疾病風險調整方法在病種精細化評價中的應用*

——張海悅 馬尚寅 邊雨桐 劉嘉吉 陳 霞

醫院高質量發展強調質量和效率，鼓勵應用分析方法和管理工具促進醫療質量和服務能力提升[1-3]。新型病種評價方法的應用已成為醫療機構的重要探索。目前，國內應用較為廣泛的病種評價方法主要有MS-DRG[4-5]、AR-DRGs[6-7]、TW-DRGs、CN-DRGs[8-9]等，但這些方法均以費用和時間消耗為主要分類依據，分類方式單一且局限，對疾病診療質量和難度的評價不夠準確。

風險調整方法可以通過數據統計建模，實現對各類風險因素的分層、分類分析，進而對患者治療變量進行準確預測[10]。在APR-DRG疾病風險評估、“美國年度最佳醫院評價體系”、“美國百佳醫院評價體系”等醫療質量評價中，均應用了風險調整方法進行指標測算[11-13]。國內多家醫療機構也在積極探索使用疾病風險調整方法開展疾病風險預測及醫療服務綜合評價等[10,14]。將風險調整方法應用于專科病種評價分析中，對醫院實現精細化管理具有推動作用。

1 疾病風險調整方法及指標

1.1 建模方法

在某院病案數據庫導入2016年-2019年約36萬份出院患者住院病案首頁信息，通過系統ELT工具進行數據校驗、清洗、脫敏、修正，剔除主要診斷信息缺失、主要診斷編碼不規范、入院或出院時間缺失、個體特征信息缺失嚴重、入院或出院科室為康復科等兩萬余份不合格病案首頁。

采用DMIAES軟件，應用R語言或Python程序，按照疾病診斷相關分組進行預分組，將患者自身特征、入院診療、手術信息、生存質量等首頁信息作為風險因素[15]，在預分組的基礎上進行模型擬合，通過非參數統計Wilcoxon秩和檢驗、線性回歸、多因素Logistic回歸、傾向評分匹配等統計方法，建立醫療效率模型、醫療控費模型、醫療質量模型、藥品管控模型、耗材管控模型、醫療效益模型等6類統計模型，建模過程[15-16]見圖1。最終擬合模型總數近兩萬個，使用各模型對疾病未來轉歸及資源消耗等情況進行預判。

圖1 建模示意圖

1.2 主要指標

疾病風險調整的主要監測指標包含AW、ACMP、ACMI和O/E指數[15]。

(1)AW。即風險調整后相對權重值(Adjusted Weight)，它通過疾病臨床死亡風險、資源消耗調整后的患者疾病復雜程度進行預測，可實現對單個患者病情和風險預測。

比值類指標AW值為預期死亡率、并發癥發生率等對數值的正態分布概率值，非比值類指標AW值為預期總費用、醫事服務費等對數值的正態分布概率值。

(2)ACMP。即風險調整后總權重(Adjusted Case Mix Production)，它是評估主體中所有收治住院病例AW的總和，綜合了疾病復雜程度技術風險和費用消耗等影響因素，代表疾病臨床死亡風險和資源消耗后的臨床產能。

(3)ACMI。即風險調整后病例組合指數(Adjusted Case Mix Index)，它是所有住院病例AW的均值，是經過死亡風險、時間消耗、費用消耗等因素調整后的病例組合指數，有利于公平合理地評價績效。

ACMP、ACMI越大，表示治療疾病的風險越大。

(4)O/E指數。它是某指標實際發生值(O-Observed)與模型預測值(E-Expected)的比值，本質上是自身與自身的比較，便于直觀簡明展示某指標的管控效果。疾病風險調整可以實現針對某一病種、某一科室、某一時期的指標O/E指數測算，進而實現針對性管理。以平均住院天數為例，某科室平均住院天數O/E指數>1，表示模型在結合該科室收治患者病種難度、病種結構及患者自身情況下，患者實際住院天數多于其科室患者預測平均住院天數，說明該科室仍需進一步縮短總體平均住院天數，提升管理效率。

醫院或病種O/E指數(非比值類指標，如平均住院天數等)=

醫院或病種O/E指數(比值類指標，如死亡率等)=

2 應用結果

2.1 體現服務難度

采用疾病風險調整方法，分析該院2016年-2019年收治患者風險變化與服務難度，可以詳細獲得各月ACMI和ACMP值。2016年-2019年，醫院ACMI、ACMP均逐年增加，ACMI由2016年的4.62增至2019年的4.76，增長了3.03%；ACMP由2016年的35.30萬增至2019年的45.39萬，增長了28.58%；對醫院2019年各月ACMI進行分析顯示，2月份ACMI最高(4.83),1月份ACMI最低(4.71)；對醫院2019年各月ACMP進行分析顯示，3月份ACMP最高(4.33萬)，2月份ACMP最低(2.81萬)。綜上分析，2016年-2019年，醫院服務能力及治療疾病風險有所增加，且患者人數增長幅度較大；從月份分布來看，新年前后住院患者人數減少，主要是輕癥患者人數明顯減少。

