門診分診失效與智能技術改善的探討

□ 顏楷 YAN Kai 邱亨嘉 QIU Heng-jia

門診分診是護士根據患者主訴和主要癥狀描述，對患者疾病嚴重程度以及所屬?？七M行分類，為患者提供專科推薦的工作[1-2]。分診失效是指分診科室、醫生專長不滿足患者疾病需求的情況。分診失效降低醫師工作效率，增加醫院管理運營成本，并且降低患者就醫體驗[3]、延誤治療。既往研究探討分診失效因素中，將影響因素分為分診人員因素、患者及家屬因素、管理等因素[4-6]，卻僅通過問卷調研方式得出各因素出現頻次占比，對多種因素間相互作用考慮不充分。既往研究中提出的模板式問診與提升分診護士能力等解決方案[7-8]，不適應當前門診護士短缺、工作量大的現狀。本研究探索造成分診失效的原因，并提出以智能技術為基礎的解決方案。

資料與方法

1．資料來源。收集湖南省株洲市某三級綜合醫院門診2017年9 月每周三上午掛號及退、換號總量。從醫院管理信息系統中獲取患者性別、年齡、患者登記號、掛號方式、取號時間、分診護士編號，結合回訪資料進行分析。

2．方法。根據每日患者退、換號的患者登記號，追蹤退、換號原因，在資料中標注分診失效與分診有效，并將樣本分為失效組與有效組。取樣本中患者門診病歷診斷數據，請?？漆t生判斷患者診斷類型是否屬于易混淆的疾病范疇，進行標記，區分疾病類型。變量調整中，預約掛號不同于現場掛號，未經過分診環節直接進入診室取號，標記為新變量編入資料。小于18 歲就診患者年齡折算為其父母年齡計入資料。樣本篩檢中，將診間預約號、取藥便民號、復診患者、同日內重復同科室醫生掛號、等候時間過長而同科室內換號的數據篩出樣本。獲得總分診人次2892 次，其中出現分診失效274 人次。使用SPSS13．0 軟件進行分析，研究其失誤因素，提出改進策略。

結果

本研究中，分診失效率為9．47%，平均每半天(上午)出現68．5 人次的分診失效?；救丝趯W信息如表1、表2 所示。

表1 中顯示，性別因素不顯著(p＞0．05)，取號時間段、年齡段、掛號方式、疾病類型因素顯著(p＜0．05)。

根據護士相關因素對護士進行簡單描述。從學歷上，護士B為中專學歷，護士D 為本科及以上學歷，護士A、C、E 為大專學歷。在從事分診工作時長上，護士A、D 為2 ～3 個月分診經驗護士，護士B、C 從事分診時間少于2 個月，護士E 從事分診超過3 個月。表2 中顯示，護士學歷、分診護士個人差異因素間不顯著（p＞0．05)。

表1 分診失效患者因素

表2 分診失效護士因素

根據樣本數據，進行Logistic 回歸分析，對年齡層次、分診時間段、掛號方式、分診護士等七個維度進行啞變量處理，進行回歸檢驗，結果見表3。患者年齡中，年齡以18 ～27 歲為參照，48 ～57 歲年齡段分診準確性差異顯著(p=0．002)，面臨比18 ～27歲患者2．009 倍分診失效的風險；分診時段中，以11：00 ～12：00為參照，8：00 ～8：59 與9：00 ～9：59 兩個時間段分診準確性差異顯著(p=0．015 與p＜0．001)，面臨的分診失效危險分別為2．231倍與4．102 倍；掛號方式上，預約掛號相對于現場掛號顯著(p=0．013)面臨5．74 倍分診失效威脅；從分診護士的學歷上看，并不影響分診結果；護士從事分診工作時長上看，工作時間較長護士分診失效較少，且存在顯著差異；分診護士間也存在一定程度分診失效風險，相對于A 護士，B、C 護士更易犯錯。

討論

從分診時間段角度看，工作量越大的時段更容易出現分診失誤?，F場掛號時間段內，分診量壓力影響分診工作質量，工作量由9：00 ～9：59、8：00 ～8：59、10：00 ～10：59、11：00 ～12：00遞減。研究中以11：00 ～12：00 為參考發現，工作量最高時間段9：00 ～9：59 出錯的相對危險度是最少工作量時間11：00 ～12：00的4．1 倍。分診護士在工作負荷高時，有效分診時間被壓縮，難以規范使用推薦的分診流程?；颊吲c護士也容易受到嘈雜環境影響而溝通不充分。

從掛號方式角度來看，預約掛號患者面臨更高掛號錯誤。預約掛號的患者在網絡掛號端直接選擇科室，不經過分診操作，分診的環節缺失。患者多數不具備專業醫學知識，在相同癥狀不同病種或不同癥狀相同病種等較為復雜的情況下，難以分辨?；颊邞{經驗掛號難找到準確的科室和專業擅長的醫生。解決網絡預約掛號分診問題同樣是提高醫院運營效率的關鍵。而現場掛號造成的分診失效來源于工作量，工作量大導致分診工作時間不足，對病情與癥狀的溝通不完整。

