作者：方良欣 王淑平 邓群娣 何秋苑
【摘要】 西方发达国家普遍采用疾病诊断相关分组（DRGs）进行医疗保险支付，从而促进有效平衡卫生资源的分配。鉴于我国医疗系统的复杂性，只能够通过多次小范围进行探索性尝试，才可以逐步推行DRGs系统。本文首先引入疾病诊断相关分组的思想，简述疾病诊断相关分组对我国医疗卫生事业的正面和负面影响。然后通过对本院子宫平滑肌瘤手术的病例进行数据分析，通过神经网络算法得出采用疾病相关属性测算住院费用的数学模型。
【关键词】 疾病诊断相关分类系统（DRGs) 相关属性 神经网络 数学模型
【Abstract】 Objective It is popular for hospitals to adopt Disease-related groups system (DRGs) to pay for medical premium， so as to promote balanced assignment of hygiene resources efficiently. Based on complexity of medical system in our country， DRGs can be promoted to apply gradually by attempting exploration in a small scale for several times. The essay is firstly introducing basic concept of Diagnosis Related Groups， then describing the positive and negative effect of DRGs on medical industry. Further， by analyzing case of operational treatment on leiomyoma of uterus， we try to explore the mathematic model calculating hospitalization fee on the basis of disease-related attributes through neural network method.
【Key words】 DRGs(Diagnosis related groups) related attribute neural network mathematic model
1 引言
面对全球性医疗费用过度膨胀，卫生资源分布不平衡，各国都在努力寻求解决的出路。其中最具影响力是1976年美国首推病例组合方案（case-mix)—诊断相关分类预付制系统。该系统的诞生为医疗系统的研究掀开了新的序幕。
1.1 DRGs（疾病诊断相关分类系统）诞生的背景 本世纪70年代，医疗费用的急剧增长给美国政府带来严重的财政威胁，为了应对卫生费用不断增长的压力，以耶鲁大学研究中心领先推行一种新型的病例组合方案，命名为DRGs[1]。
1.2 其核心理念是将某些相同或相似属性的病例归为一组，以统计学方法计算每个病例组的平均费用，作为医疗保险预付的基础。通过统一定额支付标准，达到医疗资源利用标准化，激励医院之间良性竞争，减少诱导性医疗消费。
2 我国引进DRGs（疾病诊断相关分类系统）的利弊分析
2.1 我国引进DRGs的正面效应 我国自20世纪80年代开始对DRGs进行研究，首先针对医院按床位、住院天数、收治人数补偿治疗费用存在极大的不合理性。各级医疗机构从不同角度对DRGs进行探讨，提出按病种医疗成本确定补偿限额，这种方案利于控制和节约医疗费用开支。引入DRGs的分组方案将更为完善医疗保险支付方式，促进我国医疗保健体制改革。北京市尝试对有代表性医院10万份病例进行DRG分组，结果表明对出院病历实行病例组合是切实可行，相对于以传统的评价指标为基础的评估方案，更好地评估医院管理效益[2]。采用DRGs有利于促进医院建立完整的成本核算体系，降低经营成本；有利于提高病案质量，阻止供方诱导性消费；有利于拉开不同等级医院之间的支付差距，引导病人合理分流，缓解“就医难”矛盾。
2.2 我国引进DRGs负面效应 由于DRGs的核心思想是把类似的病例归为一组，计算出平均费用作为对医疗机构的补偿金额。基于补偿金额是固定的，医疗机构为了减少医疗资源消耗，可能故意推诿重症患者到其它医疗机构，把医疗风险转嫁到他人。或者会出现另一种情况，医疗机构为争取高额补偿，故意提高诊断严重程度，把病情比较轻的病例往病情较重的方向靠近[3]。
