战略性整合：DRGs与大数据（2）

 

医疗卫生改革中的DRGs（诊断关联组合）和大数据驱动就像剪刀的两刃，但是如何运用得当并不容易。

 

文/Roger谭， 2013-3-22

 

       一方面通过DRGs对疾病类型进行分组，由此控制医疗服务和药物价格范围，减轻患者经济负担，与此同时给出临床治疗的示范路径；另一方面大数据技术和管理的有效运用能够消除“信息孤岛”，形成地区之间、医院之间和医护人员之间信息资源共享的局面，由此驱动循证医学的发展。循证医学中运用大样本寻找最佳临床证据、个人和他人的医疗专业能力、以及尊重患者的个人意愿这样的三位一体的临床医疗决策，无疑又会重新修改DRGs分类方式，提高DRGs的医疗效用和经济效用。医疗改革将能够更贴近民众和社会。但是在市场经济的环境中，我们不得不考虑激励和竞争因素，这涉及如何在大数据环境下整合战略管理思想体系和规划流程，对不同医护人员、不同医院和地区的能力以及能力所产生的价值贡献进行合理的度量。这样，大数据环境下不只是考虑技术流程问题，而且还要关注如何能够改善内部和外部管理流程，培育核心能力等问题。这关系到医护人员和医院之间消除机会主义，建立信任和协作的同时，培育医院自身的组织文化、激发创新和创造价值的积极性、从而培育出核心竞争能力优势，等发展性问题。

 

o 大数据

 

从某种程度上说，大数据是数据分析的前沿技术。从各种各样类型的数据中，快速获得有价值信息的能力，就是大数据技术。

不过，大约从2009年开始，“大数据”才成为互联网信息技术行业的流行词汇。美国互联网数据中心指出，目前世界上90%以上的数据是最近几年才产生的。这些非结构化数据又并非单纯指人们在互联网上发布的信息。全世界有着无数数码传感器的工业设备、移动工具、仪表上所传递的变化信息，如，光、电、声音、震动、温度、湿度、空气中物质的变化、相对位置和运动、度量变化，也产生海量的非结构化的数据信息。

大数据技术以云计算为基础，最知名的云计算开源系统Hadoop模仿和实现了Google云计算的主要功能。随着云计算的逐渐流行，这一开源系统被越来越多的个人和企业所运用。作为Hadoop的核心，有：HDFS（Hadoop distributed file system）的分布式文件系统、MapReduce（映射化简函数编程架构）和HBase（分布式开源数据库）。

大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。如果把大数据比作一种产业，那么这种产业实现盈利的关键，在于提高对数据的“加工能力”，通过“加工”实现数据的“增值”。

 

o 循证医学

 

大数据技术对于医院的一个重大意义是用数量巨大的数据驱动医疗技术信息流程和管理信息流程，使需要大样本采集的循证医学研究（治疗介入的标准方法的延伸）真正成为可能。循证医疗是从海量数据中寻找和收集最佳临床证据，结合相关临床经验和知识，和患者在医疗上取得共识，相互理解，互相信任，从而归纳出更敏感和更可靠的诊断方法，作出更有效和更安全的治疗方案，达到最佳的治疗效果。循证医学的临床路径是要从超大量数据中找出并行的相关关系，来进行数据分析，而非传统医学刻求的前后因果关系。因为有了数量充足的数据，精确度就不用要求太高。

 

1. 主要区别

根据广东省循证医学科研中心、广东省人民医院、中山大学附属第三医院主办的《循证医学》杂志介绍，传统医学强调的证据和循证医学所依据的证据并非一回事。传统医学并非不重视证据，更不是反对寻找证据。但此种实践存在局限性，不可能满足现在的临床活动的需求，因为它所反映的往往只是从小样本中得到的个人或少数人的临床活动，容易造成偏差，以偏概全。这样，一些新的药物或治疗方法由于不为临床医师所了解而得不到应用。一些无效或有害的治疗方法，由于长期应用已成习惯，或从理论上、动物实验结果推断可能有效而继续被采用。例如二氢吡啶类钙通道阻滞剂仍在一些基层医疗单位中用来治疗慢性充血性心力衰竭，因为在理论上该药扩张动脉和静脉的作用，有助于减轻心脏的前后负荷，改善血流动力学状况；临床实践和动物实验也证实，此种作用的确可以产生有益的短期效应。但从大样本（大数据）得到的长期临床研究表明，这类药物会增加病死率，不宜作为慢性心力衰竭的基本治疗。因此，一种治疗方法的实际疗效，必须经过随机对照临床试验的验证，仅仅根据个人或少数人的临床经验和证据，是不够的。

