疾病診斷相關分組(DRGs)在腫瘤門診特殊疾病病種支付中的應用研究

馮海歡 楊 芳 李佳瑾 滕世偉 孫 麟

四川大學華西醫院醫保辦公室 四川成都 610041

為緩解“看病難、看病貴”問題，某市(以下稱“C市”)醫保將39種病情相對穩定、需長期在門診治療的疾病納入門診特殊疾病(以下簡稱“門特”)，患者與醫院進行按項目結算，醫保經辦機構對醫院則按照病種大類進行定額撥付，結算周期內患者實際費用達到或超過各病種支付標準的，經審核后按病種支付標準清算撥付，超支部分由醫院按照一定比例進行分擔。這種單一的病種付費制度雖然是國際上較為認可的付費機制[1]，但覆蓋面有限且付費標準過于粗獷，如腫瘤患者不管腫瘤類型、有無轉移及治療方式如何，均采取統一的付費標準。因此難以保證醫院給患者提供科學有效、有針對性的醫療服務，導致醫療質量與醫療消耗的分離。

DRGs(Diagnosis Related Groups)是一種以醫療資源消耗強度為分組軸心，應用統計控制理論的原理將病人歸類的新方法，其基本思想是以病例診斷和(或)操作等特征相似的診斷相關疾病進行歸類組合，通過對每個組設定支付標準的預付制度，以控制醫療費用過快增長。DRGs經超大樣本量研究制定，綜合考慮病人病情、疾病預后、治療難度及醫療資源消耗等各個方面，將病例進行分類組合形成若干個診斷相關組，使得每一組衛生資源消耗都相近，同質性較高[2]，可以有效平衡醫療質量與費用。因此，DRGs不僅能為醫保支付標準的確定提供科學依據，而且還可以為醫院實現有序和有效的質量管理和優質服務提供可以借鑒的寶貴經驗和指導方法。

1 對象與方法

1.1 對象

本研究以C市某綜合性三甲醫院(以下簡稱A醫院)2016年1—6月醫保結算數據中的腫瘤門特數據為例，探討DRGs思想在按病種付費制度中的應用，為按病種支付方式為主的醫保支付方式改革提供有理可循的方法與思路。本次研究納入分析的共有1 198名腫瘤患者的門特記錄，每條記錄中包括患者個人信息、門特申請信息、原始費用明細及醫保支付情況。

1.2 方法

DRGs是基于醫療資源的消耗，本文選擇醫療費用代表醫療資源消耗。利用個人信息匹配病案首頁中該病人的疾病情況，如腫瘤類型、是否手術、是否有轉移。運用SAS 9.4對數據進行邏輯差錯和預處理及數據建模。首先利用多元線性回歸模型篩選對醫療費用有統計學意義的影響因素并建立費用預測模型，通過預測模型篩選費用異常數據，從而標定相對合理的數據；最后利用基于窮盡卡方自動互動檢驗法(Exhaustive Chi-square Automatic Interaction Detector,E-CHAID)的決策樹模型進行DRGs分組并對各組的合理費用進行模擬預測。針對分組效果則根據數據分布情況采用合理的指標檢驗組間異質性及組內同質性。

2 結果

2.1 基本情況

如表1所示，A醫院不同特征的腫瘤患者的醫療費用僅在不同的治療方式下出現有統計學意義的差異，其他特征的費用差異均無統計學意義。從該表可以看出，不同特征腫瘤門特患者半年費用的均數基本達到一萬元以上，即年均費用至少為2萬元，而C市醫保對于A醫院腫瘤門特患者的年均支付費用僅為13 000元，按照90%的政策補償比例測算，腫瘤門特患者一年的醫療費用需控制在14 500元以下，醫院才不會面臨分擔風險。A醫院在保證醫療質量與安全的前提下，每年都面臨腫瘤超定額而分擔的扣款，不僅影響到醫院的正常運營而且使醫保基金得不到有效使用。因此針對現有門特定額付費制度，以DRGs為途徑對病種費用進行精細化管理顯得尤為必要。

