基于EMRS的醫療風險預警模型的建立

武芳 龍華 伍祥林 肖華成

醫療風險是指患者在醫療實踐過程中可能面臨的、不確定的、可測的一切不安全事件，包括并發癥、不良藥物反應、醫療差錯、醫療意外等[1]。醫療風險預警是對可能發生于診療過程中的危機和風險進行提前預測和管理的一種戰略性管理手段[2]。近年來，醫院信息系統（hospital information system，HIS）發展迅速，為大部分醫療機構信息系統的運行提供了醫院管理相關的海量數據，李揚等[3-4]學者已提出在HIS平臺上通過醫療機構信息化解析，把數據挖掘理論和醫院信息系統數據庫相結合，構建醫療風險預警與醫療質量控制模型。但是目前大部分信息系統主要支持財務管理與統計運用，缺乏管理決策支持和系統控制功能的有效嵌入，對于管理決策、質量控制與風險預警的實際支持作用有限。隨著信息技術在醫院管理中的應用越來越廣泛，它能夠及時有效地幫助管理者采集數據，對全院的醫療質量指標進行監控，為醫療管理者提供參考。因此，基于現代信息技術建立醫療風險預警模型，通過模型預防或減少醫療風險，同時，對提高醫療質量，提升患者滿意度也具有重大意義。本研究在醫院電子病歷系統（electronic medical record system，EMRS）基礎上，利用現代化的數據挖掘技術，通過專家調查、層次分析等方法篩選風險預警指標體系，結合醫院實際工作，實現對醫療風險的實時預警。

1 EMRS的優勢

電子病歷貫穿于整個醫療過程之中，完整集中地記錄和反映了各醫療指令的執行結果，它能最大程度地與醫院各臨床信息系統集成，從醫院信息系統中調用患者基本信息、醫囑信息，將臨床實驗室報告系統（laboratory information management system，LIS）、醫學影像診斷報告系統（picture archiving and communication systems，PACS）等數據直接回寫到病歷中，并用于診療中的各個環節，方便了不同科室之間的資源共享，是醫院信息系統的核心[5-6]。隨著信息系統的改造升級以及數據挖掘技術的應用，更多的醫療質量指標、風險指標可以自動獲取，為醫療風險預警體系的探索研究提供了數據支持，使建立基于電子病歷平臺數據的醫療風險預警體系成為可能。

2 醫療風險預警指標的建立

2.1 德爾菲法篩選指標

通過在中英文數據庫、國際衛生機構網站、灰色文獻數據庫以及Google、百度搜索引擎等檢索醫療風險（medical risks，the medical risks）、 風 險 管 理（risk management，the risk management）、風險預警（risk early warning，risk warning）、指標體系（indicator，index）、數據挖掘（data mining，the data mining）相關的5大類詞匯，收集關于引起醫療風險的因素，同時從重慶市某三甲醫院各科室抽取專家，科室專家均為副高以上職稱，從業年限均在10年以上，發放關于醫療風險的問卷調查，并進行專家訪談，最后收集可能引起醫療風險的指標運用德爾菲法（Delphi method）進行篩選。

本次共發放問卷40份，采用電子郵件分發與收集的方式，避免集中訪問中因相互認識或交談等影響判斷。若對同一指標專家的認同率在90%以下，則需進行第二輪指標認定，最后經過三輪反復的分析與判斷確定了4個一級指標，包括患方基本情況、疾病信息、質量指標和管理因素；13個二級指標，包括基本信息、費用風險、患方因素、疾病評估、確診情況、醫療相關、不良反應、并發癥、非預期重返、其他指標、溝通因素、服務行為和主觀評價；40個三級指標，包括年齡、性別、文化程度、區域來源、身體素質、醫保類型、付費方式、繳費情況、經濟狀況、患方配合程度、患者心理素質、對診療認可度、患方結果期望、患者類型、入院病情、預后評估、疾病診斷、確診日期、壓瘡、跌倒、麻醉傷害、醫療差錯、藥物不良反應、輸血不良反應、輸液不良反應、非計劃再次手術、醫院感染、術后并發癥、其他并發癥、非預期重返住院、非預期重返ICU、術前平均住院日、術后48 h死亡、醫生勞動負荷（管床數）、醫患溝通及時性、醫患溝通有效性、患者隱私保護、醫護人員服務態度、患者滿意度和醫護主觀評價情況。問卷回收率95%。

2.2 層次分析法量化指標

層次分析法（analytic hierarchy prcocess）是由匹茨堡大學薩蒂提出的一種適用性較強的綜合評估方法[7-9]。它不僅能夠吸收評估專家的定性分析和邏輯判斷，還能夠通過一致性檢驗保證將評估結果的不確定因素減至最小，并能夠克服評估專家在分析過程中出現的邏輯判斷失誤。

2.2.1 指標權重的確定 對二級指標分別進行兩兩比較Ui、Uj，按照9分位比率排定各評價指標的優劣順序，構造矩陣。其中aij有 9種取值，分別是 1/9，1/7，1/5，1/3，1/1，3/1，5/1，7/1，9/1，代表重要程度逐漸增加，然后利用幾何平均法求得權重向量Wi，并進行一致性檢驗。

