基于時間序列分析的重大突發公共衛生事件對醫療服務的影響研究

袁 磊 錢招昕 黃耿文

【提 要】 目的 以新型冠狀病毒肺炎(corona virus disease 2019,COVID-19)疫情為例,分析重大突發公共衛生事件對湖南省某醫院醫療服務的影響。方法 采用中斷時間序列分析(interrupted time series,ITS)方法,分析疫情前(2019年1月-2020年1月)與疫情后(2020年2月-2020年12月)某醫院服務數量、醫療效率、疾病疑難程度、費用水平等指標的變化情況;建立自回歸滑動平均混合模型(autoregressive integrated Moving average model,ARIMA)乘積季節模型,假設未發生COVID-19疫情情況下對2020年的出院量和門診量進行預測,通過對比預測值與實際值的差異,評估COVID-19疫情對醫療服務量的影響。結果 COVID-19疫情對醫療服務具有顯著的即時影響,該醫院醫療服務數量和醫療效率顯著下降,疑難危重患者增加,費用水平升高,但后期均逐步恢復。ARIMA模型結果顯示,2020年出院量較預測值減少43038人次(25.62%),門診量減少806337人次(26.93%)。結論 突發重大疫情對綜合醫院醫療服務影響顯著,常態化疫情防控背景下全面恢復醫療服務面臨挑戰。建議醫院逐步建立“平急結合”醫療救治體系,大力發展互聯網+醫療的線上診療體系。

2020年初爆發的Covid-19疫情,是新中國成立以來傳播速度最快、感染范圍最廣、防控難度最大的重大突發公共衛生事件,全國31個內地省份均發現了確診病例,并全部啟動了突發公共衛生事件一級響應,采取調整醫療策略、重新分配醫療資源等應急措施[1]。此外,湖北、北京、江西等地爆發的嚴重院內傳播事件[2-4],造成多名醫護人員、患者和家屬感染,為降低院內感染傳播風險,醫療機構采取了嚴格的管控措施[5],使原有醫療服務秩序打亂,常規醫療服務供給受到影響。本研究選取湖南省某三甲綜合醫院作為研究對象,采用中斷時間序列分析(interrupted time series,ITS)方法,分析疫情前后醫院服務數量、醫療效率、疾病疑難程度、費用水平的變化,建立ARIMA乘積季節模型,探討醫療服務量的恢復情況,定量評估COVID-19疫情對醫院醫療服務的影響,為醫療機構應對重大突發公共事件和做好常態化疫情防控下的醫療服務提供參考建議。

資料與方法

1.資料來源

數據來源于某醫院2015-2021年的醫療數據統計報表與DRGs 住院醫療服務監測和分析系統。該醫院位于湖南省長沙市,為三級甲等綜合醫院,同時是疫情期間湖南省首批發熱門診定點醫院和首批具有新冠病毒核酸檢測資質的醫院,COVID-19疫情對該院醫療服務的影響在醫療機構中具有較強的代表性。

2.指標選取

基于疫情防控舉措對就醫流程和醫療行為的影響,本研究從4個維度選擇12項指標進行評價,分別是:服務數量(門診量、急診量、出院量、手術量),醫療效率(平均住院日、床位使用率、床位周轉次數)、疾病疑難程度[病例組合指數(case mix index,CMI)],費用水平(出院患者次均費用、出院患者次均藥費、門診患者次均費用、門診患者次均藥費),均為月度數據,間隔均勻。

3.研究方法

ITS屬于準實驗設計,能夠在缺少有效對照的情況下,得到穩健的估計結果,在國內外衛生政策評價方面應用廣泛[6-8]。構建分段線性回歸模型,Yt=β0+β1X1+β2X2+β3X3+ε,其中Yt為因變量;β0為起始時刻水平的估計值;β1為開展干預前的斜率;β2為干預后的水平改變量;β3為干預后的斜率改變量,(β1+β3)為干預后的斜率;X1為時間序列,依次與觀測點相對應;X2為觀測點所處的干預階段,干預前為“0”,干預后為“1”;X3為干預后的時間序列,干預前為“0”,干預后依次與觀測點相對應;ε 表示隨機誤差,即模型無法解釋的隨機效應。通過對比疫情前后服務數量、醫療效率、疾病疑難程度和費用水平等維度的差異,以探討COVID-19對醫療服務的即時和長期影響,其中2019年1月-2020年1月為干預前研究段,2020年2月-2020年12月為干預后研究段。采用Durbin-Waston法檢驗相關變量是否存在自相關,DW值的范圍為0～4,其值越接近2,表明越不存在自相關。若存在自相關,則改用廣義最小二乘估計,用Prais-Winsten法進行擬合。

