基于知識抽取的醫療糾紛事件分析及對策研究*

劉忠禹 姚 佳 俞思偉 鄭子強 蘭 藍 殷 晉

(四川大學華西醫院 成都610041) (貴州醫科大學 貴陽550004) (四川大學華西醫院 成都610041) (首都醫科大學附屬北京天壇醫院 北京100050) (四川大學華西醫院 成都610041)

1 引言

1.1 研究背景

醫療糾紛是指發生于具有合法資質的醫療機構與患者之間的糾紛，其發生率近10年來呈持續上升趨勢[1]，已經成為影響醫患關系、診療環境的不安定因素。同時近年來醫療糾紛時有演化為直接醫患沖突甚至惡性“醫鬧”事件的現象，對醫務人員人身安全、醫療機構形象產生極大威脅。因此對醫療糾紛相關資料進行回顧性研究和梳理，對于明晰醫療糾紛發生的誘因、特點，提出防控和應對策略具有極大作用。以“SU=(‘醫療損害’+‘醫療糾紛’)ב裁判文書’”作為檢索式在中國知網中檢索，可得到29篇利用裁判文書數據進行醫療糾紛分析的文獻。其中安徽[2]、貴州[3]、廣東[4]3省已有研究人員分別對該省某一時間段內醫療糾紛相關裁判文書進行挖掘分析；同時有研究人員從司法鑒定人出庭情況[5]、患者知情同意權侵害[6]、醫療器械損害責任[7]等多個層面對醫療糾紛相關裁判文書進行分析。但是這些研究仍采用人工研讀進行文本分析，存在數據規模較小、信息抽取效率低且無法避免信息遺漏等問題。

1.2 自然語言處理技術

自然語言處理(Natural Language Processing，NLP)是研究將人類日常交流的自然語言(如文字、語音等)轉變為機器所能理解的機器語言的學科，目前已經發展成為人工智能的主要分支領域之一[8]。NLP領域中的分句切詞、詞性標注、正則提取、命名實體識別、關系抽取等技術可以實現文本中信息的自動化提取和解析，并達到輸出結構化知識的效果。目前NLP領域的知識抽取相關技術已經廣泛應用于醫療[9]、教育[10]、金融[11]、能源[12]等多個行業。本文基于知識抽取的方法，利用統計學及NLP中的相關算法、工具對發生于2012—2020年間的四川省醫療糾紛案件文書數據進行分析和挖掘，總結醫療糾紛發生的原因、特點及規律等，從而為醫療糾紛防范和應對處理提出相應對策建議。

2 資料與方法

2.1 資料來源

下載裁判文書網中發生于2012—2020年間、地域為四川省且案由為“醫療損害責任糾紛”的初審文書數據，刪除無效數據及去重后共獲得1 900份醫療糾紛相關裁判文書作為源數據。

2.2 分析方法

采用知識抽取方法，主要涵蓋統計學及NLP中分句切詞、詞性標注、正則提取、醫療糾紛種子詞抽取、詞云構建相關算法和工具，全部知識抽取工作采用Python編程語言(3.7版本)實現。

2.2.1 百度LAC 百度基于雙向循環神經網絡和條件隨機場(Conditional Random Field，CRF)開發的開源聯合詞法分析工具，可以針對中文文本實現較高質量和效率的分句切詞、詞性分析和專有名詞識別等功能。LAC中包含20種詞性和4種專有名詞的標注標簽，同時可以通過導入自建詞表的方法實現用戶定制化詞語切分和詞性標注，見表1。LAC的分詞、詞性標注和專名識別結果示例如下：輸入：‘我2020年住在四川省成都市’；分詞：[‘我’,‘2020年’,‘住在’,‘四川省’,‘成都市’]；詞性標注和專名識別：[‘r’,‘TIME’,‘v’,‘LOC’,‘LOC’]。

表1 LAC詞性與專名標簽合集

2.2.2 Gensim[13]一款開源的Python工具包，通過無監督方法計算訓練語料中的統計共現模式，從而自動發現文檔的語義結構和主題向量表達。Gensim集成Word2Vec、TF-IDF、LSA、LDA等多個詞向量和主題模型算法。本文主要采用Word2Vec算法進行詞嵌入向量模型訓練。Word2Vec采用無監督方法，利用文本一定范圍內上下文語義信息對目標詞生成高維向量表示，從而實現在同一向量空間中將每個詞映射為唯一的詞向量[14]。在該向量空間下，語義相近的詞語會有相似的向量表示，因此兩個詞語的語義近似程度可以通過其詞向量的余弦相似度、歐式距離、相關系數等指標進行量化。