表1 A醫院不同特征腫瘤門特患者變量賦值及費用比較

2.2 影響因素篩選與合理數據標定

本文以個人半年總費用為因變量，以性別、年齡、是否轉移、是否手術、藥品費用構成、治療方式為自變量(變量納入形式見表1)建立多元線性回歸模型，采用逐步回歸法篩選自變量。其中半年總費用成偏態分布，故轉換為對數值納入模型。藥品費按照《國家基本醫療保險、工傷保險和生育保險藥品目錄》進行分類。由于本研究數據限制，未能包含患者合并癥并發癥變量，但分類后的藥品費可間接反映患者的合并癥及并發癥。由于患者發生費用的累計月份數有差別導致累計費用有較大差異，因此本文以各類費用占比納入分析。

表2 各變量對腫瘤患者半年總費用的影響效應

2.3 DRGs分組及模型評價

本文采用基于E-CHAID算法的決策樹模型進行DRGs分組。E-CHAID算法是CHAID的改進算法，廣泛適用于定類、定序和定量數據的分析，是一種以目標最優為依據，具有目標選擇、變量篩選和聚類功能的分析方法。它是根據經過篩選的解釋變量對數據中給定的因變量進行最優分割，通過卡方檢驗/方差分析是否具有顯著性進行自動判斷分組,使得亞組之間的差異(不純度)最大而亞組內差異盡可能的小(純度盡可能大)。E-CHAID在CHAID的基礎上在選擇最佳分組變量時采用“將分組進行到底”的策略，比CART算法和CHAID算法更適合于建立DRGs模型。[3]模型以個人總費用對數值為因變量，以回歸模型中對費用有影響意義的年齡、治療方式為自變量，同時考慮到不同部位的腫瘤具有不同的特點，因此將腫瘤所屬部位、年齡、治療方式為自變量進行分類。

2.3.1 DRGs分組情況

經過對合理數據進行標定后，腫瘤門特的醫療費用共分為7個DRGs組，分組變量中治療方式、年齡和腫瘤系統具有統計學意義。7個組中例數最多的為第5組，即年齡大于47歲進行單純化療或放療的患者，占總例數的62%。費用最低的為甲狀腺系統或泌尿系統的維持性治療，人均半年總費用不到一千元；費用最高的為消化系統或呼吸系統或泌尿系統或唇、口腔、咽系統同時進行放化療治療，人均半年總費用高于兩萬元。

表3 DRGs分組結果及模型評價指標

2.3.2 模型評價

(1)組內同質性

DRGs病例組合的原理即盡量增大組合內的“同質性”。一般通過計算變異系數(Coefficient of Variation,CV)對每個DRGs組的組內差異進行評價。CV是一個數據集的變異指標與其平均指標的比值，越小表示組內變異越小，同質性越好。變異指標可以為全距、平均差或標準差等[4]，傳統計算公式為CV=標準差/均數。由于費用數據呈偏態分布，本文首次嘗試用描述偏態分布的四分位間距代替標準差，用中位數代替均數來衡量組內變異程度。

表3所示，本文所使用的兩種變異系數計算方法均顯示出，分組后各DRGs組的變異程度均小于分組前數據集的變異程度，說明分組后組內同質性較分組前有所提高。

(2)組間異質性

一般采用方差減少量(Reduction in Variance，RIV) 計算一個數據集被分解為n(n≥2)個子集后子集間的變異占總變異的比值來衡量各檢測集DRGs組間的異質性。RIV值越大則組間異質性越強，分組結果越好。本研究分組后RIV值為23.81%，可以認為本次分組效果較好。

(3)分組模型成立

由于醫療費用成偏態分布，本研究采用Kruskal-Wallis H 檢驗DRGs分組后模型是否成立。結果顯示各組間的費用不全相同，且差異具有統計學意義(H=501.326，P<0.001),可以認為分組模型成立。

