◆刘 娟 杨 栋 李系仁,* 周士金
刘 娟1 杨 栋2 李系仁1,3* 周士金3
1 中国医科大学人文社科学院 辽宁 沈阳 110001
2 中国医科大学基础医学院 辽宁 沈阳 110001
3 中国医科大学附属第一医院 辽宁 沈阳 110001
近年来,患者再入院率逐年增长,由此引发各国对医疗质量的普遍关注和讨论[1]。再入院是导致患者负担加重和卫生资源浪费的重要原因。有研究表明,美国1984 年居民的医疗消费高达80 亿美元,其中50%用在住院治疗上,且有13% 的再入院患者占用了超过50% 的医疗资源[2]。因此,国际上把再入院作为评价医疗质量和医疗效率的重要指标[3-6]。本研究通过对沈阳市某三甲医院再入院患者进行现状分析,探讨患者出院31 天内再入院的主要影响因素,为医疗质量的科学管理提供依据。
数据来自医院信息系统(HIS) ,提取2009 年1 月1 日~12 月31 日出院患者数据,包括年龄、性别、患者居住地、医保类型、入院日期、出院日期、住院天数、出院诊断等。病历首页信息包括病史、入院状况、出院转归、是否院内感染、是否手术、合并症个数等。
国际上对再入院的定义没有统一的标准,一般以1 周或1 个月内因同样疾病或手术再次入院为较常用的测量方法[7]。本文参照国外标准,并结合国内有关三级综合医院医疗质量管理与控制指标,筛选出有效的信息[8-9]。筛 选 条 件: (1) 身 份 证号、医保号、住院登记号等与住院信息相匹配; (2) 患者出院—再入院间隔天数≤31 天; (3) 剔除恶性肿瘤手术、放化疗及精神疾病的病例; (4)剔除与前次入院疾病不同的新发疾病的再入院病历。
将所有数据建立数据库,应用SPSS16.0 统计软件进行分析。应用描述性统计方法对再入院的患者信息进行描述; 应用t 检验和χ2检验对影响再入院的因素进行单因素分析; 应用Logistic 回归对单因素分析后有统计学意义的危险因素进行影响程度和显著性分析。
为了消除因疾病严重程度不同(以合并症个数的多少来反映) 可能造成的分析偏误,引入Charlson Comorbidity Index Score[10-11]; 为 了捕捉年龄的非线性影响,引入年龄的平 方[12-13]。Logistic 回 归 模 型 如下(因变量为患者“是否”31 天内再入院,若31 天内再入院为1,否则为0) : LogisticP = β0+ β1Age +
β2Age2+ β3Gender + β4Style +β5History + β6Time + β7LOS +β8Interval+ β9Cscore + β10Condition+β11Outcome + β12Surgical + β13Infect 。
其中,Age 表示年龄; Age2表示年龄的平方; Gender 表示性别(男性=1,女性=0) ; Style 表示医保类型(1 = 医 保,0 = 非 医 保) ; History表示病史(1 年以上=1,1 年以内=0) ; Time 表示住院次数; LOS 表示住院天数; Interval 表示住院间隔;Cscore 代表Charlson Comorbidity Index Score; Condition 表示入院状况(1 = 急或危,0 = 一 般) ; Outcome 表示出院转归(1 = 未治愈,0 = 治愈) ; Surgical 表示是否手术(1 = 是,0 = 否) ; Infect 表示是否院内感染(1 = 是,0 = 否) 。
医院2009 年全年出院患者67 993人次,31 天内再入院1 938人次,约占出院总人次的2. 85%。再入院次数最多的是16 次,2 次住院占绝大多数,有1 507 人,占再入院总人数的77.8%。
从性别与年龄分布的结果看,31 天内再入院患者男性多于女性,分别为1 113 人和825 人,男女比例为1.3:1。男性再入院患者年龄主要集中在50 ~79 岁,占所有男性再入院患者的52. 8%; 女性主要集中在40 ~59 岁,占所有女性再入院患者的45.2%,见表1。
表1 31 天内再入院患者性别和年龄分布[单位:人次(%)]
从病史分布结果看,31 天内再入院患者病史 1 年以上的占66.09%,说明患者所患疾病多为慢性疾病; 病史不足1 年的占33.91%(见表2) 。
表2 31 天内再入院患者病史分布[单位: 人次(%) ]