利用R軟件,建立ARIMA乘積季節模型ARIMA(p,d,q)×(P,D,Q)s,其中p、d、q與P、D、Q分別為非季節性與季節性自回歸、差分、移動平均的階數,s表示季節周期。ARIMA乘積季節模型是ARIMA模型的一種[9],能綜合考慮季節趨勢、隨機干擾等因素的影響,預測具有季節周期性的時間序列的效果較好[10]。本研究使用2015年1月-2019年12月的出院量、門診量數據建立模型,利用auto.arima函數進行自動定階,確定模型中p、d、q、P、D、Q等參數的取值。采用Ljung-Box檢驗殘差序列的白噪聲,使用平均絕對百分比誤差(mean absolute percentage error,MAPE)進行模型精確性評價,以判斷模型的擬合優度。使用forecast函數預測未發生疫情情況下,2020年1月-2020年12月該醫院的出院量、門診量,通過比較預測值與實際值的差異,定量評估對醫療服務量的影響。

4.統計學方法

利用Microsoft Excel 2016建立數據集,利用R4.0.5軟件進行模型構建與數據分析。檢驗水準為α=0.05。

結 果

1.COVID-19疫情對醫療服務影響的ITS分析

(1)服務數量

如表1與圖1所示,COVID-19疫情發生后,醫療服務數量立即下降,其中門診患者減少約155859人次(P<0.001),急診患者減少約7634人次(P<0.001),出院患者減少8590人次(P<0.001),手術量減少4059人次(P<0.001),說明疫情對該醫院醫療服務數量具有顯著的即時影響。疫情干預前,門診量和急診量呈下降趨勢,出院量和手術量呈上升趨勢,但均不顯著。疫情干預后期,醫療服務數量的趨勢變化顯著,門診量(β3=20477.21,P<0.01)、急診量(β3=874.14,P<0.01)、出院量(β3=878.28,P<0.05)、手術量(β3=555.42,P<0.05)均呈顯著上升趨勢,干預后門診每月增加約20159人次,急診每月增加約849人次,出院每月增加約1009人次,手術每月增加約588人次。

*:圖中豎線表示疫情干預開始時間。

表1 疫情對醫院醫療服務的影響

(2)醫療效率

從表1與圖2可知,疫情干預對醫療效率具有顯著的即時影響,平均住院日立即增加1.18天(P<0.05)、床位使用率立即減少46.77%(P<0.01)、床位周轉次數立即減少2.55次(P<0.001)。疫情干預前平均住院日、床位使用率、床位周轉次數隨時間變化不明顯,干預后床位使用率、床位周轉次數的趨勢變化,分別為6.98%(P<0.05)、0.28次(P<0.05),但對干預后的平均住院日的趨勢變化無顯著影響。

*:圖中豎線表示疫情干預開始時間。

(3)疾病疑難程度

從表1與圖3可知,疫情發生前該醫院CMI值趨于平穩,疫情發生后CMI值立即增加0.08(P<0.01),具有顯著性差異。隨著疫情緩解,醫療服務逐步恢復常態,CMI呈下降趨勢但不顯著,每月下降約0.01。

*:圖中豎線表示疫情干預開始時間。

(4)費用水平

由表1和圖4可知,疫情干預對出院、門診患者費用水平具有顯著的即時影響,其中出院患者次均費用、出院患者次均藥費、門診患者次均費用、門診患者次均藥費分別立即增加3933.05元(P<0.001)、3275.70元(P<0.001)、145.38元(P<0.001)、125.69元(P<0.001)。出院患者次均費用在干預前呈顯著下降趨勢,每月下降211元(P<0.05),干預后呈下降趨勢但不顯著。出院患者次均藥費在干預前后均呈下降趨勢但不顯著。門診患者次均費用在干預前呈上升趨勢但不顯著,干預后趨勢變化顯著(β3=-14.29,P<0.001),每月下降13.23元。門診患者次均藥費在干預前呈下降趨勢但不顯著,干預后趨勢變化顯著(β3=-9.66,P<0.05),每月下降13.91元。

