美国医院大数据看病实践研究

从2012年开始，美国医保只为三类疾病的患者提供30天内二次入院免罚，这三类疾病包括：心力衰竭、心脏病发作以及肺炎。此外选择性髋关节与膝关节置换术和肺病患者也同样免罚。其他疾病患者在30天内二次入院都会造成医保赔付额度下降，这样的处罚足够让医疗机构负责人头皮发麻。

2610所医院明年的医保赔付额度将会降低，他们要为二次入院付出沉重代价。去年，几乎18%的住院医保患者在一个月内二次入院，虽然比例降低，但这仍然涉及了两百万人次患者以及260亿美元住院费用。报告分析认为，其中有170亿美元来自潜在可避免的二次入院患者。

医院现在被迫关注患者出院后的情况，许多医院在尝试用先进技术改善患者出院后的跟踪随访。匹兹堡大学医学中心(UPMC)Todd Pollock 表示：“我们正努力探索如何对紧要患者定向干预。”当患者尚在医院病床上时，区别就已经开始了。

住院患者综合分析项目：筛选目标患者

UPMC从电子病历中提取信息计算风险评分，这些信息包括临床数据、检验数据等。然后患者基于风险评分被分类，分为二次入院低风险、二次入院中度风险以及二次入院高风险人群。

迄今为止，用这种方式处理信息被证明比“随意掷币略胜一筹”。然而，从UPMC健康计划中添加门诊患者数据能够帮助提高其性能。Pollock说：“使用这两套数据能让你更加提高二次入院高风险患者的预测准确性。”UPMC保险业务分部首席分析员、医学博士Pamela Peele 表示，UPMC对两百万会员健康计划拥有整合的交付与财政系统，所以在住院患者方面，他们有能力看到UPMC环境中的治疗过程，以及规划中的护理支出计划。

如果会员今天入院，健康计划就能预计该会员再入院的可能性。她表示：“我们正在利用患者过去的医疗服务消费情况来预测再入院可能。这在行业内是个不同寻常的模式。”

当患者正在走出院手续，治疗管理系统现在就有两种来源的信息。Peele说，看似不同的模型表现同样优异，如果医院模型说患者风险很高，“我们要对这些人引起注意，并调动我们的资源为其服务。”

Pollock表示，健康计划把用于将高风险评分的资源转化为服务，医院着手强化干预的试点项目，项目包括出院电话随访、强化协同用药、确保患者能负担药物并理解出院指导。

Pollock表示，决定试点项目的根本原因是这一项目能帮助UPMC整合“患者得到的服务”。“我们需要些确定的经验来改善这种治疗模式的转换。我们三分之一的患者七天之内又回来了。我们正使用新术语‘失败转换’，来摆脱‘二次入院’，。”

Peele表示，他们已经了解到出院后的跟踪随访是至关重要的。“谈及再入院率，那些出院后立马获得跟踪服务的患者相比那些没有被跟踪的患者来说，显然存在非常明显的区别。”UPMC正在对跟踪的最佳时机进行建模。结果显示患者是否在五天之内获得跟踪服务，能影响再入院率。“我们将此信息推送给下属医疗机构，因为出院计划能关注促使患者回到医院随诊。”健康计划将此视为一项质量标准。

心力衰竭项目：试点驱动增长

伊利诺伊艾文斯顿北岸大学健康系统也进行了降低再入院率的预测分析试点项目，其临床分析团队的规模从3到18人不等，项目的成功很大程度上得益于其心力衰竭再入院项目的成功。临床和治疗信息学副总裁及副CMIO、医学博士Ari Robicsek表示“我们感觉通过更好的使用分析，投资真正有了回报。”

Robicsek表示，项目经理是昂贵且有限的资源，其健康系统倾向于以更有效的方式锁定干预。“我们只能为小部分患者做非常全面的病历管理，所以希望能物尽其用。”预测分析能非常有力的指引我们锁定目标个体——即那些高应用者。

北岸过去每年都花费100万来为每位患者测试金黄色葡萄球菌抗药性。在不损害患者安全的情况下，仅仅通过运用预测建模就能知道哪些患者不需要测试，而费用能减少一半。

北岸为心力衰竭患者创建了初始模型，是按照风险级别最高那个象限的患者数据进行患病风险分级。经过几个月的模型测试验证，Robicsek 说：“我们识别了影响心力衰竭的好几百个变量，然后将选择了35个，运用逻辑回归技术建立了试点预测模型。”