理论上可能有效或动物实验中提示有效的治疗方法并不一定在临床上也会产生有益的治疗效果。

 

2. 临床证据

循证医学所要求的临床证据有3个主要来源：①大样本的随机对照临床试验；②系统性评价；③荟萃分析，或称为汇总分析。 循证医学提供的多种证据，其临床应用的价值并非都是相同的，因而需要对这些证据作评价分级。Howden等将证据分为4个等级，其中I级和Ⅱ级为最佳证据，均来自大样本的随机对照临床试验，或对这些随机对照临床试验所作的系统性评价和荟萃分析。这类证据可认为是评价临床治疗效果的金标准，也是作出临床决策的可靠依据。

 

3. 洞察力可变因素

关于某类病症的可靠的临床决策出自洞察能力。洞察力是关于决策者自身的信息处理能力，以及决策者的参照能力。除了根据临床试验证据的等级分类这种可变因素之外，洞察能力还要考虑不同医师的经验知识以及病人的具体情况这两类可变因素。在这三方面可变因素取得一致认识的基础上才能作出最好的临床决策。这里难以解决的问题是可变因素之间的不确定关系：（1）循证医疗的证据等级结构跟医师的经验知识结构以及病人的处景结构（经济、生理和心理等）如何取得一致；（2）假定三方面的变量结构取得一致，那么这三种变量结构如何形成层次，即产生最佳效用的不同层面；（3）这三方面变量结构和层面如何形成有效的工作程序？（4）这三方面不同变量结构、层面和程序跟组织产出之间的关系；这些问题也跟DEGs的分组方式有关；其中所蕴含的更深层的思想是如何对证据、经验和理性进行整合（而不是组合）。这不是目前的大数据技术和有限的业务应用函数所能解决的；（5）如何看待跟医务人员的关系。这与组织文化有关。为了使分析过程容易，我们首先了解前面4种可变因素关系。围绕观察力的4个可变因素设计医疗大数据工程体系的框架。

 

o 大数据工程体系框架

 

目前关于大数据的研究仍然集中于技术与应用，而大数据工程和大数据科学问题尚未被重视。大数据工程是指大数据体系的规划、建设和运营管理这样的系统工程。大数据科学是指关注大数据网络发展和运营管理工程，来掌握某些商业或者社会活动的规律及其之间的关系。本文设想，通过大数据的规划、建设和运营管理这样的系统工程，可能找到某种理性结构，去过滤、吸纳和组合有用的数据知识；进而去理解和改善以上洞察力可变因素之间的4种关系；通过探索大数据网络发展和运营管理工程的演进，来不断对洞察力可变因素之间的关系进行价值链整合，使之能够延伸大数据科学的业务智能，以求掌握某些围绕医疗改革的经济和社会活动的规律及其之间的关系。这就是说，在医疗管理层面、医疗技术层面、医疗市场层面的每个层面上，都进行以下三方面的核心能力优势的培育：

· 数据载体，进行证据收集和吸收知识；

· 数据网络，进行证据组合和改善认识；

· 数据流程，进行证据价值链整合和延伸知识；最大限度地挖掘数据的战略价值；站在战略管理的高度，来系统地规划大数据的运营管理，进而衍生出新的医疗改革战略管理的智慧。

 

1. 可变因素结构的一致性

（流动）病人市场、地区保险和政府医改政策、医疗管理流程三个因素都是可变的，很难找到一种形成临床路径的一致不变的结构关系。

· 需求分析

· 决策流程分析

· 数据管理

· 形成理性综合与洞察力

 

