基于医疗大数据的抗菌药物合理使用分析方法探讨与实践

□ 谭明明 TAN Ming-ming 付凌萌 FU Ling-meng 马黎 MA Li 张国兵 ZHANG Guo-bing 钱莎莎 QIAN Sha-sha

抗菌药物合理使用是一个影响患者安全且日益严重的全球性公共卫生问题[1-2]，在中等收入国家和低收入国家尤为明显[3]。不合理使用是造成抗菌药物耐药性的最重要原因。有研究预测，如果抗菌药物耐药性问题得不到缓解，到2050年由耐药性引起的死亡人数将达到1000万人/年，全球GDP将下降2.5～3%[4]。抗菌药物的不合理使用除了导致抗菌药物耐药性问题，还会引起药物不良反应[5]。我国是抗菌药物的生产和消费大国，为加强医疗机构抗菌药物临床应用管理，规范抗菌药物临床应用行为，提高抗菌药物临床应用水平，促进临床合理应用抗菌药物，国家卫生行政部门制定了一系列管理方案并自上而下地持续推进方案的落地。2012年，原国家卫生部颁布了《抗菌药物临床应用管理办法》，该部门规章分六大部分共五十九条对医疗机构抗菌药物合理使用做出了详细规定[6]。2016年，国家卫生计生委联合相关部委发布了《遏制细菌耐药国家行动计划(2016—2020年)》。该《行动计划》充分整合了大健康理念，除采用阶段化的设计理念对行动目标和主要措施设定外，还就各项保障措施予以明确，从制度上保证了耐药控制的成效[7]。2019年，国家卫健委正式启动《国家三级公立医院绩效考核》[8]，抗菌药物使用强度被列入国家监管考核的26项指标之一，并做出“同比持续下降”的明确要求。

作为国家现代医院管理制度试点医院，根据卫生健康行政部门的要求和实际诊疗抗菌药物合理使用的需求，我院自2009年起便开始执行抗菌药物分级管理制度，组建专家组定期评价医院抗菌药物的合理使用情况[9]。通过信息化改造，实现抗菌药物的权限管控、用前审批、节点监管、事后点评的全流程闭环管理。在前期管理的基础之上，本研究通过融合医疗大数据，采用三种分析方法从三个互补的视角，对抗菌药物的合理使用水平进行量化评估，为抗菌药物合理使用的可持续、精准管控提供充分必要的数据支撑。

资料与方法

1.相关概念

1.1 疾病诊断分组。疾病诊断分组(Diagnosis Related Groups， DRG)，是将住院患者按照诊疗相似性以及资源消耗相似性（即按照患者治疗方法的复杂程度、疾病严重程度、资源消耗程度）分成一定数目的疾病组[10]。本文采用浙江省卫生健康委的DRG分组算法，根据患者的主要诊断、前五位次要诊断、前五位手术或操作方式完成住院患者的疾病分组。

1.2 医疗组。医疗组是临床科室开展日常诊疗服务的最小团队，通常设有医疗组长1名(副高及以上职称)、主治医生和住院医生至少各1名。医疗组组长固定，组员根据科室安排进行周期轮转。

1.3 抗菌药物消耗量。限定日剂量(defined daily dose， DDD)，指用于大多数治疗目的药物平均日剂量。本文以世界卫生组织推荐的DDD值为基准，按照最终使用药物主要适应症剂量确定每种药物的DDD值。用药频度(defined daily dose system， DDDs)，指药物累积消耗剂量的标准化折算。计算公式为，DDDs=药物的使用总量/该药物的DDD。评估抗菌药物使用强度和水平时，会受到患者住院日的影响，随着日间患者比例增加容易造成数据上升的假象。故本研究使用DDDs分析抗菌药物消耗量，实现不同药物种类、不同药物品规之间标准化统一量纲的分析比较。

2.研究对象。为保证DRG疾病组抗菌药物使用数据的稳定性，剔除了使用抗菌药物人数小于30人的DRG疾病组及住院患者。因儿童患者使用抗菌药物的特殊性，剔除了所有18岁以下患者。最终收集到2019年1月1日至2020年12月31日期间使用过抗菌药物的345个DRG疾病组的71051名住院患者的脱敏数据。

