文/李虎石 黃慧妮(.溫州市中醫院;.杭州電子科技大學)
隨著市場經濟的發展和基本醫療全面服務保障體系的建立,公立醫院進入快速增長期,激增的經濟總量對公立醫院經濟管理水平提出了新的挑戰。公立醫院的管理模式正在從粗放型管理向精細化管理轉變,完善經濟合同風險管理體系,通過業務與財務的深度融合能夠更好地促進醫院精細化管理,進一步提升管理工作水平,公立醫院的價值創造力在不斷增強。
經濟合同管理作為醫院管理體系的重要組成部分,合同風險管理的有效性決定了公立醫院經濟法律風險控制的有效性,通過建立合同風險評估模型,將其與內部控制評價指標和信用風險評估方法結合,促進公立醫院完善內部控制體系,對于防范和控制經濟合同風險有著非常重要的價值。
已有很多學者在風險管理研究中采用貝葉斯網絡模型。但信用評分法和違約概率模型都采用先驗概率方法,需要大量的歷史數據進行驗證,而合同風險觀察樣本數量少且較難獲取。在醫院經濟合同發生前用于可能發生的合同事前風險的特定評估方法并不多見,本文采用貝葉斯網絡來度量醫院經濟合同風險。
基于貝葉斯網絡的經濟合同風險管理模型。基于未確定的環境,貝葉斯網絡模型進行原因推理、結果預測、概率推算及知識表達等任務,將其運用于公立醫院風險導向的分析與預測中,提升預測精度與速率[1]。本文設計的基于貝葉斯網絡的風險導向預測過程如下:
(1)建風險導向預測拓撲結構。以醫院評定標準為參考,經過實際現場考察,對監測數據實施分析,識別公立醫院運營信息化風險導向,挑選領導風險、財務管理風險、項目決策風險、醫院人力資源風險及醫療過程風險作為一級風險導向指標,并依次為各個一級風險導向指標創建二級風險導向預測指標(風險導向因素)[4]。以各風險導向指標之間的因果關聯為依據,構建風險導向預測拓撲網絡結構。其中,一級風險導向指標與二級風險導向預測指標分別作為模糊貝葉斯網絡的中間節點和根節點,預測對象公立醫院運營信息化風險導向作為葉節點[5]。
(2)確定根節點先驗概率,包括風險導向等級劃分、獲取風險導向因素先驗概率。通過多級離散化每個風險導向指標數據,將風險導向劃分為五個區間等級,也就是{0,1,2,3,4}五個等級,依次對應{Ⅰ級,Ⅱ級,Ⅲ級,Ⅳ級,Ⅴ級},即{安全,輕微,一般,較嚴重,非常嚴重}。獲取公立醫院經濟合同風險導向因素多區間等級的先驗概率分布。
(3)創建中間節點條件概率分布。條件概率體現網絡結構的多態性與風險導向事件之間的不確準性。結合公立醫院實際情況,分析公立醫院樣本觀測數據,同時與專家意見相結合,確定中間節點與葉節點的條件概率,反映真實的網絡結構內各個風險導向事件之間的依賴關系。
(4)分布運算概率推理,包括貝葉斯網絡推理預測、重要度預測。輸入根節點的先驗概率分布與中間節點的條件概率分布,在模糊多態貝葉斯網絡內實施運算,依據公立醫院新增加的合同信息,及時更新貝葉斯網絡的動態,并運用貝葉斯網絡的重要度預測方法與正反推理技術,迅速實施概率風險導向預測。
以貝葉斯網絡的運算原則為依據,葉節點的發生概率可通過根節點先驗概率分布與中間節點條件概率分布推算出,另外也可在已知風險導向事件出現的狀況下,采用由底到上推理的方式,推理得出不同根節點的后驗概率分布。貝葉斯網絡所具備的自主學習能力,可實時以新出現的證據信息為依據,調整修改風險導向預測拓撲網絡結構與參數,提升推理的精度與實用性[2]。 經貝葉斯網絡推理后,能夠提前預防未來可能產生的風險導向事件,同時也能夠在風險導向事件出現之后,對可能性最高的致險因子迅速做出診斷。 故對于公立醫院運營信息化風險導向預測而言,貝葉斯網絡推理預測方式意義重大。
模糊多態貝葉斯網絡內根節點與中間節點分別以Ai和Bj表示,其中i=1,2,…,n;j=1,2,…,m;根節點與中間節點的數目分別以n和m表示,葉節點以E表示。根節點、中間節點及葉節點的風險導向狀態分別用Aici、BjDj及Ep描述,其中,ci=0,1,…,ki-1;dj=0,1,…,lj-1;p=0,1,…,u-1,根節點、中間節點及葉節點的風險導向狀態數目分別以ki、lj、u表示。根節點風險導向狀態的概率依次為P(A1 c1)…P(Ancn)。則在各個根節點風險導向狀態的概率已知時,葉節點E處在風險導向狀態Ep的概率運算式可表示為:

上式中,中間節點B與葉節點E的父節點集合分別以π(B)和π(E)表示。
葉節點E處于風險導向狀態Ep的條件概率在根節點Ai處在風險導向狀態已知的情況下,計算公式為:

上式中,根節點Ai與葉節點E分別處在風險導向狀態、Ep的聯合概率分布為
當葉節點E處在風險導向狀態Ep時,每個根節點Ai處在風險導向狀態的條件概率分布,即后驗概率分布計算公式表示如下:

