想要挖掘醫療大數據價值？這些實用方法你得get！

在中國，醫療數據的傳統來源主要是醫院診所等醫療機構。醫療信息化在中國已經熱鬧了十餘年，眾多醫療機構都配置了醫院管理信息系統（HMIS：Hospital Management Information System，）和臨床信息系統（CIS：Clinical Information System，）。HMIS和CIS的各個模塊中都沉澱了大量醫療數據。診療數據、用藥數據、醫學檢驗結果數據以及費用數據都已比較常見。隨著技術進步，新的數據源也不斷出現，比如基因檢測數據。

雖然醫療數據源越來越豐富了，但目前有價值的應用仍然很有限。這當中最主要的原因或許是公立醫院的數據基本不開放不兼容，而大多數醫療服務類創業企業只能積累一些非核心醫療數據。

對公立醫院來說，雖然醫保處和績效處會有一些數據分析，但總的說來不大重視挖掘醫療數據；而對於醫療服務類創業企業來說，雖然幾乎家家談起其商業模式時，都少不了「對大數據的挖掘和應用」這條，可是實際上所謂數據挖掘和應用往往還停留在簡單分析心率/血壓/血糖等指標或統計一下鍛煉頻次/強度，離提升醫療質量和效率這一目標還比較遠。不過，近年來資本大舉進入醫療服務行業，一批創業企業開始直接辦診所開醫院，SaaS 模式的診所管理系統也開始流行。期待這些變化能有力促進醫療數據的深度應用。

與中國醫療服務機構形成鮮明對比的是，許多美國醫療服務機構都設有龐大的數據部門。這背後最大的動力是美國正在進行的支付方式改革：從傳統的按量付費轉變為按價值付費，即基於醫療服務為患者和社會創造的價值來付費。一方面，價值需要用所服務人群的詳盡數據來證明；另一方面，按價值付費這種模式對醫療服務機構的精細化管理水平也提出了更高的要求。正因如此，醫療數據的挖掘和分析幾乎已經成了美國醫療服務機構的必修課。

美國醫療服務機構常用的數據分析方法有如下三種。

描述分析（Descriptive Analytics）：是醫療服務行業中最常用的數據分析方法，主要用於反映和剖析已經發生的事實。比如說，分析某些患者使用的藥物以及治療的效果。

預測分析（Predictive Analytics）：根據歷史數據判斷出模式，並預測未來的結果和趨勢。比如說，如何判斷出哪些患者是高風險患者並相應進行預防和干預。

指導分析（Prescriptive Analytics）：基於已有數據，總結及建議一種或多種決定或行動方案，並提供每種決定或行動方案可能的結果。在醫療服務行業中，指導分析常常用於臨床決策支持。

通過以上的這些數據分析方法，醫療服務機構能夠監控、記錄、衡量、分析和管理醫療服務的流程和結果。比如，比較不同醫療機構的服務質量、對患者進行分型管理、設計和調整診療路徑等等。

來自Allina Health的真實案例：運用預測分析工具降低再入院率

為了更好的了解美國醫療服務機構如何通過醫療數據分析創造價值，我們來看一個實例，位於明尼蘇達州（Minnesota）雙子城（Twin Cities）的Allina Health。

AllinaHealth是雙子城地區最大的醫療集團，擁有11家醫院，60家診所，15家社區藥房，4家門診中心，年收入超過30億美元。

AllinaHealth的醫療數據挖掘之路始於其2004年的醫療信息化建設。這一年，Allina Health為其下屬的全部醫療機構配置了先進的醫療信息系統，給每一位患者建立了電子病歷。到了2008年，Allina Health已建立起由近20名數據架構師、數據分析師組成的數據部門，並擁有持續更新的企業數據倉庫（EDW：Enterprise Data Warehouse）。EDW中存儲的數據均為已清洗數據。

由於患者短期（1至3個月）內反覆再住院會導致醫療費用的顯著增加，而這種再住院很可能是可以避免的，在美國，考核醫療機構的關鍵指標是再住院率。

2012年開始，美國醫療保險和醫療補助服務中心（CMS: Centers forMedicare and Medicaid Services）設置了專門的降低再住院率項目 (HRRP：Readmissions Reduction Program)，將各家醫療機構的再住院率與全國平均值進行比對。再住院率過高的醫療機構將面臨包括降低醫保報銷額在內的一系列懲罰。為了降低再住院率，Allina Health的數據部門制定了名為Tackling Readmissions的項目計劃（下稱TR項目）。

TR項目主要分為兩部分。

1.識別再住院風險高的患者

通過運用預測分析方法挖掘過去兩年積累的約18萬名住院患者的數據，TR項目建立了可自動為每位患者計算再住院風險分值（Readmission Risk Score）的再住院預測模型（ReadmissionPredictive Model）。該模型包括了個人數據和臨床數據這兩大類變數，數據維度高達數百項。每位住院患者的電子病歷里都包含了其再住院風險分值。依據再住院風險分值的高低，Allina Health從本年度的15萬名住院患者中識別出約8000名再住院風險高的患者。

2.為高風險患者提供更多支持從而降低其再入院的風險

AllinaHealth為再住院風險高的患者分批安排了交接會議（Transition Conference），希望通過優化協調院內治療與出院後的隨訪和康復來降低其再入院的風險。

交接會議是由醫護人員與患者及其家屬進行的特別會議，主要內容有：梳理患者下一階段的隨訪和康復所需資源、組織協調下一階段的隨訪及康復安排、培訓患者及其家屬。對有需要的患者，Allina Health還會提供監控設備、上門隨訪等資源支持。

通過挖掘自身醫療信息系統積累的數據，Allina Health得以把有限的醫療資源分配給更能產生價值的患者身上。TR項目的成果非常可喜：第一批獲得交接會議支持的患者有800名，他們的再入院率平均降低了約15%。

羅敏月，美國達特茅斯學院塔克商學院（Tuck School ofBusiness at Dartmouth）MBA，現於強森醫療集團擔任COO。

作者 | 羅敏月

點擊播放 GIF/12K