2.4 付費標準參考值制定

醫保經辦機構可以各DRGs組的集中趨勢指標與離散趨勢指標為參考進行付費標準的范圍界定。如首先以各組合的費用中位數為參考，結合當地醫保患者的政策補償比例和基金收支情況制定病種付費標準(表4)。再以總費用的75%加1.5倍四分位間距或者幾何均數加減2倍或3倍標準差作為限外病人的控制限[5-7]，超過控制限的患者標定為異常數據并進一步分析，不僅可以消除醫療費用離散度過大的異常值影響，還可以通過了解限外患者的疾病嚴重程度及醫療資源消耗情況，為病種付費標準的動態調整提供科學依據。相比于分組前，分組后各組的均數或中位數都呈現出層次性，能夠體現出不同DRGs組別的臨床治療及疾病情況特征，不僅支付標準更具有聚焦性，而且更容易識別限外病人等異常數據，有利于醫保經辦機構進行有針對性的管理。

表4 DRGs組費用償付標準參考(元)

注：按照90%政策補償比例計算

3 結論與建議

3.1 結論

醫保支付標準的確定需依據“大數法則”，傳統的病種付費標準僅僅是粗略地以一定時間段內某病種的平均值為參考，并沒有考慮到數據的實際分布情況及疾病特征、病人自身特點等因素，因此對于醫院和醫保經辦機構都難以做到精細化管理。DRGs作為一種理想的付費方式，其研究領域大多集中在住院病例[8]，近年來某些特殊疾病及專項重大疾病如腦梗、白血病、心臟病等疾病也是DRGs的研究熱門[9,10]，但鮮有針對門診病例的研究。

本文首次將需要長期維持治療的腫瘤門特患者納入研究，采用與成本密切相關的醫療費用測算各組合的支付標準，從數據本身的分布特點入手，利用統計學方法進行費用的影響因素篩選，通過科學的方法挖掘異常數據，在合理的數據基礎上結合疾病特征、治療方式等因素對費用進行分組，不僅擴大了DRGs思想在醫保支付方式改革的應用領域，而且非參數Kruskal-Wallis H 檢驗、 RIV 值測算均顯示組間異質性較強，CV 測算結果顯示組內醫療費用消耗的同質性較好，說明了病例組合方案的可靠性和合理性。此外，本文創新性納入了反映疾病治療過程的變量(治療類型)并顯示出對醫療費用有較強的影響，不僅能夠彌補門診患者由于診斷不完善導致的疾病嚴重程度不明確的缺點，而且將DRGs分組的“事前控制”轉變為“事前—事中控制”，使分組的綜合性和有效性更強。因此本文介紹的方法可推廣于門診的其它系統疾病，最終形成一套包括所有疾病在內的、 開放性的和動態的病種費用標準體系。

3.2 建議

3.2.1 以門診特殊疾病為試點逐步推廣門診DRGs的應用

各地由于醫保政策不同，門診支付方式有所差異。C市門診僅將部分需要長期治療的慢性非傳染性疾病納入醫保支付，該部分疾病的患者人群和疾病狀態較為穩定，與普通門診患者相比更適合于DRGs付費。全國有部分地區實現了門診統籌，支付方式多為按項目付費或包干定額付費，這種付費方式不僅面臨醫保基金浪費的風險，而且沒有考慮到病人的實際就醫需求。由于門診的特殊性，其數據比住院數據更為龐大和復雜，尤其是疾病診斷規范性往往得不到保證，病人的流動性強，病歷信息有限。門特數據則一定程度上規避了這類問題。以C市為例，所有納入門特的疾病均為大類病種定額付費，如糖尿病，甚至都沒有區分I型還是II型，高血壓也沒有區分級別。當病種發生超定額標準時僅體現出該大類病種的就醫需求與醫保基金耗用不平衡，醫院難以確定超標準的詳細原因，醫保經辦機構面臨醫保基金安全可持續性管理時也沒有科學可靠的抓手。因此以門特患者為試點逐步推廣門診其他相對穩定的病種進行DRGs付費，對大類病種進行精細化管理具有一定的現實意義和可操作性。

