EpiData确实比Excel好，
但它们有个共同的盲区
知乎和CSDN上有很多文章推荐EpiData替代Excel做临床数据录入。它们的逻辑是对的：EpiData有字段校验、有数据类型限制、支持双人录入比对——这些都是Excel没有的能力，在数据质量控制上确实更可靠。
但这些文章有一个共同的前提，没有被明说出来：它们假设你已经坐在电脑前，病历或报告已经打开，可以开始逐字段手动输入了。
在这个前提之前，有一段路——从病历文档里读取数据、判断字段、打进工具——这段路，EpiData和Excel都要你自己走。
EpiData的优势是真实的
先把该肯定的说清楚。
Excel作为录入工具有几个实际痛点：没有强制数据类型，同一列可以混入文字和数字；没有范围校验，录入"1200"（本应是"120"）不会提示；没有字段跳转逻辑，某个值为"否"时后续几个关联字段应该跳过，Excel做不到。
EpiData针对这些问题有对应的设计：
- 字段类型约束：定义字段是整数、日期还是文本，录入时会强制校验
- 范围检查（CHK文件）：设定合理范围，超出范围会报错提示
- 条件跳转：根据某字段的值决定是否跳到下一个字段，减少逻辑错误
- 双人录入：两个人分别录入同一批数据，再由软件自动比对不一致项，这是临床试验数据质量控制的标准做法
如果你做的是需要严格数据质量控制的研究（多中心、有CRF要求、数据将用于论文或申报），EpiData的这些功能确实比Excel更可靠。推荐它的文章没有说错。
两者共同的隐含假设
EpiData和Excel都是录入工具——它们的设计起点是：数据来源（病历、报告、纸质表单）已经在你手边，你负责把它翻译成数字打进去。
这个动作链条是：
- 找到对应的病历/报告（在HIS界面找，或翻纸质档案）
- 在文档里找到目标字段（同一个指标，不同医院、不同时期的报告，位置和写法可能不同）
- 读出数值，切换到录入工具，找到对应字段，手动输入
- 对下一个字段，重复
EpiData优化了第3步的质量（加了校验和跳转），但第1、2步完全没有变。你还是要眼睛看着报告，手指在键盘上打字。
还有一笔被忽略的成本：学习曲线
EpiData的推荐文章通常会附上使用教程，但较少提到学习成本对研究生的影响。
使用EpiData需要理解三个核心文件类型：
| 文件类型 | 作用 | 需要掌握的内容 |
|---|---|---|
| QES文件（问卷） | 定义录入表单的字段结构 | 字段命名规则、字段类型语法 |
| REC文件（记录） | 实际存储录入数据 | 由QES生成，需要理解关联关系 |
| CHK文件（校验） | 设置校验规则、跳转逻辑 | CHK语法、条件语句写法 |
这套体系对于需要反复使用、或者做多批次数据采集的场景是值得投入的。但对于只做一次回顾性研究的研究生来说，建立这套体系的时间，有时候比直接录入数据还要长。
很多人的实际经历是：看完教程，装好软件，发现QES文件的格式写错了，重新查文档，调好了之后发现CHK校验规则不生效，再查一遍……等搞明白怎么用，已经过去了大半天。
真正的区别是什么
EpiData相比Excel的提升，是在"手工录入"这件事上做得更规范。它没有改变"手工录入"本身是什么。
如果把数据采集分成两个阶段来看：
| 阶段 | Excel | EpiData | AI提取（简录AI） |
|---|---|---|---|
| 阶段一：从病历/报告读取数据 | 人工阅读 + 手打 | 人工阅读 + 手打 | 上传截图/PDF，自动识别提取 |
| 阶段二：数据质量控制 | 无自动校验，依赖人工复核 | 有字段校验、范围检查、双录入比对 | 导出后用Excel/EpiData做后续校验 |
| 学习成本 | 低（大多数人会用） | 中等（需要理解QES/REC/CHK体系） | 低（上传 → 定义字段名 → 导出） |
| 阶段一耗时（100份病历） | 约 20–25 小时 | 约 20–25 小时 | 约 30–60 分钟 |
EpiData显著改善了阶段二，但阶段一的时间没有变化。AI提取工具针对的是阶段一——把读取和录入这个动作本身自动化掉。
这不是非此即彼的选择
指出EpiData的盲区，不是说它没用。两种工具解决的是不同环节的问题，可以配合使用。
一个可行的工作流：
- 截图收集：在HIS界面对需要的报告页面逐例截图（这步没有捷径）
- AI批量提取：将截图上传到简录AI，定义目标字段名称，批量导出为结构化Excel或CSV
- 格式规范化：对导出数据做日期格式统一、编码标准化等后处理
- 质量核查：随机抽取一定比例的条目，对照原始截图核查提取结果；对于关键变量可以做双人复核
如果你的研究对数据质量要求极高（需要GCP级别的溯源和审计追踪），在导出数据之后再引入EpiData做管理是合理的。但对于大多数研究生的回顾性课题来说，AI提取 + Excel后处理 + 随机抽查核验，已经足够覆盖数据质量要求。
判断标准：你的研究需要哪个层级的质控？
单中心回顾性研究、样本量在几百例以内、用于学位论文或投稿期刊——AI提取 + 抽查核验通常足够。多中心、有药监局或伦理强制要求、需要完整审计轨迹——这时候EpiData或EDC系统的投入才是有必要的。