基于数据循证的医院管理决策之医疗数据分析行业的4大困境

作者/李涛（医院管理教授）

文章来源/厚立医视野

DRG/DIP医保支付改革的落地，对医院来说，能够省下来的浪费都是利润，因此数据分析作为一个边缘学科被越来越多的医院管理者认可和重视。

数据分析师作为支持管理决策的证据提供者，不但要掌握基础的数据科学知识，更要能够驾驭数据，还要精通医疗业务，才能为决策提供准确的证据支撑。

与国外医院对数据分析的重视程度而言，国内的医疗数据挖掘、分析和数据科学还基本处于起步，再加上优秀的数据分析师数量极少，因此，目前的医疗数据分析行业面临着极大的困境。笔者通过多年工作经验，总结出以下几大困境及应对思路，供大家参考。

#01困境一：医院管理者意识缺乏

医院长期处于计划经济，医院建设和发展依赖政府资金，加上医院决策者大都是临床专业出身，除了极少数优秀的医院院长在管理上自学成才之外，大多数医院管理者的管理理念还停留在计划经济时代，即管理（Management）就是行政（Administration），医院管理就是把医院“管”好，不出事就可以了。

大多数医院管理者还没有深刻认识到时代正在巨变，减量和存量优化的时代已经来临，“管理出效益”的时代已经到来。

#02困境二：复合型人才培养机制不完善

目前国内的医院管理虽然非常火爆，但教师队伍中鲜有集临床医疗、管理学、信息技术、数据科学为一体的复合型人才，数据分析和管理决策支持方面的专业教材也极少，学校更没有一个医疗数据分析相关的学科或专业。

缺乏复合型人才培养的体系和规划，即使教授医学信息学知识和医学统计学知识，也难于和医院管理的实际情况相融合，严重制约了数据分析和管理决策支持作为一个学科专业的发展。

医院管理的复杂性也阻碍了人才的培养和成长。很多医疗统计专业的毕业生到医院，满怀信心准备大施拳脚，但在实际工作中发现与学校所学差异甚远。尤其是管理职能部门的工作，就是简单的加权统计。又因不了解临床业务，不知道统计的数据如何跟业务融合，当然就没底气用自己分析的结果去指导临床。

图片来源厚立医视野

#03困境三：数据分析人员系统思维能力欠缺

“头疼治头、脚疼治脚”、盲人摸象是数据分析中最常见的错误之一，导致分析出来的结果不但不能为管理者提供准确的决策支撑，反而误导决策者，因此，一名合格的数据分析师首先要具备系统性思维能力。系统性思维可以考验数据分析师对系统业务的熟悉、业务流程的抽象化、和数据分析等综合能力。

什么是系统性思维？

百度百科的解释是：“系统性思维是把物质系统当作一个整体加以思考的思维方式。与传统的先分析、后综合的思维方式不同，系统性思维的程序是：从整体出发，先综合，后分析，最后复归到更高阶段上的新的综合。具有整体性、综合性、定量化和精确化的特征。”

全量数据为系统性思维奠定了基础，能够帮助分析师更加快捷的发现问题，同时也防止了被偶然性事件所误导。系统性分析首先是发现问题，然后下沉到具体流程，最后又回到系统层面进行验证，反复经过多次PDCA循环，从而获得一个最优化的解决方案。

比如某家医院某科室的床位非常紧张，但住院天数始终降不下来，科主任也非常焦急，找来笔者帮助分析出问题。

笔者通过该科室过去一年的病人出入院时间、出院开单时间、出院流程等信息，以及对实际情况了解，结合数据分析，发现了三个主要问题：

1、全科12名医生中有3名医生的问题最突出，发现他们的问题集中在5个病种，其他病种的病人住院天数都控制得非常好；2、科室的出院流程除特殊情况外，都需要等到每周三的科室大查房后才能开出院单，而且出院单开出后，出院前病人必须完成一个体检，等待检查检验所有指标正常后才能出院；3、如果病人希望多住几天，一般情况下医生都会满足，这是科室为了提高患者满意度的“光荣传统”方式。

通过与科室相关人员的深入交流和问题分析，笔者为科主任开出了三个解决方案：

1、暂时停止这3名医生在5个病种上收治病人，直到他们向同行学习提高临床路径管理知识，达到相应的考核为止；2、增加科室大查房次数，调整为每周二和周四（不在周五，否则会耽误一个周末），查房当天必须收到病人的所有检查检验报告，指标正常的病人，当天开出院单，第二天出院；3、放弃科室的“光荣传统”，安排一个兼职护士定期为病人宣讲，像交叉感染、过渡医疗、住院安全性等住院风险的知识，同时建立与病人出院后的沟通渠道，提醒病人出院后用药随访等事宜。 

通过这一系列的系统性优化措施，三个月后再次分析数据发现该科室的超长住院天数明显下降。之后又针对流程中的入院部分等其他问题进行了梳理，强化了前期成果，统一了全科医护人员的思想，提高了入出院流程（系统工程）的稳定性。该科室当年的病人收治率增加了10%，提高了效率和效能，科主任再也没有在全院管理层大会挨批评，反而受到了表彰。

图片来源厚立医视野

系统性思维能力能够防止盲人摸象导致的部分代替全部的错误结论。在没有获得全量数据的时候，也可以从个案问题的溯源，反推出系统性问题，比如医院认证体系JCI/JACHO就是采用这种反推方法。JCI基本没有要求达到什么样的指标就合格，而是在认证过程中，有经验的专家，从每个看似“小问题”着手，层层推导，一直到系统层面的不足或者改进地方，因为偶然性的个案问题后面必定有必然性问题。

#04困境四：数据驾驭能力不足

全量数据能够提供上帝视角，从一个更高的维度来分析问题的同时，但也非常考验分析师对数据的驾驭能力。

前面讲过数据本身是不会说话的，只有通过解读者对事物和事件的认知才能够利用数据还原全貌和过程。数据的驾驭能力体现在数据分析中采用什么方法学，因为同样的问题和数据，采用不同方法得到的结论是不同的，有时候甚至是相反的。

比如说药占比的例子，就是典型的平均值陷阱。

几年前国家卫健委要求医院的药占比不能超过30%，不分内科型医院，或外科型医院，也不分中医医院还是肿瘤医院。为什么指标是30%，而不是29.99%？当时也没有人提出来质疑指标的科学性和合理性。国家想管控药品的过度使用，也没有更好方法，使用绝对值评价可以理解，但很多医院按这个红线来考核临床科室，得到的结论是，内科都是劣等生，外科都是优等生。内科医生必然会抱怨，内科不用药，难道用“话”疗吗？所以，错误的方法得出的结论会与实际相差甚远。

数据的驾驭能力不仅仅是能够使用数据去行使（考核、评价等）权力，更应该是去了解实际情况，通过数据去还原事物的本质，发现问题线索，然后去寻找解决方案，最后又回到数据验证解决方案是否有效的反复循环过程，才是正确的数据驾驭方法。

数据解读者不但是数据分析的专家，还至少应该是半个行业专家，具备专业综合性的把控能力，才能够把数据用活，让数据说真话，达到推进改进业务的目的。

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，如需转载请联系课程助手

打赏