2.2.2 風險預警模型的建立 根據風險預警指標權重建立風險評估模型公式，其中R為風險值，Wi為指標權重，Pi為各指標評估值。

2.2.3 風險指標值的評估 二級指標值評估，主要通過對三級指標賦值來進行計算，入院時由管床醫生對患者情況進行評估。根據文獻研究[10-15]和醫院實際調研情況，建立醫療風險評估的三級指標評價體系。大部分數據可直接從醫院電子病歷系統（EMRS）、醫院信息系統（HIS）中自動獲取，包括患者的姓名、性別、年齡、職業、醫保類型、付費方式、繳費情況（足額繳費、欠費低于500元、欠費低于5 000元、欠費5 000元及以上）、患者類型（健康體檢、慢性病患者、非手術患者、手術患者）、入院病情（一般、急、危）、疾病診斷（診斷明確、較明確、需進一步檢查、很難明確）、確診日期（當日確診、3 d內確診、7 d內確診、未確診）、壓瘡（無、有）、跌倒（無、有）、麻醉傷害（無、一般傷害、嚴重傷害）、醫療差錯（無、一般差錯、嚴重差錯）、藥物不良反應（無、一般反應、嚴重反應）、輸血不良反應（無、一般反應、嚴重反應）、非計劃再次手術（無、簡單非計劃手術、嚴重非計劃手術）、醫院感染（無、有）、術后并發癥（無、一般并發癥、嚴重并發癥）、其他并發癥（無、一般并發癥、嚴重并發癥）、非預期重返住院（無、有）、術前平均住院日（3 d內、3～5 d、5 d以上）、醫生勞動負荷（管床5人以下、5～10人、10人以上）、患者檢查檢驗危急值、呼吸機監測數據等客觀性評價指標。少部分數據則只能由醫生手工錄入，包括醫院信息系統未采集的和主觀的評價指標，如文化程度（文盲、高中及以下、大專及本科、碩士及以上），經濟狀況（很好、較好、一般、差）、患者身體素質（很好、較好、一般、差）、患方配合程度（很好、較好、一般、差）、患者心理素質（很好、較好、一般、差）、對診療認可度（高、較高、一般、差）、患方結果期望（無所謂、一般、較高、高）、醫患溝通及時性（很好、較好、一般、差）、醫患溝通有效性（很好、較好、一般、差）等。

然后根據指標情況進行評分賦值，最后將評估值錄入到風險預警模型中。各指標部分賦值情況見表1。

表1 患者部分三級指標賦值情況

2.3 風險預警的實現

將風險預警模型與信息技術相結合，由軟件編程人員利用Visual Studio.NET、SQL Server、ASP.NET等相關軟件和編程技術將風險預警模型編寫到信息系統中，并將風險值R劃分為4個風險等級予以顏色顯示，即無風險（R≤60）顯示綠色、低度風險（60＜R≤80）顯示藍色、中度風險（80＜R≤90）顯示黃色、高度風險（R＞90）顯示紅色。當系統上顯示相應的顏色時，醫生內部系統將自動彈出并提示，相應的管床醫生或者醫院管理者采取措施并積極改進。

3 討論

近年來，國內有關醫療風險防范、醫療風險預警、預警系統等研究成果明顯增多，但大多數研究還停留在宏觀層面上，對醫療風險預警機制的應用研究還較少，且大多數風險預警研究對醫院信息系統數據的利用度不高。如：黎靜輝[16]基于HIS系統數據設計醫療風險預警模型，利用大部分患者基本信息，但缺乏電子病歷、檢驗檢查等其他海量數據，不足以支撐風險預警的精準性。歸純漪等[15]研究公立醫院醫療風險預警及規避機制，從宏觀方面解讀如何預防和規避醫療風險，沒有實質的數據支撐。朱驕鋒等[17]基于商業智能技術建立醫療風險預警評估模型，其適用性還有待驗證。吳業帆等[18]將風險預警系統用于某兒童專科醫院術后并發癥的干預效果評價，進行了難能可貴的實戰探索。

文章另辟蹊徑，首先運用科學的方法，分別從患方基本情況、疾病信息、質量指標和管理因素等4個維度構建醫療風險預警指標體系，挖掘平時無法評估的定性指標進行定量處理，建立及時、有效、簡單、實用的醫療風險預警模型。其次，指標體系不僅僅利用HIS系統的基礎數據，還擴展到LIS、PACS、EMR等信息系統，利用患者就診的全量數據。再次，利用先進的數據挖掘技術，將醫療風險預警模型與信息系統相結合，建立數學模型，通過信息化技術轉化為智能預警模型，實時預測醫療風險，為醫院風險管理提供系統、科學、合理的建議，到達預警目的。

綜上所述，文章在醫療風險預警的探索有其獨到之處，充分利用醫院的信息系統和先進信息技術，構建一套醫療風險預警指標體系，可供其他醫療同行參考。另外，通過患者就診海量數據進行風險預測，預測精準度較高。但文章仍存在諸多不足，如預警指標可能不夠全面，定性指標較多，與信息系統的整合還需加強。醫療風險預警指標的部分評估值由管床醫生評分錄入，雖然為定量評分，仍存在一定的主觀性，無法真正做到客觀。此外，預警模型數據指標僅來自一家醫院，無其他醫院相關數據，模型的共享性有待進一步驗證。