婦嬰疾病診斷相關組的構建與比較研究*

廣東省婦幼保健院（510010） 韓 棟 魏凌云章 瑩 徐金龍

婦嬰疾病診斷相關組的構建與比較研究*

廣東省婦幼保健院（510010） 韓 棟 魏凌云△章 瑩 徐金龍

目的本研究擬建立婦嬰疾病診斷相關組（women＆infant－diagnosis－related groups，W I－DRGs），并與CN－DRGs、MS－DRGs和AR－DRGs等代表性DRGs體系的分組效率進行比較，以初步評價和改進W I－DRGs。方法采用定性研究（專題組討論、Delphi法等）與定量研究（線性回歸、決策樹等）相結合的方法，采用廣東省某三級婦幼醫院的婦嬰專科住院患者資料建立W I－DRGs分組。同時比較W I－DRGs、CN－DRGs、MS－DRGS和AR－DRGs的分組效果。結果WI-DRGs系統費用變異減少（reduction in variance，RIV）為0．596，變異系數（coefficient of variation，CV）為0．10～0．54，平均住院日RIV為0．389，CV為0．02～0．22。W I－DRGs在婦嬰疾病分組方面較優。結論WI-DRGs組間異質性和組內同質性較好，具有一定的科學性和實用性，但仍需擴展研究樣本來源，引入更高效的分組變量和算法，以獲得更有力的證據支持。

診斷相關組 婦嬰 CN-DRGs MS-DRGs AR-DRGs 比較研究

DRGs（diagnosis-related groups）最初由美國耶魯大學于上世紀60年代建立，以用于醫療質量監督的目的，1983年Medicare將DRGs應用于住院服務PPS，估計由此每年約節約170億保險支付。之后，各國借鑒美國經驗開展了DRGs相關研究和應用，目前在美國、澳洲、歐盟等國已廣泛使用，在控制衛生費用，縮短平均住院日，提高衛生資源使用效率，提高衛生服務公平性等方面發揮了積極的作用。我國DRGs研究起步較晚，可比性較強且得到應用的研究主要有CNDRGs。但系統性的婦嬰專科DRGs研究和應用則未見報導。因此，為了應對婦嬰專科DRGs的差異遠大于其他組別的問題，也為了切實推進《中國婦女發展綱要》和《中國兒童發展綱要》，本文擬探討婦嬰DRGs分組的構建與評價，從而利用DRGs優化婦幼衛生服務和提高婦幼衛生資源使用效率。

方 法

1．數據采集

收集某三級婦幼醫院2008年1月1日至2014年12月31日共計172170例婦、產、嬰相關專科住院患者病案首頁及其他相關數據，其中2008－2012年數據作為訓練樣本用于建模，2013－2014年數據用于測試。具體分組變量包括患者基本資料、住院總費用（其中產婦和產嬰費用進行分離）、住院日、主要及其他診斷、主要及其他手術操作、新生兒體重、胎齡等信息。

2．數據預處理

數據預處理措施包括：邏輯核查，核查內容包括缺項、漏項、性別沖突、年齡沖突、編碼沖突（例如無效或錯誤診斷、操作）等；數據質量抽查，以確保數據的完整性和準確性；住院日和費用標準化轉換，極值處理（剔除超過均數±3倍標準差以外的費用）和住院日等。經過預處理實際納入研究的數據共計為2008－2012年99300份和2013－2014年68881份。年齡描述采用均數±標準差，總費用與住院日采用中位數（25百分位數～75百分位數）描述。

3．分組方法

主要診斷組（major diagnosis category，MDC）國內外基本一致，本研究直接參照。ADRGs（adjacent DRGs）和DRGs分組充分考慮在統計差異的基礎上保證臨床一致性，采用決策樹模型和專家組評議結合的方法。

其中決策樹采用多變量（本研究采用2個因變量，住院總費用和住院天數）回歸樹（multivariate regression tree，MRT）和條件推斷決策樹（conditional inference trees，CIT）。MRT是對決策樹經典算法CART在多個因變量情況下的推廣，與CART具有相似的優點，而CIT則是在條件推斷架構下進行遞歸二叉樹分割，可以解決目前決策樹過擬合與選擇偏倚的問題。父節點的樣本量大于500時進行拆分，子節點小于100時分組才可進行，不限定樹的深度。分組條件設定為最大RIV（reduction of variance）＞0．4、變異系數＜1．00［1］。為了保證分組的臨床與保健意義，統計分組需經過專家組評議。分組變量探索由統計分組與專家分組迭代進行。詳細分組過程參見《婦嬰疾病診斷相關分組模型研究》一文［2］。