2．可变因素结构的层次

社会化问题跟技术性问题的层次关系；比如，确定社会化中的伦理因素结构与技术误区因素结构的层次；来看组织文化伦理对医改的作用，以及信息技术对医革的不同作用。

· 探索性数据分析与数据可视化

· 提出假设，发现模型、关联模式

· 检验与评估

 

3．结构和程序的一致性

比如，同样是大医院、区医院、社区诊所的医疗结构关系，跟北美自下而上的病人流动方向不同，国内病人流动路径是混流。但多数病人聚集于大医院，是由于医药报销政策造成的。

· 模拟与仿真

· 实验

· 应用与推广

· 过程监控

 

4. 可变因素与组织产出

这是关于可变因素结构与组织产出之间关系的度量。在医改过程中，在没有共同愿景的情况下，一开始实施DRGs这样的结构改革是很难的，实施结构改革应该是全员参与的事情。另方面，通过新政策似乎能够改变结构，但是现有结构的确能阻碍新政策实施。

· 推理与优化

· 解决方案设计

· 考核与度量

 

o 模拟案例

 

根据以上4个方面的医改大数据工程系统框架，举出以下案例，来进行理解。这些案例不是试图要精确地说明以上问题的最佳结果，只是作为建立数据的参考关系而已。

 

1. 可变因素结构

从医疗产品线的宽窄幅度和复杂性来看不同的医疗结构：综合医院；专科医院；精神病院；康复医院。每类不同医院的医疗产品和技术服务都与DRGs的收费有关。

综合医院的医疗产品线的幅度最宽；医疗技术的复杂性最高。

专科医院的医疗产品线的幅度较宽；医疗技术的复杂性较高。

精神病院的医疗产品线的幅度较窄；医疗技术的复杂性较低。

康复医院的医疗产品线的幅度最窄；医疗技术的复杂性最低。

参看图1.

 

2. 可变因素结构层次

这里举出髋关节置换的不同临床医疗功能的层次和流程的关系。这里列举的医疗层次和流程是标准化的范围。但是医疗层次和流程不是固定不变的。视病人情况，可能在某一环节进行复查，在某一环节跟不同专科医生进行会诊，或者送到另一个医院由更有经验的医生进行某项指标的检查。每个环节都与手术的DRG收费有关。

· 预约候诊清单。由护士安排等候手术的预约。其中护士向病人介绍手术的手续和过程情况。安排下一次跟医生见面。

· 初次咨询。病人第一次与手术医生见面决定是否需要手术。手术医生向病人详细解释病情，征求病人的意见和看法。初步决定尽快动手术。

· 医疗检测看病人能否承受手术。比如进行刺骨测试和其它血压和心脏测试。如果主诊医生发现如感染病毒之类，在跟病人取得一致意见的基础上，向骨科手术医生提出书面反对意见，暂停手术，先进性病毒方面的检查和治疗，可能要经历数个月时间。

· 主诊医生通知病人来院，告知病毒已经清楚，提出手术意见。病人会提出问题，如手术医生的能力，手术的风险等等。在跟病人统一意见的基础上进行，决定动手术并进行安排。

· 手术等待清单。病人等待医院护士通知手术安排事宜。

· 手术准备。病人入院。

· 手术。因为手术室数量和手术医生数量有限，手术过程时间不能准确确定。病人可能要等候，直到前一位患者的手术完成为止。

· 术后留院观察。如果有社区护理中心，一般5天就会出院。有医生安排术后恢复的事宜。病人回家或者转到康复医院，等候下一阶段的康复治疗。

参看图2。

 

3. 结构和程序的一致性

这里，结构和程序的关系如何取决于信息流、资金流、产品和服务流的方向，不同的工作程序和功能结构决定了不同的DRG的收费方式。

由医生驱动的服务链。由录入病人的要求（如手术）那一刻开始，就触发一系列的后续操作。如自动录入信息系统、创建录入日期并预约手术室日期、安排手术团队（如麻醉师和检验师等），等等。检验师的分支流程也跟主流程连在一起，如电子验血请求直接传送给验血员，然后采血员进行抽血后，送到检验室进行分析。检验师将验血分析报告跟病人电子病历进行捆绑。医院将有关DEGs的账单进行编码，发送给有关保险公司进行报销、建立支付记录档案。与此同时，管理零库存的供应商采取了一体化外包方式，根据药品库存的种类：采用推式（紧急药物）和拉式系统（非紧急药物）两个库存系统。供应商采用识别号或者指纹辨别进入，及时将药物和用品及时配置到医院各单元和实验室的储存柜里。以此同时，生成优化药品和物资使用、管理费用的报告。