2.2.3 詞云 在NLP技術中，詞云是通過對海量文字中的關鍵詞統計和渲染，輸出由文中關鍵詞所組成類似云的彩色圖片，圖中出現頻率越高的關鍵詞形狀越大，視覺上更突出，從而達到展示海量文字中關鍵信息的效果[15]。本文采用Python中的WordCloud庫實現詞云構建。

2.2.4 醫療糾紛種子詞構建 構建流程，見圖1。具體包括以下步驟：(1)以1 900份醫療糾紛文書作為實驗組，4 000份非醫療糾紛文書作為對照組，對兩組文書分別進行清洗，去除其中網頁符號、換行符等無意義字符。之后利用LAC工具對兩組文書進行分句切詞及詞性標注，保留標注為n、f、s、nw、nz、PER、LOC、ORG的名詞性詞語及專有名詞，分別在醫療糾紛和非醫療糾紛文書中提取到112.3萬、163.8萬個名詞。(2)將上述所有名詞合并、去重，獲得包含11.8萬個名詞的詞典。以詞典作為參照，分別統計醫療糾紛和非醫療糾紛文書中的各名詞詞頻及平均詞頻。提取在醫療糾紛文書中詞頻高于平均詞頻且在非醫療糾紛文書中詞頻低于平均詞頻(包含詞頻為0)的名詞，共獲得550個醫療糾紛相關高頻名詞。經過人工刪除具體人名、地名、機構名及其他無關名詞后，共提取到126個候選名詞。(3)利用Gensim模塊的Word2Vec算法將步驟(1)中分句切詞后的醫療糾紛文本訓練為300維的詞向量模型。(4)利用步驟(3)中的詞向量模型對步驟(2)中得到的126個候選名詞進行前 20位相似詞擴展，去重、人工刪除其中無關詞，最終得到546個名詞作為進一步研究的醫療糾紛種子詞。

圖1 醫療糾紛種子詞構建流程

2.2.5 四川省醫療機構信息數據庫構建 通過爬取公開網站以及從醫療糾紛文書中提取兩種方式進行四川省醫療機構信息數據庫構建。通過正則匹配方式，將網上檢索到的醫療機構別名及曾用名、地址信息，與文書中提到的和公開網站中獲取的機構進行對齊，然后將無法對齊到公開網站中的機構通過網上檢索的方法進行信息補充。最終構建的數據庫中包含四川省共計1 221家醫療機構信息，包括“名稱”“所在地級市”“等級”“別名和曾用名”4個字段。

3 結果

3.1 基本信息統計分析

3.1.1 醫療機構情況 按照醫療機構所屬地區對1 900件醫療糾紛案件進行地域劃分，可見四川省21個地級市發生醫療糾紛案件的頻次分布極不平衡，成都市由于醫療機構數量以及前來就診的患者數量眾多，發生醫療糾紛案件的頻次達到近500起，占總數的26.2%，顯著高于其他地級市。此外，宜賓、瀘州、樂山、綿陽、南充等市也是醫療糾紛案件相對高發的地級市，案發頻次均在100起以上。通過匯總四川省各地級市統計公報中國內生產總值(Gross Domestic Product，GDP)及醫療機構數量兩個指標，可以發現各地級市2012—2020年間醫療糾紛數量與當地GDP總量呈強相關性，相關系數為0.957，P<0.01；同時各地級市醫療糾紛數量與當地醫療機構數量也呈現較強相關性，相關系數為0.837，P<0.01。通過提取醫療糾紛文書中的被告字段，并與醫療機構信息數據庫中的1 221家醫療機構進行匹配，發現該1 900條文書中共涉及569家四川省內大小醫療機構，這些醫療機構地域分布與案件地域分布有類似趨勢。成都市有124家醫療機構牽涉到醫療糾紛案件中，占據第1位，排在其后的仍然是發生醫療糾紛案件較多的宜賓、綿陽、瀘州、南充以及樂山，牽涉醫療糾紛案件的機構數量都在30家以上。通過計算發生糾紛醫療機構的比例(發生糾紛醫療機構數量/醫療機構總數)，可以發現成都雖然發生醫療糾紛事件的機構數量最多，但是占比并不算最高；涼山彝族自治州和攀枝花市雖然發生醫療糾紛的機構數量不多，但是因為其區域內醫療機構總量相對較少，發生醫療糾紛的機構占比相較于其他地級市更高。醫療機構評級一定程度上反映機構醫療水平，通過統計可以發現醫療機構發生醫療糾紛案件的頻次與其醫療水平呈負相關，即一級及以下醫療水平較低的機構發生醫療糾紛案件的數量更多，而水平較高的三級醫療機構發生醫療糾紛的情況更少，見表2。通過醫療機構個體所涉及的醫療糾紛案件數量來看，涉及案件數量排在前列的幾乎都是規模較大的三甲醫院，這與其龐大的門診量有密不可分的關系。根據具有代表性的幾家三甲醫院醫療糾紛數量統計結果可知，成都市某三甲醫院雖然在糾紛年平均數方面明顯高于瀘州市、樂山市、廣元市的3家三甲醫院，但是由于其年門診量巨大，因此綜合來看其醫療糾紛發生頻率卻顯著低于其他3市的三甲醫院；而廣元市某三甲醫院雖然年糾紛數量低于成都市、瀘州市、樂山市的3家三甲醫院，但是由于其年門診量相對較小，因此在糾紛發生頻率上卻顯著高于其他3市的三甲醫院，見表3。