*:圖中豎線表示疫情干預開始時間。

2.疫情后期醫療服務量恢復情況分析

(1)模型構建

采用auto.arima函數進行自動定階,出院量擬合模型結果為ARIMA(2,1,2)(0,1,0)12,門診量擬合模型結果為ARIMA(0,1,2)(1,1,0)12。Ljung-Box檢驗的統計量均無統計學意義,P值分別為0.915、0.697,表明殘差序列為白噪聲,MAPE分別為2.02%,3.96%,說明模型擬合良好,預測精度較高,具體見圖5、圖6。

*:圖中黑色實線為實際值,藍色實線為預測值,灰色與淺灰色區域分別為預測值的80%和95%置信區間。

*:圖中黑色實線為實際值,藍色實線為預測值,灰色與淺灰色區域分別為預測值的80%和95%置信區間。

(2)醫療服務量恢復情況分析

基于構建的模型,假設在未發生疫情的情況下,分別對2020年該醫院的出院量、門診量進行預測。結果顯示,2020年出院量、門診量將分別達到167970人次、2994103人次。而2020年實際出院量為124932人次、實際門診量為2187766人次,與假定在未發生疫情的預測值相比,分別減少43038人次(25.62%)和806337人次(26.93%),其中1-6月分別減少30427人次(38.17%)、656207人次(45.28%)。全年中2、3月縮減最為顯著,實際出院量較預測值減少幅度分別為83.04%、73.71%,實際門診量較預測值減少幅度分別為93.27%、76.69%,后期逐漸恢復,但除9月份門診量超預期值增加0.47%外,其余月份均未超過預期值。具體見圖7、圖8和表2。

圖7 2015-2020年某醫院出院量變化趨勢與恢復情況

圖8 2015-2020年某醫院門診量變化趨勢與恢復情況

表2 某醫院2020年出院量和門診量的實際值與預測值對比情況

討 論

1.突發重大疫情對綜合醫院醫療服務影響顯著

本研究醫院位于湖南省,疫情防控形勢嚴峻。作為受湖北疫情輸出影響最大的省份[11],湖南省于2020年1月23日啟動重大突發公共衛生事件一級響應,成為全國第三個啟動一級響應的省份。作為發熱門診定點醫療機構,該醫院確診了湖南省首例Covid-19社區感染病例,累計收治疑似患者226例,其中確診患者31人。為落實疫情防控要求,避免交叉感染,降低院內傳播風險,疫情流行期間,醫院相應調整服務模式和就醫流程,嚴格分區管理、分級防護,并采取了嚴格的防控措施,如單人單間收治、預留應急隔離房間、全預約制分時段診療、一患一診室等措施。患者擔憂進入醫院會增大自身感染機率的心理因素等,導致門診量、出院量、手術量等醫療服務數量指標大幅下降,2月份該醫院床位使用率驟降至18%。有研究顯示[12],北京市公立醫院2020年1-6月實際出院量較假定未發生疫情情況下的預測值減少了50.8%,與本研究中38.17%接近。同時,因執行入院患者篩查肺部CT[13]、流行病學史調查等防控措施,也使得醫療效率立即下降,平均住院日增加1.18天。此外,隨著疑難危重患者增加,就診患者呈現“重癥化”特征,CMI值顯著升高,醫療費用也相應提高,住院、門診患者次均費用分別增加3933.05元、145.38元,其中住院、門診患者次均藥費分別增加3275.70元、125.69元,這主要是因為在疫情防控期間,為減少病人到醫療機構就診配藥次數,根據國家醫保局發布的《關于優化醫療保障經辦服務推動新型冠狀病毒感染的肺炎疫情防控工作的通知》[14],醫院臨時放寬出院帶藥時限,調整門診醫囑用量,由最長不超過1個月調整為最長不超過3個月。