该测试模型将患者患病风险分为四级，第一级患者风险最高。验证该模型经历了数月，其间并未用积极干预来改变结果，显示低风险患者再入院率为12%，中度风险为16%，高风险为33%。

应用测试模型期间，患者数据每天进入EMR，再经由预测模型工具做每日风险计算。北岸也安装了警报系统——每天早晨为参与试点各部门人员发送电子邮件。电子邮件将每位住院的心力衰竭患者标记为高、中、低度风险。临床工作人员再根据风险分级干预患者每日的医嘱，并决定出院后合适的干预措施。

北岸患者群体风险预测最重要的变量是先前入院次数、药物治疗次数以及种类，还有几类检验结果。“在目前的模型中，并发症在最终变量清单上并未出现，但对其他科室来说，这个变量可能是重要的。”

除了心力衰竭再入院项目经验，北岸对不断加强分析的能力，因为他们早先发现，该模型在普通人群中也表现良好。“我们为之兴奋，每天早晨都能为医疗机构发送高风险患者清单信息。”医疗机构会确保这些患者能得到数次干预，包括在出院前跟社工、职业治疗师、理疗师、药剂师以及心脏病学家沟通。

跟踪这些干预数月后，他们发现只有15%的高风险患者得到了完整的正确干预。Robicsek表示，该团队重新研究了全过程，并了解到是“工作流程整合太差劲。”

首先，高风险患者清单大约在上午九点到达医疗机构，而查房始于七点，所以清单没用上。供应商希望信息整合进EMR。“这引导我们着手一系列项目，我们发现从预测模型中获取数据的方法，建模引擎不在电子病历系统中。它在医院数据中心，这里更适合这种复杂计算。”

他表示，最重要的是搭建数据中心到电子病历的桥梁，用以提供数据。每位患者都有风险评分图表，使用患者列表就能访问。涉及患者治疗的任何临床医生都能看到患者的风险评分，促使他们为高风险行列的患者提供更多关注。

Robicsek说，其结果就是心力衰竭患者再入院率大幅下降。有个医院本可能进入罚款行列，但现在安全了。“真的，对于我们开始在众多领域开始的一系列预测建模来说，该项目具有里程碑意义。”

北岸为连接其报表工具也建了不同的网桥，允许用户搜索达到一定标准的患者。“这是非常简单的功能，但是我们能基于建于EMR之外的复杂预测模型创建一份报告。”这种网桥被安装在项目经理工作流程中，同时也帮助他们联系来年可能住院的高风险患者。

Robicsek表示其健康系统信息技术出台了大量规范，所有都向后连接在EMR报告工作台。“我们创建了一种回路，从EMR出来的信息被用作分析，结果又反馈到EMR，因此EMR能为模型提供更多信息。”

慢性阻塞性肺病(COPD)项目：将数据化为行动

哈里斯堡PinnacleHealth系统首席医疗官、高级副总裁George Beauregard表示，医院在2013年中开始了预测分析之旅。“平价医疗法案颁布的责任医疗要求，真的需要更深层次的利用和分析数据，我认为这使得将数据化为行动势在必行。”

因为该机构慢性阻塞性肺病(COPD)的二次入院率连续几年居高不下，医院承诺要将预测分析转化成行动能力。现在再入院处罚开始实施了，“我们有更多动力变得更加主动，并调查使用技术平台来自助。”

该机构在六月开启COPD二次入院试点项目，实施范围非常有限，仅一个护理室，用于确保机构完全理解工作流程以及所有下游效应。另外，他们想确保预测能引发相应行动。“如果你不利用预测做任何事，它就毫无价值。你必须整合预测与干预，反馈到系统和工作流程，这才是应用趋势预测的根本目标。干预必须第一时间与二次入院原因分析联系起来。

当COPD试点仍在早期阶段时，Beauregard说PinnacleHealth也在探索心力衰竭模型。他们组建了另外一个不同的临床团队。“我们得保证能同时运转几个模型，每个模型处理一些繁重且不同的临床状况。”

慢性阻塞性肺病(COPD)项目建模包含了很多变量，包括社会经济学变量、临床变量、看病史和住院次数等。有些变量在预测方面更有价值。该模型接受来自PinnacleHealth住院患者EMR的所有临床信息，涵盖当日入院诊断为COPD、零点前住院的每位患者。模型预测他们再入院的高中低风险度，也预测住院时间以及下次恶化的间隔时间。

Beauregard表示，现在虽然不能立即实现，但目标是该报告能生成并自动嵌入EMR，目前暂时还是纸质报告记录患者数据。这种模型预测、患者人口统计、病历中的干预清单以及自动报告与报警理念正是理想的目标模式，但他表示“我们还没达到。”

