同释放价值。实践中，跨机构联合建模常因GDPR、《个人信息保护法》及《医疗卫生机构网络安全管理办法》等强监管要求而止步——简单脱敏无法抵御重识别攻击，集中式数据汇聚又面临安全责任难界定、信任成本高等现实瓶颈。本研究立足这一矛盾，提出以联邦学习为技术锚点、以制度-技术协同为落地路径的务实方案：不移动原始数据，仅交换加密梯度或模型参数，在保障各参与方数据主权与患者隐私刚性底线的前提下，实现多源异构康养数据的“可用不可见、可控可计量”式联动。我们并非泛谈技术理想，而是聚焦真实场景中的模型收敛效率、跨机构通信开销、轻量化部署可行性及本地算力适配性，通过在三家试点机构（三级医院、医养结合中心、智慧养老社区）开展实证验证，构建可复用的安全共享协议栈与轻量联邦建模框架。其意义不仅在于提升跌倒预测、认知衰退早期识别等关键模型的泛化能力，更在于探索出一条兼顾合规性、实用性与推广性的康养数据治理新范式。
一、康养数据孤岛现状与联邦学习适配性深度剖析 康养数据孤岛的本质是业务协同机制失效，而非单纯技术隔离 当前各医疗养老机构的数据沉淀高度依附于其核心业务闭环：医院聚焦诊疗合规与医保结算，养老院侧重照护记录与风险预警，社区卫生中心承担慢病随访与健康档案更新。三类主体在数据采集目标、更新频率、字段颗粒度及质量管控逻辑上存在结构性差异——例如跌倒风险模型需融合环境传感器时序数据与认知评估量表，但前者由智能养老设备厂商主导采集，后者由护理人员手工录入，缺乏统一的业务触发点与责任归属，导致数据天然割裂。
孤岛的持续强化源于权责利不匹配：数据共享未嵌入现有绩效考核与服务结算流程，反而增加合规审查成本与隐私管理负担。依据尚参科技“数据价值流-治理成本”双维分析框架，当跨机构数据调用带来的边际业务收益（如早期干预节省的急性期住院费用）无法覆盖其引发的额外治理成本（含审计、脱敏、接口适配等隐性投入）时，理性组织必然选择“数据自持”。 联邦学习并非技术替代方案，而是对康养协同范式的制度性适配 传统集中式建模要求数据物理汇聚，与《个人信息保护法》《医疗卫生机构网络安全管理办法》中“最小必要”“目的限定”原则直接冲突；而联邦学习通过“数据不动模型动”的范式，将建模过程解耦为本地训练+加密参数交换，使各方仅暴露统计特征而非原始记录，本质上是对监管刚性约束的结构化响应。
尚参科技“三阶适配模型”指出：联邦学习在康养场景的可行性取决