基于EMRS的医疗风险预警模型的建立

武芳 龙华 伍祥林 肖华成

医疗风险是指患者在医疗实践过程中可能面临的、不确定的、可测的一切不安全事件，包括并发症、不良药物反应、医疗差错、医疗意外等[1]。医疗风险预警是对可能发生于诊疗过程中的危机和风险进行提前预测和管理的一种战略性管理手段[2]。近年来，医院信息系统（hospital information system，HIS）发展迅速，为大部分医疗机构信息系统的运行提供了医院管理相关的海量数据，李扬等[3-4]学者已提出在HIS平台上通过医疗机构信息化解析，把数据挖掘理论和医院信息系统数据库相结合，构建医疗风险预警与医疗质量控制模型。但是目前大部分信息系统主要支持财务管理与统计运用，缺乏管理决策支持和系统控制功能的有效嵌入，对于管理决策、质量控制与风险预警的实际支持作用有限。随着信息技术在医院管理中的应用越来越广泛，它能够及时有效地帮助管理者采集数据，对全院的医疗质量指标进行监控，为医疗管理者提供参考。因此，基于现代信息技术建立医疗风险预警模型，通过模型预防或减少医疗风险，同时，对提高医疗质量，提升患者满意度也具有重大意义。本研究在医院电子病历系统（electronic medical record system，EMRS）基础上，利用现代化的数据挖掘技术，通过专家调查、层次分析等方法筛选风险预警指标体系，结合医院实际工作，实现对医疗风险的实时预警。

1 EMRS的优势

电子病历贯穿于整个医疗过程之中，完整集中地记录和反映了各医疗指令的执行结果，它能最大程度地与医院各临床信息系统集成，从医院信息系统中调用患者基本信息、医嘱信息，将临床实验室报告系统（laboratory information management system，LIS）、医学影像诊断报告系统（picture archiving and communication systems，PACS）等数据直接回写到病历中，并用于诊疗中的各个环节，方便了不同科室之间的资源共享，是医院信息系统的核心[5-6]。随着信息系统的改造升级以及数据挖掘技术的应用，更多的医疗质量指标、风险指标可以自动获取，为医疗风险预警体系的探索研究提供了数据支持，使建立基于电子病历平台数据的医疗风险预警体系成为可能。

2 医疗风险预警指标的建立

2.1 德尔菲法筛选指标

通过在中英文数据库、国际卫生机构网站、灰色文献数据库以及Google、百度搜索引擎等检索医疗风险（medical risks，the medical risks）、 风 险 管 理（risk management，the risk management）、风险预警（risk early warning，risk warning）、指标体系（indicator，index）、数据挖掘（data mining，the data mining）相关的5大类词汇，收集关于引起医疗风险的因素，同时从重庆市某三甲医院各科室抽取专家，科室专家均为副高以上职称，从业年限均在10年以上，发放关于医疗风险的问卷调查，并进行专家访谈，最后收集可能引起医疗风险的指标运用德尔菲法（Delphi method）进行筛选。

本次共发放问卷40份，采用电子邮件分发与收集的方式，避免集中访问中因相互认识或交谈等影响判断。若对同一指标专家的认同率在90%以下，则需进行第二轮指标认定，最后经过三轮反复的分析与判断确定了4个一级指标，包括患方基本情况、疾病信息、质量指标和管理因素；13个二级指标，包括基本信息、费用风险、患方因素、疾病评估、确诊情况、医疗相关、不良反应、并发症、非预期重返、其他指标、沟通因素、服务行为和主观评价；40个三级指标，包括年龄、性别、文化程度、区域来源、身体素质、医保类型、付费方式、缴费情况、经济状况、患方配合程度、患者心理素质、对诊疗认可度、患方结果期望、患者类型、入院病情、预后评估、疾病诊断、确诊日期、压疮、跌倒、麻醉伤害、医疗差错、药物不良反应、输血不良反应、输液不良反应、非计划再次手术、医院感染、术后并发症、其他并发症、非预期重返住院、非预期重返ICU、术前平均住院日、术后48 h死亡、医生劳动负荷（管床数）、医患沟通及时性、医患沟通有效性、患者隐私保护、医护人员服务态度、患者满意度和医护主观评价情况。问卷回收率95%。

2.2 层次分析法量化指标

层次分析法（analytic hierarchy prcocess）是由匹茨堡大学萨蒂提出的一种适用性较强的综合评估方法[7-9]。它不仅能够吸收评估专家的定性分析和逻辑判断，还能够通过一致性检验保证将评估结果的不确定因素减至最小，并能够克服评估专家在分析过程中出现的逻辑判断失误。

2.2.1 指标权重的确定 对二级指标分别进行两两比较Ui、Uj，按照9分位比率排定各评价指标的优劣顺序，构造矩阵。其中aij有 9种取值，分别是 1/9，1/7，1/5，1/3，1/1，3/1，5/1，7/1，9/1，代表重要程度逐渐增加，然后利用几何平均法求得权重向量Wi，并进行一致性检验。