表2 涉及醫療糾紛機構的級別分布

表3 代表性醫療機構糾紛數量統計

3.1.2 患者情況 對1 900起醫療糾紛案件中涉及的患者信息進行提取，其中有952起案件由于原告撤訴或未列出患者詳細情況等原因未提取到相關字段，另有592起案件中患者最終死亡。此外，356起案件中的患者進行了傷殘等級鑒定，僅占總數的18.7%。在這356起案件中，患者的傷殘等級主要集中在九級、十級等較為輕微的傷殘水平。同時1 900起案件中僅有108起患者對醫療事故等級進行了鑒定，占總案件數的5.7%。在所有鑒定結果中，三級和一級醫療事故案件數量最多，見表4。

表4 醫療事故等級統計

3.2 文書中醫療糾紛種子詞統計

將1 900篇醫療糾紛文書按照所涉及醫療機構的等級(一級及以下、二級和三級)進行切分，并將得到的醫療糾紛種子詞在各級醫療機構文書中的詞頻進行統計，選取其中前100個高頻詞進行詞云構建，見圖2。總的來看，醫療機構治療所使用藥物，出具的收據、報告單等單據，患者病情所伴隨的并發癥以及醫療機構對患者進行的檢查和治療方法(如彩超、CT、全麻等)等種子詞在文書中出現頻率最高。從提取到的醫療機構科室情況來看，ICU、兒科、急診科、婦產科等是發生醫療糾紛事件較多的科室。同時，通過圖2可看出不同級別醫療機構文書中所涉及的醫療實體分布也有一定差異。因此本文參考2018年原四川省衛計委為加強醫療機構、醫務人員、醫療行為綜合監管(以下簡稱“三監管”)所發布的《四川省醫療機構、醫務人員、醫療行為責任追究辦法(試行)》[16]，按照“三監管”對醫療機構的監管事項將種子詞分為醫療費用、檢驗檢查、醫療文書、藥品使用和治療手段5個大類，見表5。通過對各類別種子詞在不同級別醫療機構文書中的詞頻及T檢驗差異性統計結果，見表6。總結出以下幾點：第一，通過詞頻統計來看，醫療糾紛事件中發生糾紛的核心點主要是醫療費用、醫療文書、醫療機構用藥等方面，也契合《四川省醫療機構、醫務人員、醫療行為責任追究辦法(試行)》中對醫務人員“不合理住院費用、不合理處方、不合理藥品使用”等行為的監管事項。第二，一級及以下醫療機構涉及醫療費用詞頻要顯著高于二級、三級機構，說明在較低級別醫療機構中針對醫療費用發生糾紛的情況要顯著多于較高級別的機構，因此對于私人、基層等較低級別醫療機構在醫療費用方面還需要進一步加大監管力度。第三，三級醫療機構中涉及檢驗檢查的種子詞頻要顯著高于二級和一級以下機構，這與醫療機構水平越高，其檢驗檢查設備和項目更齊全有關，但也需要注意避免不合理、不合規檢驗檢查所造成的醫療糾紛事件。

