基于数据循证的医院管理决策之数据可以说话吗？

作者/李涛（医院管理教授）

文章来源/厚立医视野

管理是一个古老的话题，但人类进入工业化社会，管理才被正式提上以公司为组织的议事日程，各种管理模式开始相继被应用于实践中。其中戴明博士（William Edward Deming）- PDCA循环理论的提出者，将统计学方法引入企业管理，成功帮助日本工业界在上世纪七八十年代崛起，管理出效益也被逐步证实。

而当时的管理决策还处于传统的统计学初级应用。随着上世纪八十年代信息技术的诞生和爆发，企业逐步完成对业务流程的信息化进程，更多的生产数据被采集到数据仓库，人类进入全量数据时代，管理决策支持开始进入大众视野。

由于医疗行业标准制定和信息技术应用的滞后性，医院管理决策支持应用落后于企业，起源于早期ERP财务系统，决策源更多来自财务数据，但数据单一，没有达到业财融合的预期效果。进入上世纪九十年代，随着行业标准的规范和统一（ICD编码体系）、数据采集能力的提升和统计方法学的深度应用，人们对于医疗管理型数据的特性有了更多的认识，使用数据更加趋于理性和科学性，在此基础上，行业逐步形成了以证据为基础（evidence based）、以数据为循证的医院管理念和管理模式。

大数据已应用于各种类型企业的管理，但大数据分析应用于医院管理仍处于发展阶段。医疗数据用于医院管理决策，对于国内医院管理者们是既熟悉又陌生，熟悉的是数据用于各种工作统计，天天都在用，陌生的是数据分析用于管理决策，却是知之甚少。那么数据能否说话、说真话、说好话，如何挖掘数据价值赋能医院管理？在高质量发展时代，这些新知识都是医院管理者们需要熟悉和掌握的。

#01数据能否说话？

医疗行业都有传统的卫生健康统计部门，但主要业务集中在“统计”，鲜少在“统计学”，两者最大的区别是，前者是计算业务，后者是分析业务。随着信息技术的普及，目前医疗统计工作基本依靠计算机完成。

沿袭传统的计算统计理念，国内医院的管理决策还停留在硬性指标阶段，也就衍生出各种绝对值的考核指标，比如药占比、平均住院天数等。硬性指标可不可以用，答案是肯定的，尤其像财务部门，收入增加多少，成本支出多少都必须是确定的。

但在临床服务的考核中，这些硬性指标或许会产生错误的导向。比如要求医生的药占比和平均住院天数不能超标，医生可以通过收治病情轻的病人来规避。又比如要求提高以费用为核算标准的CMI点值，医生可以通过内科外科化、外科多做手术等方式来实现，因为外科收费比内科高。

因医疗本身具有的复杂性，利用“软性”数据指标来指导业务更适合。所谓的软性是指基于病人个案风险调整后的同相比较，即建立合理的标杆值。比如评价医生是否有过度用药，不应用简单的药占比、或者CMI高低来评价，而是根据其收治病人的疾病类别、疾病难度、个体差异等综合性因素而定。这些软性指标更能够体现临床真实世界的特性。

数据本身不能说话，也不代表任何含义，没有业务支撑的数据更是不具备应用价值，数据的解读者才是其“代言人”。数据应用分别由两类技术完成：一类是挖矿技术，即通过传统的医疗信息化技术（HIS），对业务流程进行梳理，完成对其数据化的进程，利用传统PC端、移动互联端等交互界面，采集和储存生产型数据，由于没有加工，这阶段的数据暂时还不能够指导业务；另一类是冶炼技术，也即数据挖掘和分析技术，通过对生产型数据的统计学处理等加工，提炼出具有价值的分析结果，去改进和优化业务，提质增效。