從疾病診斷上看，部分病種的癥狀相似仍是導致分診錯誤中最主要、影響最大的因素。在數據整理階段發現，易混淆的病種數據存在較強的偏向性，主要發生在較為固定的?？婆c疾病間，這樣具有關聯性的特征能為分診指導規范建立起到幫助作用，也為建立智能化指引的技術應用提供了基礎。

從分診護士角度看，不同分診護士能力存在差異。不同學歷分診護士之間不存在顯著差異。從工作經驗對護士分診表現影響上看，小于2 個月與大于3 個月護士之間差異顯著，而2-3個月與3 個月經驗的護士間則差異變得不明顯。分診對護士專業技術與經驗要求非常高，對溝通能力與服務耐心要求也很高。表3 結果中，B 護士為新入職低年資護士，C 護士為病房科室輪轉護士，B、C 兩位護士從事分診工作時間短，而D、E 護士則是具有較長時間分診經驗的門診護士。結果一定程度反映出分診正確性受到護士經驗的影響。分診工作是經驗積累的過程，經由1個月的適應后，其工作準確率基本趨于穩定。現醫院狀況下，護理人力嚴重不足，在臨床一線工作的護士很難抽出身支援分診工作。分診護士流轉快，崗位人力不固定，導致分診工作質量因人員變動影響較大。

綜合分析，從醫療質量評估三角模型出發，流程層面上，預約掛號的方式存在分診工作中預檢環節的缺失。結構層面上，護理資源數量與能力不足難以支撐高強度工作。在護理培養不足、人才流失嚴重的現狀下，發掘和引進替代產品，逐漸減少人工操作，是改善和發展的趨勢。

智能分診技術應用

根據分析和討論發現，增加專職管理人員和提升人員素質實施較困難，而新型智能分析技術在醫院存在較大應用空間[9]。美國家庭醫生制與歐洲已經有較成熟的轉診與分診規范，結構化的數據為簡單的分診技術應用提供條件。此外，各種智能技術的成熟和逐步應用，亦能配合分診成為高效準確的技術解決方案。

表3 分診準確影響因素的Logistic 分析

圖1 技術應用框架圖

使用深度學習模型(Deep Learning)對患者來源、患者人口學信息以及既往因素進行畫像，并根據抽象診斷與疾病的周期性變化進行模型自優化[10]，形成基于患者與人群的信息提取能力。

運用最簡決策樹(Simplest Decision Tree)在醫院病案數據的基礎上，建立用于分診的知識庫與詞匯庫，通過對診斷名、病種分類、復診等信息的截取，建立數據模型，計算各屬性對病種與科室、診斷等屬性的影響系數，通過模型評估確定最佳模型，以此模型進行患者掛號分診[11]。

針對分診失效高危病種與科室，基于既往數據建立關聯分析(Keyword Association Rule Mining)模型?；诨颊咧髟V內容、病案關鍵詞、主診斷形成的詞匯庫，計算分診失效的關聯情況統計概率，以校正常規分診中可能出現的錯誤。

前景與趨勢

1．提高分診準確率，提升效率與滿意度。人工分診掛號與自助掛號方式的準確率低，國內低醫患比的狀況對高質量執行分診規范的可行性不強。智能分診技術能在提高分診準確率的同時精簡掛號與就診流程，提高醫院運營效率，緩解患者由于分診失效帶來的情緒焦慮與體力支出。

2．優化醫院人力分配。采用智能技術進行分診導診工作，能夠緩解門診護士緊缺的情況，讓護士能夠專心在門診一線工作。此外，導診和指引工作不需要專業醫護人員，能在人力配置和成本管理上更好控制。

3．幫助構建分級醫療服務體系。未來成熟的分診智能技術不僅能解決醫院分診失效的問題，還能成為醫院間轉診分診的區域級平臺。中國醫療體系由于缺少看門人的角色，病人因不能判斷去醫院的必要性而尋求昂貴的診治[12]。分診技術成熟運用后，與家庭醫生和全科醫生轉診制結合，推進分級診療體系落地。引導普通疾病患者向全科轉移，解放緊缺的專家與專科資源，促進醫療資源配置的優化，加快醫療需求和資源向基層沉淀，調整倒三角醫療體系狀況，控制醫療費用增長[13]。

總結

分診失效是影響患者就醫體驗、醫院運營效率與醫師工作效率多方面的醫院管理問題。門診分診工作的智能計算，為醫院解決分診正確性問題、優化流程、提升效率提供值得借鑒和發展的方向。醫院信息化過程已經極大地顛覆了傳統醫院管理模式[14]，智能化的深入將讓醫院信息化從數據對接與傳遞，提升到智能分析與決策支持的層面。