3 DRGs（疾病诊断相关分类系统）分类方法的探索
根据上述分析，DRGs（疾病诊断相关组分类系统）对医院质量管理利大于弊，DRGs在未来健全医院补偿制度中担负举足轻重的角色，因此在全国范围内推广DRGs是积极改进医疗保健体制和保险预支付制度的重要前奏。而提倡DRGs的学者面临的巨大挑战是如何科学合理进行DRGs分类。研制适合我国的DRGs分组必须由浅入深，在病种选择上遵循以下原则：（1）疾病诊断相对明确统一；（2）治疗方法相对一致；（3）病种和诊断以常见病为主；（4）包括并发症和合并症的分类。因此本文通过选取本院108例手术治疗的子宫平滑肌瘤进行数据分析，发现按相关属性对疾病谱分类较之科学，但是由于传统的回归模型仅适用于线性的计算模型中，而相关属性与最终所求的数值之间的关系通常是非线性的。故本文采用神经网络方法，对相关属性与最终所求数值进行训练学习，得出两者之间的非线性数学模型。然后，对新的数据样本进行估算，得出较回归模型更加精确的数值。从而，在计算机内部数据系统建立自动测算住院费用的模型。
3.1 依据相关属性对病例进行科学分组 本文针对某三甲医院2010年上半年度出院诊断为子宫平滑肌瘤共296例，其中96例为妊娠合并子宫肌瘤红色变性，治疗上仅采用追踪观察，并未治愈，92例采用了药物治疗或非手术治疗追踪观察。因为该研究是针对手术治愈的子宫肌瘤病例的费用测算，故非手术治疗的病例剔除在研究范围之外。而特别挑选108例子宫平滑肌瘤，以手术治疗为主，将年龄、住院天数、入院情况、主要诊断的转归、伴随疾病和并发症作为分组属性综合考虑，计算各个属性的系数，从而推断出哪些属性与分组密切相关，然后选取影响大的属性对妇科手术治疗的肿瘤进行科学分类，获得对应疾病的合理医疗费用[4]，并对分组结果分析和评价。
3.2 数据和方法 本研究以某三级甲等医院2010年入院的主要诊断为ICD-10编码M0089子宫平滑肌瘤的妇科病例为对象，相关数据来源于该院计算机管理系统患者住院病案首页数据库，转归均为“治愈”，治疗方法均为手术的住院病案[5]。按主要手术和操作、年龄、住院天数和并发症(均为子宫肌瘤所引起的各种症状：月经过多、重度贫血）等作为分组的相关属性，运用神经网络模型，把上述的相关属性作为自变量，住院总费用作为应变量，探求各属性与费用的内在关系，从而推导测算住院费用的计算模型。
表1 选取4个疾病相关属性及其量化方法[6]
3.3 计算结果 以住院费用为应变量，人口学特征（年龄组25—50岁）、疾病特征（合并并发症数量）、手术难度分级等因素作为自变量利用神经网络建立数学模型[7]。子宫平滑肌瘤手术病例的测算模型建立于神经网络基础上，如下表所示(仅选取数据一部分）：
表2 根据4个相关属性利用神经网络和回归模型测算住院费用对比
由上可看出从回归模型和神经网络模型推算的住院总费用均有差异（回归模型测算结果≠实际费用、神经网络测算结果≠实际费用），以两者的差异作t检验观察两种方法是否具有差异性，用SPSS13.0软件计算t=3.753，P&<0.01，故两种测算费用的方法具有显著差异性。 而由表2的结果对照，显示利用神经网络测算结果与实际住院总费用较接近，而经典回归模型测算的费用偏离实际总费用较多。换言之，以神经网络测算住院费用明显优越于多元性回归模型，测算结果比较精准。
3.4 结果分析 此次研究利用神经网络估算的住院费用结果，与首页提供的实际住院费用信息基本一致，应用相对误差公式=（预测值—实际值）/实际值，结果取绝对值，误差仅为3.39%，效果明显低于回归模型误差（18.17%）的。神经网络是一种求解内在非线性关系的计算方法，其计算精确度优于传统的多元线性回归模型。我们无需再采用传统的线性关系表示，直接把门诊诊断为“子宫平滑肌瘤”患者按神经网络中预设的属性按量化指征输入，计算机的神经网络模型可自动测算出住院费用供医院或患者作为参考[8]。将神经网络模型推广应用到卫生保险部门测算各级医院某病种住院费用，这样可大大节约时间，具有深远的社会效益和经济效益，为卫生行政部门的决策提供及时可靠的费用信息。
本文选择的妇科病例局限于子宫平滑肌瘤，治疗方法也限定了手术治疗，转归均为治愈，疾病严重程度均为“一般”。其它相关因素如主要手术操作的复杂程度、年龄、住院天数、伴随疾病和并发症都不同程度上影响住院费用。从理论上分析，对于手术病例，疾病的严重程度、伴随疾病和并发症、手术难度及方式占主导地位，年龄和住院天数处于次要地位，故住院费用的测算关键看疾病严重程度和手术难度及术式[9]。该公式的推导由于预先设定限制条件，应用公式预算住院费用需相当慎重。本次研究选择的病例在性别、治疗方法、转归、入院情况都一致，故遇到其它手术病例组测算费用，需要考虑上述因素是否对其有较大影响。若以上剔除的因素对其它手术病例有较大影响时，需要重新调整研究数据或者对测算结果进行科学校正。