干预是重要的，因为存在很多不同模型，各具优劣。不是所有模型都能捕捉非结构化数据，像患者在家是否得到良好支持，这类信息在可开采数据领域并非必须记入EMR。

电子病历是分析基础

Beauregard表示，健康IT市场充斥着大量不同的预测分析模型，各有优劣。“拥有专利资源，这样你能理解模型是如何运作的，我们感觉这是需要医生理解的重要东西，是落地的决定因素。”其他人依靠的是统计方法或微分方程。“这是快速发展的领域，而在其他部门早已使用，在医疗方面却落后了。”

Peele表示，医疗保险和医疗补助服务(CMS)中心“已经动用白宫来改善医疗，这点值得肯定。”该机构的授权有助于预测模型市场的增长。模型对数据要求高的确是一大挑战，而大多数机构数据整理不够好。例如，用于健康计划的数据并未用来发展预测模型而是用来结账。

她表示，索赔数据的第二用途经常被质疑。“人们会告诉你索赔数据是卑鄙的，索赔数据并不卑鄙，而是物尽其用。”在其他用途使用它们比较困难，用户必须理解数据如何生成以及所有细微差别。“如果你没有具体理解，你创建的模型也是没有效果。”

目前可用工具的另一担忧，即信息是如何反馈到临床医生那里的。如果用户须到医院的网站寻找信息或其他东西，他们就会嫌弃。Pollock 说：“如果我们不能将风险信息整合进EMR，我们甚至不愿交流。”

怎么开始？

医疗机构并不需要为选择供应商烦恼。Pollock说，有EMR的机构可以这样开始，即“利用现有资源，不要尝试创造需要实施的新领域。”他建议可以从结构化信息开始，有很多可用工具来帮助提取结构化和非结构化数据。

Peele表示，错误的搞法就是认为必须花高价买进新产品，然后再花18-24个月来安装。“不需要花费上千万。我们现在用的模型就是发表于美国医学会杂志上的，利用已有资源就ok了。”

Robicsek也同意这种说法。“你并不需要昂贵的预测分析，你也许更擅长其他事，不用预测分析也可以提高效率。”例如，你的临床医生几点才能准备好患者出院所需的服务?这不用预测分析也能识别。

他可以同时建议机构先组织和清理数据，完成基本的数据存储，然后组建数据挖掘的团队。“之后你就能开始建模了。”

Beauregard表示，再入院患者只可能增加，这是全国医疗机构面临的普遍挑战。“所有人都必须考虑如何更加主动的预防再入院。有经验的伙伴也要谨慎推进，勤练手才能做得更好。”再入院数永远不可能为零。问题在于哪种再入院率在临床上是合理可行的。“预测分析最大的价值更多的来源于疾病预防或延缓恶化，确实要改进患者情况，这是试点项目的第一目标。”

Peele说，随着医疗机构逐渐了解重组工作流程，他们就停不下来了。处罚是变革的原动力，随着时间推移会变得愈加重要，而医院不会再退缩。

关于BI在二次入院中的应用研究

患者二次入院问题对医生和医院管理者来说，无疑是最前沿的，也是研究的新领域。现在市面上大多数产品都是由索赔数据驱动，且表现欠佳。在之前参与的心脏病二次入院分析项目中，布朗先生找到了一种方法，这种方法可以为医疗机构提供二次入院的预测能力。随后，他把这种方法植入新的Dartmouth Atlas再入院研究项目。

Dartmouth Atlas再入院研究项目旨在“努力发现EMR或患者生物学中的其他模式或特征，通过观察异常的生物标记去尝试识别可能影响再入院率的相关因素。终极治疗模型应由计算框架、分子生物学以及治疗强度等三类健康系统标识组成。

原文标题：Reducing Readmissions: Can Predictive Analytics Help Lower Patient Returns?

原文作者：Beth Walsh

译：付勋艳

医谷+

大数据在治病过程中的应用，其实就是通过建模和数据的积累来推测最可能出现的病症及反应，从而进行干预和治疗，就好比我们总喜欢找知名专家和老医生看病，就是因为他们看的病人多，积累了丰富的治疗数据和建模经验，所以未来医院中必然会存在一台极强大的治疗数据分析电脑，我们也可以称之为机器人医生，具体可以参阅《美国安德森癌症中心的“登月计划”：机器人沃森医生》。

来源：中国数字医疗网