 

4. 可变因素与组织产出

从三个结构的层次来看医院的绩效管理和评价：病人服务；临床治疗；关键流程。这里把这三个绩效评估层面跟医院文化建设：精神层面、制度层面、行为层面，结合在一起。这三个层面都涉及如何计算DRGs的费用问题。

病人服务记录 – 精神层面：向他人推荐本医院的病人比例；医护人员的礼貌程度、干净程度、体贴程度；饮食质量；后续指导；疼痛控制；总体满意度。（用百分比）。

临床度量记录 – 制度层面：死亡率；质量改进；二次复查和住院率；多种流程型的关键指标；等等方面的绩效。

关键流程记录 – 行为层面。输血反应的白分比；输血条例的精确执行结果；药物不良反应；用药错误的严重性；尸检率；医护人员与血液和体液接触的可能性；DEG代码响应时间。

参看表2。

表2

 

o 讨论

 

目前大数据开源Hadoop MapReduce的质量与功能还达不到这种推演与抽象的“企业级”的应用水平，数据“整合”的说法看来只是建立网络的知识载体以及对载体的有关数据进行组合（而不是整合）。据介绍，Platform公司的Platform MapReduce对于快速发展的Hadoop生态系统进行有益的补充。实现包括策略驱动的工作负载调度、调整、监测和自动管理功能；以及包括策略驱动的工作负载调度。“策略驱动”说明数据处理的商业智能提高了。但这些数据处理技术的智能程度还有待挖掘。Platform公司的数据技术的深度和宽度是应付（局部的） “《财富》500强中众多公司要求极为苛刻的关键型任务的运行。”

的确，在大数据和高性能计算产生交集时，能够使战略决策这类高性能分析领域的专长发挥重要作用。数学、统计学、计算机科学的发展能够运用更加复杂的数学模型与算法分析数据，在很大程度上丰富分析大数据的手段。

然而，这并不意味着是否采用大数据分析方法来解决业务问题是以其采用的数学分析手段是否足够高级、足够复杂为依据。

真正的数据整合应能产生专家水平的智能数据。这种数据超越非结构化和非理性的层面，实现数据介入企业战略决策所能达到的高度和广度；到达战略性决策驱动和战略管理智能驱动的理性层面。

市场的不断新的需求使“大数据”需要新的处理模式，才能产生海量、高增长率而又多样化的信息资产。这种信息资产具有更强的战略洞察力、环境分析能力、以及业务流程优化能力。大数据的基于证据驱动的决策质量是由其新的处理模式中的战略方向洞察力和分析定位决定的，进而能够设计合适的数据采集方式。这样，基于大数据证据的业务分析工作融合了处理模式中的理性因素。哲学、经济学、管理学、社会学、心理学的发展使得理性在决策中占据越来越重要的地位。这些学科理论的不断演进为大数据搜寻和分析提供了战略管理思想与理论的指引。全球化大环境下，组织体的生产、运营、物流和服务等流程的复杂程度超出了人们所能预料的范围。如果没有大数据技术，那么不管怎样对数据进行清理，现在地市级医院的数据容量也已经应付不来了，大医院就更不用说了。但是，大数据技术只有融入高度理性的战略智慧，来指导非机构性（非完全理性）的有效大数据的搜寻和分析，才能避免垃圾数据堵塞，利于医疗数据挖掘与经验理论的一对一的有效沟通，以及病人个性化问题的解决。这种理性认知和非结构性（非理性）数据技术整合而成的大数据处理新模式，将能帮助企业更加快速、低成本地进行分析。

 

 

Roger C Tan, Roger Cong Tan, Roger Tan, TanRoger, Roger谭，谭聪，谭络杰