妇婴疾病诊断相关组的构建与比较研究*

广东省妇幼保健院（510010） 韩 栋 魏凌云章 莹 徐金龙

妇婴疾病诊断相关组的构建与比较研究*

广东省妇幼保健院（510010） 韩 栋 魏凌云△章 莹 徐金龙

目的本研究拟建立妇婴疾病诊断相关组（women＆infant－diagnosis－related groups，W I－DRGs），并与CN－DRGs、MS－DRGs和AR－DRGs等代表性DRGs体系的分组效率进行比较，以初步评价和改进W I－DRGs。方法采用定性研究（专题组讨论、Delphi法等）与定量研究（线性回归、决策树等）相结合的方法，采用广东省某三级妇幼医院的妇婴专科住院患者资料建立W I－DRGs分组。同时比较W I－DRGs、CN－DRGs、MS－DRGS和AR－DRGs的分组效果。结果WI-DRGs系统费用变异减少（reduction in variance，RIV）为0．596，变异系数（coefficient of variation，CV）为0．10～0．54，平均住院日RIV为0．389，CV为0．02～0．22。W I－DRGs在妇婴疾病分组方面较优。结论WI-DRGs组间异质性和组内同质性较好，具有一定的科学性和实用性，但仍需扩展研究样本来源，引入更高效的分组变量和算法，以获得更有力的证据支持。

诊断相关组 妇婴 CN-DRGs MS-DRGs AR-DRGs 比较研究

DRGs（diagnosis-related groups）最初由美国耶鲁大学于上世纪60年代建立，以用于医疗质量监督的目的，1983年Medicare将DRGs应用于住院服务PPS，估计由此每年约节约170亿保险支付。之后，各国借鉴美国经验开展了DRGs相关研究和应用，目前在美国、澳洲、欧盟等国已广泛使用，在控制卫生费用，缩短平均住院日，提高卫生资源使用效率，提高卫生服务公平性等方面发挥了积极的作用。我国DRGs研究起步较晚，可比性较强且得到应用的研究主要有CNDRGs。但系统性的妇婴专科DRGs研究和应用则未见报导。因此，为了应对妇婴专科DRGs的差异远大于其他组别的问题，也为了切实推进《中国妇女发展纲要》和《中国儿童发展纲要》，本文拟探讨妇婴DRGs分组的构建与评价，从而利用DRGs优化妇幼卫生服务和提高妇幼卫生资源使用效率。

方 法

1．数据采集

收集某三级妇幼医院2008年1月1日至2014年12月31日共计172170例妇、产、婴相关专科住院患者病案首页及其他相关数据，其中2008－2012年数据作为训练样本用于建模，2013－2014年数据用于测试。具体分组变量包括患者基本资料、住院总费用（其中产妇和产婴费用进行分离）、住院日、主要及其他诊断、主要及其他手术操作、新生儿体重、胎龄等信息。

2．数据预处理

数据预处理措施包括：逻辑核查，核查内容包括缺项、漏项、性别冲突、年龄冲突、编码冲突（例如无效或错误诊断、操作）等；数据质量抽查，以确保数据的完整性和准确性；住院日和费用标准化转换，极值处理（剔除超过均数±3倍标准差以外的费用）和住院日等。经过预处理实际纳入研究的数据共计为2008－2012年99300份和2013－2014年68881份。年龄描述采用均数±标准差，总费用与住院日采用中位数（25百分位数～75百分位数）描述。

3．分组方法

主要诊断组（major diagnosis category，MDC）国内外基本一致，本研究直接参照。ADRGs（adjacent DRGs）和DRGs分组充分考虑在统计差异的基础上保证临床一致性，采用决策树模型和专家组评议结合的方法。

其中决策树采用多变量（本研究采用2个因变量，住院总费用和住院天数）回归树（multivariate regression tree，MRT）和条件推断决策树（conditional inference trees，CIT）。MRT是对决策树经典算法CART在多个因变量情况下的推广，与CART具有相似的优点，而CIT则是在条件推断架构下进行递归二叉树分割，可以解决目前决策树过拟合与选择偏倚的问题。父节点的样本量大于500时进行拆分，子节点小于100时分组才可进行，不限定树的深度。分组条件设定为最大RIV（reduction of variance）＞0．4、变异系数＜1．00［1］。为了保证分组的临床与保健意义，统计分组需经过专家组评议。分组变量探索由统计分组与专家分组迭代进行。详细分组过程参见《妇婴疾病诊断相关分组模型研究》一文［2］。

4．评价

DRGs组内同质性评价方法通常采用变异系数（coefficient of variation，CV）进行评价，CV表示组内同质性。数值越小，表示组内同质性越高。计算公式如下

DRGs组间比较最常用的指标是RIV。RIV表示DRGs分类系统可以解释个体变异的比例，同时RIV也表示DRGs系统基于个体信息对于医疗资源消耗的预测能力。RIV的计算公式为