圖2 一級及以下(A)、二級(B)、三級(C)醫療機構醫療糾紛種子詞云

表5 高頻醫療種子詞及分類

表6 各類別種子詞詞頻及T檢驗差異性結果

4 討論

4.1 社會層面

4.1.1 地區發展程度是造成區域醫療糾紛差異性的宏觀因素 從上述分析可看出，四川省各地級市醫療糾紛數量與當地經濟發展水平呈現強相關性，也表現出各地區間不均衡的特點。其中成都市作為四川省經濟發展重點區域，醫療糾紛數量也遙遙領先其他地級市；而巴中、雅安、甘孜州、阿壩州等相對欠發達地區醫療糾紛數量最少。可推測發展程度相對較高的地區人口基數大、醫療活動參與者眾多，同時群眾法律意識較高，在發生醫患糾紛時更愿意通過正規訴訟途徑尋求解決，所以發生醫療糾紛案件的頻次也相對較高。地區發展程度是造成區域醫療糾紛差異性的宏觀社會因素。

4.1.2 醫療資源分布是造成區域醫療糾紛差異性的主要因素 從分析結果來看四川省各地級市醫療糾紛事件數量與醫療機構數量也呈現較為緊密的相關性。可推測醫療資源密集的地區，由于醫療機構、醫療人員以及參與醫療活動的患者基數大，醫療糾紛案件數量較多；反之醫療資源較稀少的地區發生醫療糾紛案件數量則相對較少。因此醫療資源分布的區域差異性是導致醫療糾紛區域差異性的主要社會因素。

4.2 醫療機構層面

4.2.1 不規范醫療行為是醫療糾紛的直接誘因 從對于醫療糾紛文書中關鍵種子詞的分析來看，誘發醫療糾紛的因素都聚合于醫療費用、醫療文書、檢驗檢查、藥品使用以及治療手段等醫療機構相關醫療行為。同時也契合四川省醫療“三監管”政策中所監管和處罰的重點，即“不合理用藥、不規范醫療文書、不合理檢驗檢查、不合理住院費用”等不合理、不合規醫療行為。因此醫療機構不規范醫療行為是誘發醫療糾紛的最直接原因。

4.2.2 不同級別機構中醫療糾紛的誘因各有不同 在較高級別和較低級別的醫療機構之間，誘發醫療糾紛的因素也各有不同。由于級別較高的醫療機構(幾乎都是公立醫院)醫務人員的專業程度相對更高，并且其收費標準也嚴格按照衛生行政部門和物價局標準執行，同時受到有關部門嚴格監管，因此針對醫療文書和費用方面的糾紛相對級別較低的醫療機構更少；而由于級別較高醫療機構在檢驗檢查設備和項目方面相對級別較低的醫療機構更全面，醫療糾紛文書中關于檢驗檢查種子詞出現的頻率更高，同時也提醒級別較高的醫療機構應更加注意檢驗檢查項目的合理性和合規性，避免出現醫療“三監管”中提及的“不合理檢驗檢查”等不規范醫療行為。

4.2.3 醫療機構水平與醫療糾紛發生密切相關 醫療水平越高的機構在診療水平和診療流程、醫療硬件設施完備程度、醫務人員專業程度等各個方面幾乎都優于醫療水平較低的機構，因此可以從根源上避免醫療事故的發生。同時水平較高的醫療機構在監督管理制度和突發事件預警及應對體制方面更加完備和健全，也可以一定程度上避免醫療事故或不規范醫療行為造成的突發醫療事件進一步向醫療糾紛演化。

4.3 患者層面

在醫療糾紛事件中，患者對于醫療損害造成的傷殘鑒定以及醫療事故鑒定依然屬于少數。可推測其主要是由兩方面因素造成的：一是患者進行醫療損害相關鑒定的意識較為淡薄，二是患者對于醫療損害及傷殘鑒定的了解程度較差。