3.2.2 結合當地疾病譜和不同級別醫院功能定位進行動態調整

病種醫療費用標準的制訂是DRGs分組結果的一個重要應用，但也是一個艱巨的任務。醫療費用本身受多種因素影響，除病人病情及病人的個體特征外，還有很多客觀因素如當地物價指數，醫院規模及所在區域社會經濟特征等。這些因素相互交叉影響，難以分開，導致不能用統一的統計模型進行描述，因此，在制定標準費用的過程中需要考慮到臨床診斷的同時，還要考慮到病人需求、治療過程及當地疾病發展趨勢，并結合醫改政策對醫院的影響前瞻性預測醫院病種收治結構的變化，將DRGs付費機制完善為“事前測算，事中控制，事后調整”，一方面能夠兼顧醫療費用與醫療質量的平衡，另一方面能夠提高醫保基金的風險防范能力并提高基金的有效使用率。

3.3 需進一步研究的內容

病例組合是基于大樣本數據，采用統計學方法擬合的決策樹模型對醫療資源消耗的病例進行分類的過程。如果樣本量太小，則統計結果沒有代表意義，結果不穩定。本研究雖然采用了1 198份有效樣本，但僅為同一家醫院的半年數據，不同類型的腫瘤患者代表性有限，下一步可通過納入其他醫院及更長時間段內的腫瘤門特患者數據來擴大樣本含量和樣本信息，提高研究的可信度和效度。另外，用醫療成本進行DRGs分組能夠代表疾病的真實消耗，但現階段我國根據成本確定DRGs支付標準仍有相當大的難度[11]，可進一步完善基于DRGs系統的成本核算體系、成本信息數據庫[12]，對相應的支付標準進行調整和修正，使DRGs在病種支付方式改革的應用不斷得到完善。

作者聲明本文無實際或潛在的利益沖突。

[1] 雷海潮. 中國衛生總費用的未來趨勢及相關政策思考[J]. 中國衛生事業管理, 1999(3)： 137-140.

[2] Issel L M, Anderson R A. Avoidable costs of comprehensive case management[J]．Health Care Management Research, 2001, 24(3): 64-72.

[3] 杜劍亮, 劉駿峰, 陳倩. 不同決策樹算法建立DRGs模型的差異[J]. 中國病案, 2014, 15(7): 38-41.

[4] 杜劍亮, 劉駿峰, 陳倩. 常用DRGs模型的評價方法[J]. 中國病案, 2014, 15(8): 36-37.

[5] 高子厚, 萬崇華, 蔡樂, 等．按DRGs組合方式制定消化系統疾病患者住院費用的研究[J]．中國衛生統計, 2006, 23(4): 323- 325．

[6] 徐勇勇, 張音, 潘峰, 等. 基于我國病案首頁的病例組合方案與病例組合指數[J]. 中華醫院管理雜志, 200l, 17(1): 34-36.

[7] 黃慧英. 診斷相關分類法在北京地區醫院管理中的可行性研究[J]. 中華醫院管理志, 1999, 10(3): 131-149.

[8] 簡偉研, 胡牧, 張修梅. 診斷相關組(DRGs)的發展和應用[J]. 中華醫院管理雜志, 2011, 27(11): 817-820.

[9] Cleary Ml et al. The future of ease mix in emergency medieine and ambulatory care[J]. Med， 1994 sep 5:161(suppl): 530-533.

[10] Ashby R, Jelinek G. Case mix classification for outpatient services based on episodes of care[J]. Med J, Aust 1993 aug 2: 159(3): 213.

[11] 林晨蕾. 美國DRGs支付制度對我國醫療保險支付方式的啟示[J]. 中外企業家, 2010(10): 115-116.

[12] 曾雁冰, 林鵬, 方亞. 基于CHAID算法的病毒性肝炎患者DRGs分組研究[J]. 中國衛生統計, 2015, 32(3): 514-517.