2.2 設置動態目標值

通過醫療效率模型、醫療效益模型、醫療質量模型等，可以分別計算平均住院天數、次均費用、死亡率等指標的年度、月度O/E值，以評價管理成果。以平均住院天數為例，2019年醫院住院患者平均住院天數O/E值為1.05，大于1，表明住院患者平均住院天數總體超標。通過月度動態目標值分析發現，全年中，僅2月份平均住院天數控制良好，其余月份均有不同程度超標。從各月實際平均住院天數來看，10月份平均住院天數11.00 d，為全年最高，5月份平均住院天數10.90 d，較10月份略低；但從超標情況來看，10月份O/E值為1.06，超預期值0.64 d，5月份O/E值為1.08，超預期值0.83 d，可見10月份平均住院天數的管控情況優于5月份。綜上分析，年度指標超標并不意味著全年各月份指標控制不理想，且實際值不能完全代表指標控制程度，以O/E值為依據評價效率控制情況較實際值更為合理。

2.3 設置病種目標值

應用疾病風險調整方法，能夠合理測算平均住院天數、病死率、次均住院費用等。以平均住院天數為例，2019年患者平均住院天數實際值為9.80 d，通過患者平均住院天數模型測算，得出該年的O/E值為1.09，說明仍需控制平均住院天數。對此，該院制定了平均住院天數縮短0.96 d的目標。通過醫療效率模型，測算出年度病種結構、病種預期住院天數、病種平均住院天數O/E值，為各科室、各病種設置個性目標值(圖2)，可為臨床科室加強病種住院天數管理提供參考。

圖2 2019年各科室病種平均住院天數控制預測

2.4 實現指標橫向比較

在傳統描述性統計分析中，不同難度病種的平均住院天數、患者次均費用等指標難以進行橫向比較，而疾病風險調整將不同難度病種的描述性統計分析由實際值轉為相對比，通過O/E值大小，判斷各科室、各病種相關指標的控制情況，有效實現了病種間的橫向可比。以平均住院天數為例(圖3)，若使用傳統描述性統計分析，該年神經外科平均住院天數最長，控制最差，產科平均住院天數最短，控制最好；但應用疾病風險調整模型測算，經過病種難度調整后，神經外科的實際住院天數低于預測，O/E值小于1，該指標控制較好，而產科的實際住院天數高于預測，O/E值大于1，該指標控制較差。

圖3 2019年醫院部分科室平均住院天數對比

在實際進行科室、病種相關描述性統計分析時，傳統的分析方法往往會忽視病種難度、病種結構等有效信息，使得數據間的比較缺乏說服力，而疾病風險調整模型則有效解決了指標間的橫向不可比問題。

3 建議

疾病風險調整方法采用分維度統計、邏輯回歸模型、分層模型、傾向分數分析法等對歷史大數據進行建模，通過對各類風險因素精準測算，實現了預測評價，對推進醫院精細化管理起到了重要作用。但實際應用發現，醫院歷史數據對疾病風險調整方法的準確應用影響較大，模型建立的有效程度取決于歷史數據的真實性、完整性和準確性。對此，針對疾病風險調整方法在醫院的應用提出以下建議：

3.1 需保證病案首頁質量

疾病風險調整方法應用的前提，是通過對出院患者住院病案首頁信息進行建模，病案首頁中的主要診斷及手術將作為預分組因素，其余各項因素都將作為潛在風險因素納入模型進行擬合測算，對于信息嚴重缺失或邏輯驗證明顯有誤的首頁應予以剔除。因此，病案首頁信息填寫的準確、完整程度，不僅決定了模型建立的有效性，而且決定了對各項指標預測的準確程度。在使用疾病風險調整方法時，病案首頁質量越好，擬合的模型和測算的數據就越準確，對現實數據的判斷就越可靠。這就對病案首頁質量提出了更高要求，在使用該方法時，既要保證病案首頁信息填寫的完整性、邏輯性，又要保證其真實性、規范性。

3.2 建模需較大數據量

疾病風險調整方法通過對歷史大數據進行專業化處理，實現數據增值。因此，建模的前提，是需要大量歷史數據，在一定數據量基礎上，對這些有價值的數據進行加工處理，同時通過不斷擴充、更新數據集對各類模型進行定期擬合，不斷優化模型準確度。當基礎數據量較少時，模型的擬合容易受到少數極端病歷影響而產生偏差，從而影響預測結果。因此，在使用疾病風險調整方法時，需要對將要進行擬合的數據集進行積累和測算，在保證數據量的基礎上，才能更加有效地建模，獲得更接近真實的結果，同時還要注意將分析結果與實際結合。

3.3 需進一步拓展方法應用范圍

目前，大范圍的疾病風險調整建模主要以出院患者住院病案首頁信息為依據，相關分析內容也是依據病案首頁信息展開，這就導致疾病風險調整模型應用范圍存在局限性。例如，醫院的科研、教學、人才培養、醫療服務公平可及、滿意度等相關信息，門診患者相關信息等，均無法從住院病案首頁中直接提取，使用疾病風險調整難以對之進行評價。隨著醫院信息化能力和水平的不斷提升，醫院的臨床信息系統、醫技信息系統、管理信息系統逐步健全，建議在應用中擴充數據來源，考慮納入收費明細、臨床路徑、單病種等多系統數據，進一步提升疾病風險調整方法應用范圍及準確性。

4 結語

以住院病案首頁為數據源的疾病風險調整方法，在分析醫院病種難度、平均住院天數、次均住院費用等指標方面，較好地實現了科室和病種間的合理比較和針對性管理。但是，疾病風險調整方法的準確、有效應用對建模數據質量和數量均提出一定要求，前期數據積累至關重要。結合現有模型評價內容，下一步將在住院病案首頁基礎上納入收費明細等數據，對模型進一步細化與升級，以持續深化疾病風險調整方法在醫院中的應用。