4．評價

DRGs組內同質性評價方法通常采用變異系數（coefficient of variation，CV）進行評價，CV表示組內同質性。數值越小，表示組內同質性越高。計算公式如下

DRGs組間比較最常用的指標是RIV。RIV表示DRGs分類系統可以解釋個體變異的比例，同時RIV也表示DRGs系統基于個體信息對于醫療資源消耗的預測能力。RIV的計算公式為

其中，yi為第i個病人的指標值（費用或住院日），A是所有病人的指標的平均值，Ag為yi所在的DRGs分組為g的平均費用或平均住院日。RIV的取值范圍為0～1，0表示分組劃分對分組軸心的變異毫無解釋作用，1表示分組劃分可以完全解釋分組軸心的變異。本研究采用W I-DRGs、CN-DRGs、MS-DRGs、ARDRGs分組邏輯（詳見《婦嬰診斷相關組進展及分組研究探討》一文［3］）對2013－2014年住院資料進行分組，并比較上述DRGs費用和平均住院日RIV。

結 果

1．W I-DRGs分組結果

MDC13中患者平均年齡36．48±10．73歲，中位住院日為6天，中位總費用為13137．00元（見表1）。分組變量主要包括主要診斷、手術（還包括是否腹腔鏡）、腫瘤、并發癥或合并癥（complications and comorbidities，CCs）。分組后費用與住院日RIV分別為0．695和0．438。費用CV：0．02～0．10優于住院日CV：0．10～0．40。手術組平均費用和住院日最高的為P02盆腔清掃與切除—無腹腔鏡組，達34613．94元和19．66天，非手術組平均費用和住院日最高的為P13女性生殖系統腫瘤—無OR，分別為6538．49元和5．75天。

MDC14中患者平均年齡29．59±4．92歲，中位住院日為4天，中位總費用為4674．20元（見表1）。分組變量主要包括主要診斷、手術、年齡與有無腹腔鏡（異位妊娠組）。分組后費用與住院日的RIV分別為0．481和0．201。費用組內CV：0．02～0．11優于住院日CV：0．22～0．54。手術組費用最高的為O03異位妊娠—有腹腔鏡組，平均13198．54元，住院日最大的組為O01：剖宮產—年齡＞35歲，平均為6．43天。非手術組費用最高為O15流產—無手術—有CC，平均為4331．27元，住院日最大的組為O09先兆流產—有CC，平均住院5．68天。

MDC15中患者平均年齡2．89±5．568天，中位住院日為3天，中位總費用為3858．58元（見表1），其中男性8207（58．84%）例，女性5741（41．16%）例。分組變量僅納入了體重、新生兒疾病或手術等。分組后費用與住院日的RIV分別為0．503和0．430，費用組內CV：0．04～0．22，住院日CV：0．16～0．37。費用最高和住院日最長的組均為N02體重≤1．25kg，達61420．75元和34．5天。W I-DRGs的分組結果達到DRGs應用的條件（RIV＞0．4和最大CV＜1．0）［1－2］。

表1 W I-DRGs各MDC基本信息描述

2．W I-DRGs與其他DRGs比較

因各系統DRGs的分組軸心以費用為主且費用的同質性通常優于住院日，因此，費用的RIV均高于住院日。W I、CN、MS和AR的三個MDC總費用RIV分別為0．596、0．458、0．510、0．552，而平均住院日RIV分別為0．389、0．313、0．319和0．410。女性生殖系統疾患（MDC13/MDCN）的費用RIV，WI-DRGs達到0．695，均高于其他三組。CN-DRGs亦高于MS和AR的費用RIV。妊娠、分娩及產褥期（MDC14/MDCO）W I-DRGs與CN-DRGs的費用RIV相近，均略高于MS-DRGs和AR-DRGs。新生兒及其他圍產期新生兒疾病（MDC15/MDCP）的分組中，MS的費用和LOS的RIV均最少，WI和AR的主要分組變量為新生兒入院體重，劃分結果相對較好。各系統DRGs費用和住院日的RIV見表2。