5 對策及建議

5.1 政府決策層面

5.1.1 建立有區別、有重點的醫療監督管理體系 繼續落實和加強醫療行業“三監管”政策，完善醫療衛生監督管理的法律法規和標準體系，鼓勵地方、機構依據實際醫療衛生情況實行有針對性、差異性的醫療監管政策和標準，對于醫療糾紛事件頻發高發的地區、機構和科室實施重點監督和管理。具體而言，主要落實到對于醫療機構、醫療服務人員、臨床技術和大型醫療設備等在醫療行業的準入監管，以及對于醫療機構和醫療服務人員的醫療服務行為、醫療政策執行方面的監管。

5.1.2 合理配置醫療資源 完善對于醫療衛生事業的投入和分擔機制，構筑政府機制、市場機制、社會機制3方參與的醫療資源配置方式，合理整合現有醫療資源以建立資源共享平臺，重點保障弱勢群體的醫療權益，從而促進四川省醫療衛生事業體系發展，從根本上減少醫療糾紛的發生和激化。

5.1.3 建立健全醫療損害鑒定規范制度 政府應建立和完善醫療損害鑒定相關的法律政策，對鑒定機構資質和業務流程、醫療鑒定程序的啟動和審查實行嚴格監管，并引導訴訟單位對于醫療損害鑒定意見的審核和采信，保障醫療損害鑒定的公平性、合法性和有效性。

5.2 醫療機構層面

5.2.1 加強自身管理 醫方應加強對于國家及地方出臺的關于醫療行業監管各項政策法規的學習，規范自身醫療行為，從源頭上杜絕“不合理用藥、不合規醫療文書、不合理檢驗檢查、不合理醫療費用”等醫療亂象。同時組織機構內監管隊伍對醫務人員醫德醫風、醫療規章制度落實和日常醫療行為進行監督和糾察，對不合理、不合規醫療行為和人員做到“零容忍”。

5.2.2 建立順暢、及時的醫患溝通平臺 醫方應建立健全的機制體制和設施環境，保障醫患溝通的及時和高效。同時完善患者評價和投訴機制，對患者需求做到妥善和高效處理。醫方應定期針對不同層次的醫務人員開展溝通技巧培訓，使其善于傾聽患者訴求，及時換位考慮患者感受，尋求快速有效的問題解決方式。

5.2.3 建立高效的糾紛預警和處置機制 醫方應建立預警機制、采取相應措施防范醫療糾紛事件發生，對于易發生醫療糾紛的患者(如長期住院、嚴重并發癥和疑難危重病例等)和科室(如ICU、兒科、急診科、婦產科等)實施密切監測，一旦發現糾紛苗頭要及時介入和化解矛盾，并及時對患者和醫務人員進行心理撫慰和疏導。同時針對醫療糾紛建立高效處理的政策制度和應急預案，鼓勵醫患通過正確、有效的程序和途徑(內部醫患協商解決、第3方介入調解和正規司法訴訟程序)進行糾紛解決，避免出現因解決不力造成的群體性事件及惡性事件。

5.3 患者層面

5.3.1 尋求正規就醫渠道并充分信任和尊重醫務人員 患者就醫時應選擇具有完善資質、設備和人員的正規醫療機構，并尋求正確的科室和醫務人員進行問診。同時充分信任醫務人員的醫療道德和醫療水平，積極配合進行治療，與醫務人員形成高效、順暢的交流和溝通。在與醫務人員產生矛盾或產生不良情緒時要及時與醫務人員交流和協商，并通過家人朋友或者心理醫生及時進行情緒安撫和心理疏導，避免事態進一步惡化。

5.3.2 加強醫療相關的法律法規政策學習，提高醫療損害鑒定意識 患者應主動積極進行醫療相關法律政策的學習，以便在受到不正當醫療行為帶來的損害時可以在第一時間利用法律武器保護自身合法權益，并通過正當途徑尋求解決。同時在受到醫療損害時應盡量保存好相關證據，并在第一時間進行損害鑒定，作為后續進行司法程序時的必要證明。

6 結語

本研究創新性地采用知識抽取方法，基于醫療損害糾紛相關的裁判文書數據，對四川省醫療糾紛事件的誘因、特點及規律進行分析，揭示醫療糾紛事件的發生受社會、醫療機構以及患者多方面的因素影響，并針對政府、醫療機構和患者3個層面提出防控和處理醫療糾紛的對策建議。總而言之，改善醫療糾紛現狀、構建和諧醫患關系、構筑平安醫療環境需要政府和社會、醫療機構及每位公民共同參與和努力。