模糊多態貝葉斯網絡內的根節點、葉節點之間的邏輯關系可通過重要度指標表示。 重要度反映根節點Ai各種風險導向狀態的概率變化對葉節點E處于風險導向狀態Ep概率的影響程度。計算得到的重要度的數值越大,表示該風險導向因素對風險導向事件的影響程度越大。通過對根節點的重要度進行預測分析,能夠準確識別公立醫院經濟合同風險導向的主要致險因素,掌握合同風險重點控制因素,實現降低合同風險導向的發生率[3]。
根節點Ai與葉節點E處在Ep風險導向狀態相關的重要度為:

上述基于貝葉斯網絡的經濟合同風險預測模型,應用于溫州市某公立醫院案例中,對該醫院經濟合同管理中實施風險導向進行預測分析,通過案例研究數據結果檢驗貝葉斯網絡風險預測模型的實際運用和實施效果。
采集和輸入案例,醫院經合同實際監測數據,通過貝葉斯網絡模型推理經濟合同預測風險導向。采用貝葉斯網絡模型推理運算根節點不同取值的各種風險導向狀態的后驗概率,把根節點后驗概率從高至低進行排序,對可能性最高的致險因素實施預測分析。在E=4(非常嚴重等級)的情況下,根節點A4處在A4=4的概率最高,也就是根節點A4為非常嚴重狀態的概率較高;而處在Ai=3(較嚴重)狀態概率最高的前四位根節點依次為A2、A13、A7、A3。
由上述結果發現,案例單位當前經濟合同風險導向屬于非常嚴重狀態時,可能性最高的風險導向因素依次為客戶商業信譽(A1)、客戶財務狀況(A2)、管理制度嚴格性(A13)、分工崗位職責(A7)及客戶交易動機(A3)。
按照上述方法的推理預測結果,將根節點后驗概率從高至低(A1,A2,A13,A7,A3)進行排序,由合同相關工作人員檢測可能性最高的致險因素。首先檢測該公立醫院案例單位當前的客戶商業信譽(A1),若A1致險因素處在非常嚴重狀態時,那么可確準P(A1=4)=1;若A1處于正常狀態時,則分別檢測A2,A13,A7,A3致險因素。以此類推確定可能性最高的致險因素組合,為該案例單位選取合理的控制措施,為經濟合同風險導向控制提供科學的決策參考。
通過本文前述貝葉斯網絡模型對公立醫院案例單位的經濟合同風險導向因素的重要度進行預測分析,根據模型預測結果,能夠確定各風險導向因素影響風險導向事件出現概率的程度高低,進而分析確定敏感度最高的致險因子。本文通過貝葉斯網絡模型運算可得,在風險導向事件E處于各種風險導向狀態時,不同根節點的風險導向重要度分布不同。
當案例公立醫院經濟合同風險導向事件E處于非常嚴重等級(E=4)時,通過貝葉斯網絡模型可預測出根節點A13,A2,A5,A9的重要度最高,上述結果說明,在案例公立醫院經濟合同風險導向中,最敏感的薄弱環節即為管理制度嚴格性(A13)、客戶財務狀況(A2)、合同法律風險(A5)、合同執行人的經驗(A9)四個風險導向因素,由此,該公立醫院需重點排查與控制這四個方面。
作者基于貝葉斯網絡模型研究公立醫院經濟合同風險導向預測方法,選取公立醫院經濟合同一級風險導向指標、二級風險導向預測指標,構建以二者邏輯關系為依據的風險導向預測拓撲網絡結構。在此結構中,將各指標劃分為五個風險等級,并以一級、二級指標分別作為貝葉斯網絡的中間節點與根節點。根節點的先驗概率分布及中間節點與葉節點的條件概率分布,通過案例單位現場監測的方式獲取經濟合同風險管理檢測數據,將各節點概率分布輸入到貝葉斯網絡內實施推理與重要度預測。以溫州市某公立醫院作為研究案例,將本文貝葉斯網絡方法應用于該醫院經濟合同風險導向預測,研究結果表明,貝葉斯網絡模型可精準預測公立醫院經濟合同風險導向等級及可能性最高的敏感致險因素,并且延長預測周期,預測結果的精度未出現顯著變化,可在公立醫院經濟合同風險控制與預防中發揮重要作用。
相關鏈接
貝葉斯網絡又稱信度網絡,是Bayes方法的擴展,是目前不確定知識表達和推理領域最有效的理論模型之一。從1988年由Pearl提出后,已經成為近幾年來研究的熱點.。一個貝葉斯網絡是一個有向無環圖(Directed Acyclic Graph,DAG),由代表變量結點及連接這些結點有向邊構成。結點代表隨機變量,結點間的有向邊代表了結點間的互相關系(由父結點指向其子結點),用條件概率進行表達關系強度,沒有父結點的用先驗概率進行信息表達。結點變量可以是任何問題的抽象,如:測試值,觀測現象,意見征詢等。適用于表達和分析不確定性和概率性的事件,應用于有條件地依賴多種控制因素的決策,可以從不完全、不精確或不確定的知識或信息中做出推理。
公立醫院是指政府舉辦的納入財政預算管理的醫院,也就是國營醫院、國家出錢辦的醫院。也可以理解成國立。醫院分3個等級,一級是社區醫院,二級是縣(區)級醫院,三級是市級醫院。
公立醫院是中國醫療服務體系的主體。國家衛生部部長陳竺指出:“公立醫院是體現公益性、解決基本醫療、緩解人民群眾看病就醫困難的主體,矛盾問題比較集中。要加強其公益性,就要扭轉過于強調醫院創收的傾向,讓其成為群眾醫治大病、重病和難病的基本醫療服務平臺。”