论文部分内容阅读
目的:了解CHS-DRGs分组方案的具体流程及评价指标,探索建立系统的DRGs细分优化方法,为本地化DRGs分组器的研发提供参考依据。明确DRGs分组器在医疗单位绩效评估中的应用途径,为医院精细化管理提供新的思路。方法:基于CHS-DRGs指导方案,对本院住院患者中MDCC及MDCK两个MDC相关病例进行ADRG基本组划分,利用CV、RIV值筛选需细分的ADRG组。基于多重线性回归模型筛选严重CC类别,并计算患者CCI,利用数据挖掘技术进行影响因素分析,以结果中重要性较高的因素为输入变量,住院费用为输出变量,建立CART及CHAID决策树分组模型,评估细分后分组方案的优化效果。通过综合指数法进行相关科室绩效评估,利用DRGs相关指标(DRGs组数、总权重、CMI、费用/时间消耗指数)评估各个科室在服务能力及效率维度上存在的差异。结果:1、ADRG组划分结果中,MDCC及MDCK中均有4个ADRG组住院费用CV值大于0.8,占总ADRG组数的比例分别为25.00%、30.77%,费用CV值最高的ADRG分别为CW1(各种类型白内障)、KF1(因内分泌、营养、代谢疾患的植皮和/或清创术),综合考虑对整体方案的优化效应,最终选择白内障(CB3+CW1)及糖尿病(KS1)患者组作为DRGs细分研究对象。2、白内障及糖尿病患者住院费用中占比最高的分别为材料费(55.02%),诊断费(46.5%);白内障患者的严重CC类别共12种,糖尿病患者共64种;三种数据挖掘回归模型中,ANN及LSVM的预测效果较好,白内障患者共筛选出晶体类别、手术个数、CCI等五个重要影响因素,糖尿病患者共筛选出年龄、CCI、是否告病危/病重等六个重要影响因素;CART及CHAID决策树模型中,CART模型相关系数更高,费用预测更准确,白内障患者共形成9个DRG组,糖尿病患者共形成7个DRG组,RIV值分别为74.65%、62.01%,所有DRG组CV值均小于0.7。3、经DRGs相关指标评估,眼科一的医疗服务能力及效率均高于眼科二,内分泌科室中,老年内分泌的医疗服务效率最低,草堂内分泌的医疗服务能力最低。结论:结合多种数据挖掘模型能避免分析方法单一造成的偏倚;CART决策树模型可作为DRGs分组器建立的有效手段;白内障及糖尿病患者费用变异程度较高,建议在本地化DRGs分组方案中适当增加细分组;DRGs可作为绩效管理的有效工具,增强医疗服务单位间的可比性,督促医护人员提升服务质量。