#02数据分析存在的四大陷阱

数据分析过程中，还有许多数据解析陷阱，这些陷阱常常导致预测结果与实际发生的情况南辕北辙，为决策者提供错误信息，导致不可挽回的损失。以下是常见的几种统计学陷阱：

小样本陷阱

这是随机采样方法中最常见的陷阱。由于样本量太大，只能做随机性的抽样调查，常见于社会群体性调研，最著名的例子是美国总统选举的预测，在焦灼的选举中，几乎从来没有准确的预测结果。因为预测公司在大街上随机采访路人，采集的样本来源大都是喜欢表达自己观点的被采访人，而忽略了另外一群不善表达的人群，虽然采集样本严格按照不同族群的比例选取，但预期的结果往往与最后揭晓的选举结果差异很大，有的甚至是完全相反的结果，这就是小样本陷阱。

举一个小样本问题的例子——

从统计学上来说，样本量低于30个都是无效的，不具备差异性分析。比如医院制定考核标准时候，常常忽略小样本问题，导致考核结果与实际情况大相径庭，用数据评价的“好医生”往往导致其他医生非常不满意评价结果。

极值陷阱

又叫成功者陷阱，与人们对成功的认可和追求的热情密切相关。常见的例子有创业成功者的“马老师”、“刘老师”等的励志故事，也有股市中所谓的“杨百万”、“巴菲特”式等的炒股高手故事，导致人们潜意识中偏好平民成功的励志故事，却忽视99%的创业失败者，或者是99.99%注定被股市割韭菜的命运失败者。从统计学上来说，这些案例就是采用了不可复制的极值案例来证明其具有普适性。

平均值陷阱

是医疗数据中最常见的数据陷阱。我们经常看到平均值在医院考核中的应用，比如平均住院天数、病种的药占比（均次费用）等，用这些平均值考核，对技术能力强的医生非常不公平，因为他们的病人的病情大都比其他医生重，资源消耗也更多，数据指标明显高于平均值。这就是平均值陷阱，常常导致考核和评价失去公正性和公平性，也会降低临床医生对考核结果的信服力。

数据注水

除了以上常见数据陷阱，数据分析师的专业储备也会影响数据分析结果，其中值得注意的便是数据注水。

这里说的数据注水不是指数据的造假，现在的全量数据时代也很难造假。数据注水是指数据解读者由于自身专业能力不足，或者数据分析能力欠缺等原因，缺乏综合分析能力，或者采用小样本，误导管理者做出错误决策。

举一个综合分析问题的例子——

比如某家医院外科的收入增加非常好，医院决定是否要增加外科床位的投入，数据解读者只关注到医院内部变化，却没有关注到外部医疗市场的变化，近年来该城市的人口流失非严重，就医人口下降严重，按医院目前收入增加床位配置，就可能导致资源配置超过市场的需求。

注水数据是数据分析师最常见的问题之一，小则导致考核的不公平，大则导致巨大的投入损失，也是考察一名数据分析师是否合格的重要指标。

因此，数据解读者的能力决定了数据是否能够说话，而且说真话的关键因素。一名优秀的数据解读者首先要具备：一是深厚的业务知识，清楚各业务流程的关键节点；二是具备抽象思维能力，能够通过数据复原业务流程；三是具备分析数据的能力，有统计学知识和信息技术知识，了解数据的储存架构，能够熟练应用IT工具解析数据；四是有一定的沟通能力，能够对纷繁复杂的业务流程进行解析，并通过简明的数据节点图解释给相关人员。

本文作者

李涛，毕业于上海医科大学（现复旦大学上海医学院）、美国卡内基梅隆大学和休斯顿大学，先后就职于北京积水潭医院，美国休斯顿赫尔曼纪念（Memorial Hermann）医院系统总部和旗舰医院德州医学中心医院；在医院流程改进、医学大数据、医院精细化管理等领域有非常丰富的实战应用和临床科研经验，并能够结合国情提出适合国内医院管理的实战指导，对医疗大数据驱动下医疗质量、运营管理、成本管理、绩效管理等有独到的见解，先后创办了中科厚立信息技术（成都）有限公司，南京厚立数字有限公司。

注：文章由厚立医视野原创，转载请联系：houlizhushou

打赏