该神经网络运算模型主要适用于手术病例住院费用测算，由于本次研究提取妇科手术病例数据，产科与妇科在病人结构上比较相近，此运算模型可用于妇产科手术病例费用测算[10]。但是若推广使用到外科和乳腺外科，须审慎评价测算结果。该公式忽略了住院次数、性别、护理等级属性，对测算结果是否接受应做假设检验。另一种严谨方法：对外科病例单独抽取大样本数据，增加上述剔除的属性，用多元回归思想推导适用于外科手术病例的数学模型。
经过反复数学演算验证，此神经网络模型可用于手术病例测算住院费用。该模型中对属性数量没有限制，人为设定。对于非手术病例，神经网络方法同样适用，仅需要增加多个相关的属性，如性别、护理等级、职业、抢救、输血等，直接代入上述相关属性的量化数值即可测算费用。因此，对于非手术病例费用测算模型的建立，仅需将首页可提供的所有属性考虑进去，将相关属性的量化。
从数据属性角度分析，属性越多，并且属性间的分层越多，其结果分类越细致，组间差异性明显，推导的计算公式越严谨复杂，而依据公式测算的数据越精准，仅靠传统的回归模型已无法满足要求[11]。而神经网络方法由于拥有数据无关性，关系非线性等特点，可以方便精确地得出相关属性的计算模型。目前广东省病案首页数据设定是固定模式，我们仅能在现有提供的首页数据进行实验性操作。本文仅对采用神经网络方法测算手术病例住院费用作初探，为将来DRGs分类奠定数学基础。运用DRGs制定科学合理的费用标准是未来发展方向，首页信息的调整也将适应发展趋势。
根据疾病诊断分组的基本核心思想，应用神经网络方法预算某疾病组的住院费用，作为医疗保险支付的依据。通过神经网络方法对某病例组合住院费用进行合理测算，那么测算的结果将作为医疗服务付费标准参考，有助于医疗保险业和医疗卫生机构制定病种的费用的范围，规范医疗保险业市场，推动中国医疗付费改革。
参 考 文 献
[1]马丽平.“DRGs 医疗保险费用支付方式在我国的应用及发展前景”，中国医院，Vol.10.No.6.2006.6.
[2]武广华.“DRGs的发展及我国的相关研究”，《中国医院管理》第27卷 第7期（总第312期）2007年7月.
[3]贺敬波，周良荣.“按病种支付医疗保险费用经济学分析及在我国的应用对策”，1008-6919（2006）07-0077-03，R197.1.
[4]Richardson D. The access-block effect:relationship between delay to reaching an inpatient bed and inpatient length of stay. Med J Aust 2002；177：492－495.
[5]S.D Horm， PD Sharkey. AF Chambers， RA Horm. Severity of illness within DRGs: impact on prospective payment. Am J Public Health. 1985 October， 75(10):1195-1199.
[6]赵燕，曹志辉等.“多元线性回归模型在住院费用测算的应用”，《卫生经济研究》2007年11月.
[7]郭富威，任苒.“DRGs在美国的发展及在我国的应用对策”，《中国医院管理》第26卷 第2期（总第295期）2006年2月.
[8]Scarpaci JL， DRG calculation and utilization patterns: a review of method and policy. Soc Sci Med. 1988;26（1）：111-7 Review.
[9]Lüngen M， Lauterbach KW. Measuring case severity with a DRG-based reimbursement system. Med Klin (Munich). 2002 Feb 15;97(2):70-6. Review. German.
[10]王少利，胡牧等.“北京三所三家医院循环系统住院病人DRGs分组及质量评价”，中国医院，2006年7月第10卷第7期.
[11]方良达，余永权.属性依赖理论及其在神经网络中的应用[J].计算机应用，2010年04期.转贴于