从再入院率居前10 的病种看,强直性脊柱炎的31 天内再入院率最高,为27.18%; 系统性红斑狼疮次之,为19.00%,且内科病种远远多于外科病种; 其他病种31 天内再入院率的具体情况见表3。
表3 31 天内再入院率居前10 的病种[单位:人次(%)]
患者出院后再入院的平均住院天数为12. 31 天(标 准 差 为13. 16天) ,平均 间 隔 天 数 为13. 6 天(标准差为10.6 天) 。当天再入院患者有407 人次,占再入院间隔天数的21.00%;1 ~7 天的有381 人次,占19.7%;8 ~14 天的有360 人次,占18.6%; 14 ~21 天的有392 人次,占20. 2%; 22 ~31 天 的 有398 人次,占20.5%(见图1) 。一项欧洲和美国的比较研究认为[6],7 天内再入院主要反映住院服务质量,如因过早出院而再入院; 8 ~30 天再入院主要反映患者疾病的严重程度或慢性病情况。
通过单因素分析的结果发现,年龄、年龄2、性别、医保类型、病史、住院次数、前次入院天数、再入院间隔天数、前次合并症个数、前次入院状况、前次出院转归、前次是否手术、前次是否院内感染这13 个变量会影响到31 天内再入院,且有显著统计学意义。进行非条件Logistic回归分析,发现影响31 天内再入院的主要危险因素是: 年龄、年龄2、性别、病史、前次入院天数、再入院间隔天数、前次合并症个数、前次住院状况、前次出院转归,见表4。
优势比(OR) 含义是指暴露组某事件发生的概率是非暴露组的倍数。本研究是指31 天内再入院的暴露(年龄、性别、医保类型、病史、前次入院天数、前次出院转归等影响因素) 的概率是31 天内无再入院的倍数。若某因素的OR 大于1,说明该因素是某事件发生的危险因素; 若小于1,说明该因素是某事件发生的保护因素。如果自变量是2项分类变量,OR 就是该变量为1 时的危险比; 如果自变量是数值变量,OR 就是该变量取一个增量时的危险比[14]。
图1 出院-再入院的间隔天数分布
表4 31 天内再入院影响因素的Logistic 回归分析
在其他条件均衡的情况下,以下为危险因素: 患者年龄每增加1 岁其31 天内再入院的危险度就扩大1.197 ~1.219 倍; 男性患者31 天内再入院的危险度是女性患者的1.337倍; 病史1 年以上的患者31 天内再入院的危险度是病史不足1 年的患者的3.348 倍; 患者前次住院合并症个数每增加1 个其31 天内再入院的危险度为2.677; 前次入院状况严重的患者其31 天内再入院的危险度是普通患者的1.409 倍; 前次出院时未治愈的患者其31 天内再入院的危险度是治愈患者的3. 098 倍。以下为保护因素: 患者前次入院天数每增加1 天其31 天内再入院的危险度为0.349,即前次住院天数越长,31 天内再入院的机率越小,反之亦然; 患者两次住院间隔天数每增加1 天其31天内再入院的危险度为0.635,即两次住院间隔越长,其31 天内再入院的机率越小,反之亦然。
从多因素 Logistic 回归结果看,反映疾病严重程度的指标与患者出院后再入院有直接的联系。病史1 年以上、前次合并症个数越多、前次入院状况越危重和前次出院转归未愈的患者,出院后31 天内再入院的机率显著增大,且在众多影响因素中反映疾病严重程度的指标是最多的,由此可以看出疾病严重程度是影响31 天内再入院的最重要的影响因素。因此,医院应结合患者病情给予合理的治疗方案,使每位出院患者都符合出院标准,降低患者因不充分的治疗服务而再次入院的机率。
31 天内再入院率高的疾病多为内科慢性病,难以根治,且由于病人经济问题等因素,造成了一些病人未完全治愈而出院,这些病人的病情易复发。内科系统疾病应严格掌握治愈标准,未完全治愈出院者应介绍到相关医疗机构跟踪治疗。有研究指出,有12% ~75% 的再入院可通过对病人的教育、出院前评估以及良好的照护而避免[15]。
年龄是多数疾病高发的人口学因素。再入院的主要人群是中老年人,这与其机体抵抗力下降、易患病有关。如心血管疾病、慢性肺部组织疾患(COPD) 、支气管哮喘、心肌梗死、糖尿病、高血压等。从多因素Logistic 回归结果看,患者的年龄越大,出院后31 天内再入院的机率显著性越高。因此,做好中老年人的医疗保健,及时发现,及早治疗,这将有利于提高疾病的治愈率,减少再入院率。
由于本研究只是对某院的再入院情况进行分析研究,因此会忽视一些可能的影响因素。如等级越高的医院,再入院情况越严重。有报道称,病床数越多的医院,患者出院后1 个月内再入院的机率越大[12]; 或者等级越高的医院患者的疾病严重程度越高,易受院内交叉感染。此外,还有其他一些因素是导致再入院率高的原因。