3.数据融合。Tableau Pre提供了一种直观、直接的方式来合并、调整和清理数据，主要用于数据分析前对不同来源的数据进行预处理。其数据引擎技术Hyper，可以提高交互和流程执行速度，有效缩短数据准备流程。本文使用Tableau Pre对医院信息系统、DRG分组系统、病案首页系统的多源数据，按照“入院日期”“出院日期”“病例号”三个条件进行数据融合，构建包含有“抗菌药物”“医疗组”“疾病组”等要素的医疗大数据库。

4.分析方法。运用Excel 365进行数据清洗和标注，运用SPSS 28.0进行数据分析。使用非参数检验分析影响抗菌药物使用因素，p＜0.05判断差异具有统计学意义。使用Mann-Whitney检验进行两组数据间的比较分析。使用Kruskal-Wallis H检验进行多组数据间的成对比较分析，并使用Bonferroni法进行校正。通过计算疾病组抗菌药物DDDs的CV值，量化分析各个疾病组抗菌药物使用的规范性，CV值越大代表该疾病组抗菌药物使用越不规范。CV值计算公式为CV=σ/u，其中疾病组抗菌药物DDDs的标准差计为σ，平均值计为u。通过计算单个患者相对某一疾病组抗菌药物DDDs的Z值，所有患者的Z值计入所在医疗组后求平均值，量化分析医疗组抗菌药物使用的合理性，Z值越大代表该医疗组使用抗菌药物越不合理。Z值计算公式为Z=(x-u)/σ，其中疾病组抗菌药物DDDs的标准差记为σ，平均值记为u，单个患者的抗菌药物DDDs为x。研究资料组成与数据分析方法见图1。

图1 研究资料与数据分析方法

分析与讨论

抗菌药物是临床上常用的药物种类之一，大约30%的住院患者会接受抗菌药物的治疗，不合理使用会导致医疗成本、细菌耐药性等多方面的后果[11]。为判断抗菌药物使用合理性，国内外同行对多种评价方法[11-13]开展研究与探索。Jing等[12]通过分析抗菌药物使用率、抗菌药物使用强度、易感微生物检测率的变化来评价抗菌药物合理性；刘坤等[13]通过计算药物利用指数，探讨抗菌药物的利用情况。借鉴多方抗菌药物合理使用与管理的研究成果，结合我院DRG管理和医疗大数据应用的实践与收获，本研究创新性地通过融合DRG疾病分组数据与患者抗菌药物使用相关的诊疗数据，采用非参数检验分析、差异系数分析、标准分数分析三种分析方法，从抗菌药物使用的相关因素、疾病组抗菌药物使用规范性、医疗组抗菌药物使用合理性三个角度开展立体分析。

1.影响抗菌药物使用相关因素的非参数检验分析与讨论。以患者的药物过敏史、年龄、诊疗难度、诊疗风险、诊疗方式、手术等级对抗菌药物DDDs进行分组，见表1。诊疗方式分组原则：开展手术的患者，归入手术组；没有开展手术但有开展操作的患者，归入操作组；没有手术且没有操作的患者，归入治疗组。通过非参数检验和单因素多组数据的配对比较分析，判断各因素对于抗菌药物DDDs的影响是否存在统计学意义。通过比较单因素多组数据的中位数大小，判断该因素对于抗菌药物使用的影响程度。

表1 抗菌药物使用相关因素分组

患者个体相关因素的抗菌药物DDDs分析显示(表2)，不同的药物过敏史与年龄在抗菌药物使用上的差异存在统计学意义(p＜0.001)。药物过敏因素分析显示：没有药物过敏的患者(65297人)的抗菌药物DDDs中位数(5.35)小于药物过敏患者(5754人)的抗菌药物DDDs中位数(6.00)。年龄因素分析显示：四个年龄组的成对比较均有统计学意义。①组(18～40岁)患者(16347人)的抗菌药物DDDs中位数最低(3.75)，④组(80岁及以上)患者(9102人)的抗菌药物DDDs(7.25)最高，可能是因为80岁以上老年患者免疫力低下，感染性疾病发生率不断升高，特别是呼吸道感染与尿路感染等[14]。