2.2.2 风险预警模型的建立 根据风险预警指标权重建立风险评估模型公式，其中R为风险值，Wi为指标权重，Pi为各指标评估值。

2.2.3 风险指标值的评估 二级指标值评估，主要通过对三级指标赋值来进行计算，入院时由管床医生对患者情况进行评估。根据文献研究[10-15]和医院实际调研情况，建立医疗风险评估的三级指标评价体系。大部分数据可直接从医院电子病历系统（EMRS）、医院信息系统（HIS）中自动获取，包括患者的姓名、性别、年龄、职业、医保类型、付费方式、缴费情况（足额缴费、欠费低于500元、欠费低于5 000元、欠费5 000元及以上）、患者类型（健康体检、慢性病患者、非手术患者、手术患者）、入院病情（一般、急、危）、疾病诊断（诊断明确、较明确、需进一步检查、很难明确）、确诊日期（当日确诊、3 d内确诊、7 d内确诊、未确诊）、压疮（无、有）、跌倒（无、有）、麻醉伤害（无、一般伤害、严重伤害）、医疗差错（无、一般差错、严重差错）、药物不良反应（无、一般反应、严重反应）、输血不良反应（无、一般反应、严重反应）、非计划再次手术（无、简单非计划手术、严重非计划手术）、医院感染（无、有）、术后并发症（无、一般并发症、严重并发症）、其他并发症（无、一般并发症、严重并发症）、非预期重返住院（无、有）、术前平均住院日（3 d内、3～5 d、5 d以上）、医生劳动负荷（管床5人以下、5～10人、10人以上）、患者检查检验危急值、呼吸机监测数据等客观性评价指标。少部分数据则只能由医生手工录入，包括医院信息系统未采集的和主观的评价指标，如文化程度（文盲、高中及以下、大专及本科、硕士及以上），经济状况（很好、较好、一般、差）、患者身体素质（很好、较好、一般、差）、患方配合程度（很好、较好、一般、差）、患者心理素质（很好、较好、一般、差）、对诊疗认可度（高、较高、一般、差）、患方结果期望（无所谓、一般、较高、高）、医患沟通及时性（很好、较好、一般、差）、医患沟通有效性（很好、较好、一般、差）等。

然后根据指标情况进行评分赋值，最后将评估值录入到风险预警模型中。各指标部分赋值情况见表1。

表1 患者部分三级指标赋值情况

2.3 风险预警的实现

将风险预警模型与信息技术相结合，由软件编程人员利用Visual Studio.NET、SQL Server、ASP.NET等相关软件和编程技术将风险预警模型编写到信息系统中，并将风险值R划分为4个风险等级予以颜色显示，即无风险（R≤60）显示绿色、低度风险（60＜R≤80）显示蓝色、中度风险（80＜R≤90）显示黄色、高度风险（R＞90）显示红色。当系统上显示相应的颜色时，医生内部系统将自动弹出并提示，相应的管床医生或者医院管理者采取措施并积极改进。

3 讨论

近年来，国内有关医疗风险防范、医疗风险预警、预警系统等研究成果明显增多，但大多数研究还停留在宏观层面上，对医疗风险预警机制的应用研究还较少，且大多数风险预警研究对医院信息系统数据的利用度不高。如：黎静辉[16]基于HIS系统数据设计医疗风险预警模型，利用大部分患者基本信息，但缺乏电子病历、检验检查等其他海量数据，不足以支撑风险预警的精准性。归纯漪等[15]研究公立医院医疗风险预警及规避机制，从宏观方面解读如何预防和规避医疗风险，没有实质的数据支撑。朱骄锋等[17]基于商业智能技术建立医疗风险预警评估模型，其适用性还有待验证。吴业帆等[18]将风险预警系统用于某儿童专科医院术后并发症的干预效果评价，进行了难能可贵的实战探索。

文章另辟蹊径，首先运用科学的方法，分别从患方基本情况、疾病信息、质量指标和管理因素等4个维度构建医疗风险预警指标体系，挖掘平时无法评估的定性指标进行定量处理，建立及时、有效、简单、实用的医疗风险预警模型。其次，指标体系不仅仅利用HIS系统的基础数据，还扩展到LIS、PACS、EMR等信息系统，利用患者就诊的全量数据。再次，利用先进的数据挖掘技术，将医疗风险预警模型与信息系统相结合，建立数学模型，通过信息化技术转化为智能预警模型，实时预测医疗风险，为医院风险管理提供系统、科学、合理的建议，到达预警目的。

综上所述，文章在医疗风险预警的探索有其独到之处，充分利用医院的信息系统和先进信息技术，构建一套医疗风险预警指标体系，可供其他医疗同行参考。另外，通过患者就诊海量数据进行风险预测，预测精准度较高。但文章仍存在诸多不足，如预警指标可能不够全面，定性指标较多，与信息系统的整合还需加强。医疗风险预警指标的部分评估值由管床医生评分录入，虽然为定量评分，仍存在一定的主观性，无法真正做到客观。此外，预警模型数据指标仅来自一家医院，无其他医院相关数据，模型的共享性有待进一步验证。