[1]Rick McLean,Kumara Mendis,Joe Canalize. A ten-year retrospective study of unplanned hospital readmissions to a regional Australian hospital[J]. Australian Health Review,2008,32(3) :537 -547.
[2]Anderson GF,Steinberg EP. Hospital Readmissions in Medicare Populations[J].North England Journal Medical,1984(311) :1349 -1353.
[3]Thomas J W,Holloway J J. Investi gating early readmission as an indicator for quality of care studies[J]. Med Care,1991(29) :377 -394.
[4]Milne R,Clarke A. Can readmission rates be used as an outcome indicator[J].BMJ,1990(301) : 1139 -1140.
[5]Chambers M A,Clarke A. Measuring readmission rates[J]. BMJ,1990(301) :1134 -1136.
[6]Gert PW,Ronald JL,Ilmo Keskimaki,et al. An international study of hospital readmissions and related utilization in Europe and the USA[J].Health Policy,2002(61): 269-279.
[7]杨 辉,Shane T.再入院:概念、测量和政策意义[J].中国卫生质量管理,2009,16(5) :113 -115.
[8]Laurie Landrum M,Weinrich S.Readmission data for outcomes measurement: identifying and strengthening the empirical base[J]. Quality Management in Health Care,2006(15) : 83 -95.
[9]周念松,张 俊,马谢民,等.北京市某三甲医院31 天内非计划性再入院研究[J].中国医院管理,2010,30(4) :18 -20.
[10]Charlson ME,Pompei P,Ales KL,et al. A New Method of Classifying Prognostic Comorbidity in Longitudinal Studies: Development and Validation[J]. Journal Chronic Disease,1987(40) : 373 -383.
[11]Deyo RA,Cherkin DC,Ciol MA.Adapting a Clinical Comorbidity Index for Use with ICD-9-CM Administrative Databases[J]. Journal Clinical Epidemiologic,1992(45) : 613 -619.
[12]罗纪琼,尤素绢.医疗总额支付制度对住院医疗品质的初步影响[J].台湾公共卫生杂志,2010,29(4) :360 -368.
[13]冯国双,陈景武,周春莲. Logistic回归应用中容易忽视的几个问题[J].中华流行病学杂志,2004,25(6) :544 -545.
[14]胡良平. 现代统计学与SAS 应用[M].北京: 军事医学科学出版社,1996.199-214.
[15]Soeken KL,Prescott PA,Herron DG,et al. Predictors of hospital readmission: a meta-analysis[J]. Eval Health Professions,1991(14) : 262 -281.