表2 患者个体相关因素的抗菌药物DDDs分析

诊疗方案相关因素的抗菌药物DDDs分析显示(表3)，不同的诊疗难度、诊疗风险、诊疗方式、手术等级在抗菌药物使用上的差异存在统计学意义(p＜0.001)。诊疗难度因素分析显示：不同的诊疗难度，抗菌药物的消耗量不同，四个诊疗难度组的成对比较均有统计学意义。①组(RW＜1)患者(30997人)抗菌药物DDDs中位数最低(4.50)，④组(RW≥5.0)患者(301人)抗菌药物DDDs中位数最高(35.05)。诊疗风险因素分析显示：不同的诊疗风险，抗菌药物的消耗量不同，①组是不作并发症与合并细分的DRG疾病组，②③④组是诊疗风险逐步提升的DRG疾病细分组；随着诊疗风险的增加，抗菌药物的消耗量逐步增加；②③④组三个诊疗风险组的成对比较均有统计学意义。②组(无并发症与伴随症组)患者(34183人)抗菌药物DDDs中位数最低(5.25)，④组(有严重并发症与伴随症组)患者(13468人)抗菌药物DDDs中位数最高(6.00)。诊疗方式因素分析显示：②组(操作组)和③组(手术组)的差异不具有统计学意义；①组(治疗组)患者(22785人)抗菌药物DDDs中位数(6.75)最高，②组(操作组)和③组(手术组)抗菌药物DDDs相对较低。手术等级因素分析显示：手术等级越高，抗菌药物的消耗量越大，与彭凌等人的研究结果(手术等级是宫腔镜术后患者医院感染的危险因素)高度一致[15]；四个手术等级组的成对比较均有统计学意义；①组(1级手术)患者(1891人)的抗菌药物DDDs中位数(3.50)最低，④组(4级手术)患者(2794人)的抗菌药物DDDs中位数(10.00)最高。

表3 诊疗方案相关因素的抗菌药物DDDs分析

2.疾病组抗菌药物使用规范性的差异系数分析与讨论。CV是检验统计数据聚类拟合度的重要指标[16]。CV值分析在DRG基本分组中有所应用[16]，用以量化分析各个病种费用的差异性[17]。本研究通过计算所有DRG疾病组(共345组)的抗菌药物DDDs的CV值，评估疾病组抗菌药物使用的规范性。CV值越高表示该疾病组的抗菌药物使用规范程度越低，该疾病组的诊疗规范对于抗菌药物使用制定的过于宽泛。按照疾病组抗菌药物DDDs降序排列，选取抗菌药物DDDs累积占比前80%的疾病组(135组)按照CV值进行降序排名(见表4)。

表4 疾病组抗菌药物DDDs的CV值前十位比较

数据显示，“消化系统肿瘤不伴有极重度或严重的并发症”疾病组患者(174人)的抗菌药物DDDs的CV值(2.29)排名第一，“小肠和大肠的大手术伴有极重度并发症和伴随症”疾病组患者(151人)抗菌药物DDDs的CV值(1.78)排名第二，“小肠和大肠的大手术有并发症和伴随症”疾病组患者(255人)抗菌药物DDDs的CV值(1.54)排名第九，提示消化系统相关疾病的抗菌药物使用规范性较低。上述情况因消化道疾病多科均可收治，不同科室对于诊疗方案设计和思路不尽相同所致，应当加强多科室的诊疗规范共识，用更全面的诊疗视角来优化诊疗方案，特别是抗菌药物的使用方案。此外，肠道手术属于污染(Ⅲ类)切口的手术，围手术期为了预防和控制感染普遍会使用抗菌药物，因此开展相关治疗或手术的科室应该尽快完善诊疗规范，特别是对抗菌药物预防使用的指征和剂量的规定，进一步加强围手术期的患者感染防控和处置。

数据显示，“血象异常，不伴有极重度或严重的并发症和伴随症”疾病组患者(170人)的抗菌药物DDDs的CV值(1.55)排名第六，“淋巴瘤不伴有极重度并发症和伴随症”疾病组患者(145人)的抗菌药物DDDs的CV值(1.51)排名第十，提示血液系统相关疾病的抗菌药物使用的规范性较低。由于血液系统疾病较为复杂，患者免疫系统较为脆弱，经验性用药普遍存在。为了有效提升抗菌药物使用效果，可以综合考虑之前的抗菌药物使用史，重视患者的伴随症，制定血液系统疾病专属的抗菌药物诊疗规范。

3.医疗组抗菌药物使用的合理性标准分数分析与讨论。Z值是一种不受原始测量单位影响的数值，它是以群体的平均分数为零点，以标准差为度量单位，反映某数值在群体中所占的位置[18]。分别计算每个患者抗菌药物DDDs的Z值，并按医疗组汇总计算平均Z值。Z值越高表示该医疗组的抗菌药物使用合理性越低，表明该医疗组在抗菌药物使用上与相同疾病的其他医疗组存在较大的差异。