表2 各DRGs系統費用及住院日RIV

討 論

對分類模型的整體評價一般包括模型的穩健性（robust）、組間差異性（例如RIV等）、組內一致性（例如CV、QCD等）。隨著組數的增加，任何的分類系統都可以達到一個較高RIV值。當病人數等于分組數時，RIV值等于1。由于MS-DRGs、AR-DRGs和W IDRGs的DRGs組數有所不同，所以各系統RIV的差異有可能來源于組數的不同。因此可采用Feldman的方法［4］衡量分組數對RIV的影響，隨機將N個對象分入K組中。各DRGs系統詳見表2，結果為0．00067～0．00110，因此本研究由于分組個數導致的差異可以忽略，RIV的差異來源主要來自于各DRGs系統的分組規則差異。Palmer等［1］的研究表明剔除異常值的影響后，各DRGs住院日RIV在0．286～0．606，費用RIV在0．412～0．632。Wynn等［5］指出納入CCs分級后RIV由0．352～0．366提升至0．4243～0．4458。

在DRGs建模方法學方面，自最初的DRGs研究開始一直主要采用線性或廣義線性模型，各DRGs的改進主要體現在CCs的選擇范圍、選擇方法及累計效應的算法。2015年7月開始澳大利亞實施了新的AR-DRG V8．0［6］。V8．0對衛生服務的輸入與產出進行了更明晰的定義，對原線性模型進行了較大改進，不再使用住院日而只用費用進行分組。將原PCCL模型替換為ECC（episode clinical complexity sore）模型。CCs單位由DCL（diagnose complexity level）替代CC level（CCL），復雜性累積效應由ECCS（episode clinical complexity sore）替代PCCL。其中CCLs取值0～4，DCLs取值0～5。PCCL取值0～4，ECCs取值0～31．25。DCL由廣義線性模型，采用漸進衰減因子計算獲得。最終V8．0取消了住院日、入院病情、死亡結局等直接分組因子，含403個ADRGs和804個DRGs，目前該模型仍處于改進中。

此外，隨著DRGs方法學的進展，決策樹模型在DRGs建模方面的應用也逐漸擴展。英國的衛生資源分組（HRG）采用了CART。Grubinger等［7］使用Bootstrap對奧地利的CART分組方法進行了改進，不同大小決策樹的均方誤改進效果達1．09%至4．90%。閻玉霞［8］利用AID方法及分類變量將內科病例組合形成603組，外科病例605組。本研究的W I-DRGs［2］采用多變量回歸樹和條件推斷決策樹，同時對費用和住院日數進行分組，并經專家組評議（Delphi法）。W IDRGs的研究方法與上述方法比較一致。但國內高健民等［9］、何凡［10］、閻玉霞等［8］的研究從MDC到ADRGs范圍與方法均與國際上常用方法及本研究具有較大的差異。

［1］Palmer G，Reid B．Evaluation of the performance of diagnosis-related groups and similar casemix systems：methodological issues．Health Services Management Research，2001，14（2）：71-81．

［2］魏凌云，韓棟，徐金龍，等．婦嬰疾病診斷相關分組模型研究．長治醫學院學報，2015，2（2）：116-119．

［3］魏凌云，韓棟，徐金龍，等．婦嬰診斷相關組進展及分組研究探討．現代預防醫學，2015，42（15）：2734-2737．

［4］Averill RF，Muldoon JH，Vertrees JC，et al．The evolution of casemix measurement using diagnosis related groups（DRGs）．Wallingford：3M Health Information Systems，1998．

［5］Wynn BO，Beckett MK，HILBORNE L，etal．Evaluation of Severity-Adjusted DRG Systems．Interim Report to the CMS（Santa Monica，Calif．：RAND，2007），2007．

［6］National CACC，Australian HSRI，University OW．AR-DRG：Australian refined diagnosis related groups，version 8．0，definitionsmanual．Wollongong，N．S．W．：University of Wollongong，2014．

［7］Grubinger T，Kobel C，Pfeiffer KP．Regression tree construction by bootstrap：model search for DRG-systems applied to Austrian healthdata．BMC Med Inform Decis Mak，2010，10（1）：1-11．

［8］閻玉霞，徐勇勇．病例組合分類結果的評價．中國衛生統計，2007，24（2）：163-164．

［9］高建民，鄭古崢玥，詹梅，等．疾病診斷相關分組分類節點變量的選擇及其分組結果的合理性評價．中國衛生經濟，2013，32（1）：16-18．

［10］何凡，沈毅，劉碧瑤，等．浙江省住院病人病例組合研究．中華醫院管理雜志，2006，22（7）：460-464．

（責任編輯：鄧 妍）

廣東省自然科學基金資助（項目編號：S201210008269）；廣東省科技計劃項目資助（項目編號：2014A040401042）

△通信作者：魏凌云，E-mail：1719076809＠qq．com