2.常態化疫情防控背景下全面恢復醫療服務面臨的挑戰

我國疫情防控取得階段性勝利,社會生活和經濟運行逐步恢復,轉入大流行背景下的“后疫情時代”。但由于境外疫情擴散蔓延,對我國的輸入壓力持續增大[15];同時由于新冠病毒具有傳播力強、傳播速度快、潛伏期長[16],且無癥狀的感染者也能成為傳播源等特性[17],也進一步增大了疫情防控難度,國內聚集性病例此起彼伏,黑龍江、北京、遼寧、新疆、河北等地相繼發生了局部疫情反彈,多家醫院出現院內聚集性疫情。而綜合性醫院專科門類齊全,來院就診患者數量龐大且來源較為復雜,人員聚集性和易感性決定了醫療機構內發生聚集性疫情的高風險性。因此,盡管在恢復正常醫療秩序后,多數醫療機構仍要求入院患者進行核酸、肺部CT等篩查,繼續實行預檢分診、分時段預約診療等措施,合理控制線下醫療服務量規模。本研究結果顯示,隨著后期醫療秩序步入正軌,醫療服務量有所恢復,但除9月份門診量超預期值0.47%,其余月份均未超過預期值。王俊[18]等研究顯示2020年8月北京市某醫院的出院量達到同期水平的70%,手術量達到同期的80%。提示常態化防控背景下,綜合醫院醫療服務的全面恢復仍然面臨挑戰。

3.后疫情時代醫療機構發展方向

(1)建立“平急結合”的醫院醫療救治體系

在COVID-19疫情流行初期,我國現行醫療體系面臨重大考驗,以武漢市為例,盡管武漢市有二級以上醫療機構59家,編制床位32071張,但能直接用于收治傳染病的床位數卻很少,負壓病房床位僅有33張[19]。這主要是由于目前我國醫療體系仍以“治病為中心”,重治療、輕預防;此外,多數綜合醫院的建筑布局也不具備收治經空氣和飛沫傳播疾病患者的能力[20],平時救治普通患者的醫療體系無法適用于傳染病患者,難以快速轉化為戰時狀態收治傳染病患者的問題,導致了醫療機構難以高效應對突發重大公共衛生事件。此外,疫情初期發生的多起院內聚集性病例事件,暴露了醫院在院感防控存在的短板。因此,進入后疫情時代,醫院要加強頂層設計和戰略規劃,建立和健全“平急結合”戰略下醫療救治機制。在硬件上優化布局,探索設立分院區、院中院等形式,以及建立符合院感要求,滿足應對突發公共衛生事件的醫院建筑,如設計“三區兩通道”的病房,在發生重大傳染病時迅速進行“平急轉換”,有效利用醫療資源應對突發重大公共衛生事件,并減少對醫療機構的沖擊和影響。在軟件上著力提升突發公共衛生事件應對能力,制定科學規范的群體性不明原因疾病、重大傳染病疫情應急預案,儲備應對重大突發公共衛生人才隊伍,定期開展公共衛生、院感防護等知識培訓,以便在“戰時”快速動員相應人才,參與突發公共事件的應對處置。

(2)建立互聯網+醫療的線上診療體系

疫情流行期間,互聯網+醫療的新模式在減少人群聚集,避免交叉感染,以及滿足慢性病、常見病患者診療等方面發揮了重要作用[21]。2020年國家衛生健康委相繼出臺了《關于在疫情防控中做好互聯網診療咨詢服務工作的通知》和《關于進一步推動互聯網醫療服務發展和規范管理的通知》等政策。COVID-19疫情在一定程度上培養了患者的線上就醫習慣,加速了醫療與互聯網的深度融合[22],從長遠來看,互聯網醫療將迎來重要發展機遇。醫療機構要把握政策導向,加強信息化建設,借助5G、大數據、人工智能等技術,布局線上診療服務平臺,將線下的品牌口碑轉化為線上影響力,為人民群眾提供線上診療、線上購藥[23]、健康宣教、遠程會診等服務,延伸醫療服務的廣度。

本研究尚存在一定的局限性。本研究基于湖南省某三甲綜合醫院數據進行分析,為單中心研究,對整體醫療機構的代表性及外推結果仍有一定的限制。此外,由于數據的可及性限制,本研究未分析疫情對就診病種與患者來源地等其他方面的潛在影響。今后,可以進一步擴大研究醫院和分析指標,更加深入全面地評估COVID-19疫情對醫療服務的影響。

綜上所述,本研究以COVID-19疫情為例,分析了重大突發公共衛生事件對醫院的服務數量、醫療效率、疾病疑難程度、費用水平的影響,探討了疫情后醫療服務量的恢復情況,突發重大疫情對綜合醫院醫療服務影響顯著,常態化疫情防控背景下全面恢復醫療服務仍面臨挑戰,這提示醫療機構在繼續做好常態化疫情防控的同時,應逐步建立“平急結合”醫療救治體系,大力發展互聯網+醫療的線上診療體系。