所有医疗组抗菌药物DDDs数据显示(表5)，X-LJ医疗组的抗菌药物DDDs的Z值(0.68)排名第一，X-YT医疗组的抗菌药物DDDs的Z值(0.29)排名第十，提示X科室的抗菌药物使用合理性较低，可以考虑组建科室抗菌药物合理使用小组，培养、邀请专科临床药师参与日常的抗菌药物管理，有效推动使用抗菌药物的合理使用[19-20]。纵向深入分析X科室两个医疗组收治的前十病种的抗菌药物DDDs的Z值(表6)，发现“呼吸系统感染/炎症伴有重度或中等并发症和伴随症”疾病组的Z值都是各自医疗组最高的，X-LJ医疗组的Z值(1.73)远高于X-YT医疗组的Z值（0.68）。其余病种（血象异常、白血病）的Z值同样也是X-LJ医疗组高于X-YT医疗组。提示同一科室的X-LJ医疗组就上述疾病组而言，使用抗菌药物较为不合理。进一步开展跨科室的相同疾病组不同医疗组的抗菌药物DDDs分析，以“呼吸系统感染/炎症伴有重度或中等并发症和伴随症”疾病组为例（表7）。发现X科室三个医疗组(X-LJ、X-QM、X-YT)的Z值(1.73、0.83、0.68)依次排名全院前三，H科室三个医疗组(H-SM、H-RZ、H-SF)Z值(-0.13、-0.14、-0.19)明显低于其他科室。表明X科室的该疾病组的抗菌药物合理使用存在较为严重的不合理性，可以考虑邀请H科室从专科的角度牵头制定多科室的呼吸系统相关疾病的抗菌药物使用规范，有效提升该疾病的抗菌药物合理使用水平。

表5 医疗组抗菌药物DDDs的Z值前十位比较

表6 X-LJ与X-YT疾病组抗菌药物DDDs的Z值前十位比较

表7 “呼吸系统感染/炎症伴有重度或中等并发症和伴随症”疾病组抗菌药物DDDs的Z值前十位医疗组比较

成果与思考

1.现有的成果与应用。抗菌药物合理使用一直是医方、患方、政府、资方共同关注的医疗热点领域。本文创造性地融合多源数据，构建了包含“医疗组”“抗菌药物”“疾病组”等要素的医疗大数据库，使用三种数据分析方法，针对不同维度抗菌药物合理使用的情况开展精准分析(图1)。通过71051患者的数据分析，得到了一些关于抗菌药物合理使用的新发现和新思路。除了传统的单独比较抗菌药物消耗量绝对值的大小，利用DRG疾病组和抗菌药物使用大数据，开展以疾病组、医疗组为单位针对性地开展抗菌药物合理使用管控和持续改进。针对抗菌药物DDDs的CV值较大的疾病组，通过多科共识的方式修订院内的该疾病组抗菌药物使用规范并完善对应临床路径中相关医嘱及权限。针对抗菌药物DDDs的Z值较高的医疗组，加强相关人员抗菌药物合理使用培训、考核、调整抗菌药物使用权限。本文的多源数据融合思路和数据分析模型可在相关医疗机构进行转化，通过接入各自的DRG分组数据和抗菌药物DDDs数据，构建属地化的抗菌药物大数据库，搭建专属的交互分析模型，生成个性化的结果，提供抗菌药物管理的量化数据支撑。

2.未来的思考与拓展。本文对原始的抗菌药物DDDs进行研究和分析，下一步计划在“多因素变量校正”“数据按需精准拆分”“自建抗菌药物疾病分组”三个方面进行探索和研究。通过引入患者平均诊疗难度、患者诊疗难度相对权重之和等数据作为校正因子，开展相似诊疗难度下的抗菌药物合理使用分析。以关键诊疗(如手术前后、转科前后等)为节点，对抗菌药物累积消耗量数据进行拆分，实现相似诊疗环节下抗菌药物合理使用的分析。以国家公布的376个核心DRG疾病组为基础，通过计算抗菌药物消耗量CV值，以CV值小于1作为细分组入组条件，构建抗菌药物消耗量DRG细分组。如相关政策和医院允许，可以联合建立多家医院的抗菌药物DRG细分组，实现不同医院间相同疾病组的抗菌药物合理使用对标分析和改进。