其中，yi为第i个病人的指标值（费用或住院日），A是所有病人的指标的平均值，Ag为yi所在的DRGs分组为g的平均费用或平均住院日。RIV的取值范围为0～1，0表示分组划分对分组轴心的变异毫无解释作用，1表示分组划分可以完全解释分组轴心的变异。本研究采用W I-DRGs、CN-DRGs、MS-DRGs、ARDRGs分组逻辑（详见《妇婴诊断相关组进展及分组研究探讨》一文［3］）对2013－2014年住院资料进行分组，并比较上述DRGs费用和平均住院日RIV。

结 果

1．W I-DRGs分组结果

MDC13中患者平均年龄36．48±10．73岁，中位住院日为6天，中位总费用为13137．00元（见表1）。分组变量主要包括主要诊断、手术（还包括是否腹腔镜）、肿瘤、并发症或合并症（complications and comorbidities，CCs）。分组后费用与住院日RIV分别为0．695和0．438。费用CV：0．02～0．10优于住院日CV：0．10～0．40。手术组平均费用和住院日最高的为P02盆腔清扫与切除—无腹腔镜组，达34613．94元和19．66天，非手术组平均费用和住院日最高的为P13女性生殖系统肿瘤—无OR，分别为6538．49元和5．75天。

MDC14中患者平均年龄29．59±4．92岁，中位住院日为4天，中位总费用为4674．20元（见表1）。分组变量主要包括主要诊断、手术、年龄与有无腹腔镜（异位妊娠组）。分组后费用与住院日的RIV分别为0．481和0．201。费用组内CV：0．02～0．11优于住院日CV：0．22～0．54。手术组费用最高的为O03异位妊娠—有腹腔镜组，平均13198．54元，住院日最大的组为O01：剖宫产—年龄＞35岁，平均为6．43天。非手术组费用最高为O15流产—无手术—有CC，平均为4331．27元，住院日最大的组为O09先兆流产—有CC，平均住院5．68天。

MDC15中患者平均年龄2．89±5．568天，中位住院日为3天，中位总费用为3858．58元（见表1），其中男性8207（58．84%）例，女性5741（41．16%）例。分组变量仅纳入了体重、新生儿疾病或手术等。分组后费用与住院日的RIV分别为0．503和0．430，费用组内CV：0．04～0．22，住院日CV：0．16～0．37。费用最高和住院日最长的组均为N02体重≤1．25kg，达61420．75元和34．5天。W I-DRGs的分组结果达到DRGs应用的条件（RIV＞0．4和最大CV＜1．0）［1－2］。

表1 W I-DRGs各MDC基本信息描述

2．W I-DRGs与其他DRGs比较

因各系统DRGs的分组轴心以费用为主且费用的同质性通常优于住院日，因此，费用的RIV均高于住院日。W I、CN、MS和AR的三个MDC总费用RIV分别为0．596、0．458、0．510、0．552，而平均住院日RIV分别为0．389、0．313、0．319和0．410。女性生殖系统疾患（MDC13/MDCN）的费用RIV，WI-DRGs达到0．695，均高于其他三组。CN-DRGs亦高于MS和AR的费用RIV。妊娠、分娩及产褥期（MDC14/MDCO）W I-DRGs与CN-DRGs的费用RIV相近，均略高于MS-DRGs和AR-DRGs。新生儿及其他围产期新生儿疾病（MDC15/MDCP）的分组中，MS的费用和LOS的RIV均最少，WI和AR的主要分组变量为新生儿入院体重，划分结果相对较好。各系统DRGs费用和住院日的RIV见表2。

表2 各DRGs系统费用及住院日RIV

讨 论

对分类模型的整体评价一般包括模型的稳健性（robust）、组间差异性（例如RIV等）、组内一致性（例如CV、QCD等）。随着组数的增加，任何的分类系统都可以达到一个较高RIV值。当病人数等于分组数时，RIV值等于1。由于MS-DRGs、AR-DRGs和W IDRGs的DRGs组数有所不同，所以各系统RIV的差异有可能来源于组数的不同。因此可采用Feldman的方法［4］衡量分组数对RIV的影响，随机将N个对象分入K组中。各DRGs系统详见表2，结果为0．00067～0．00110，因此本研究由于分组个数导致的差异可以忽略，RIV的差异来源主要来自于各DRGs系统的分组规则差异。Palmer等［1］的研究表明剔除异常值的影响后，各DRGs住院日RIV在0．286～0．606，费用RIV在0．412～0．632。Wynn等［5］指出纳入CCs分级后RIV由0．352～0．366提升至0．4243～0．4458。

在DRGs建模方法学方面，自最初的DRGs研究开始一直主要采用线性或广义线性模型，各DRGs的改进主要体现在CCs的选择范围、选择方法及累计效应的算法。2015年7月开始澳大利亚实施了新的AR-DRG V8．0［6］。V8．0对卫生服务的输入与产出进行了更明晰的定义，对原线性模型进行了较大改进，不再使用住院日而只用费用进行分组。将原PCCL模型替换为ECC（episode clinical complexity sore）模型。CCs单位由DCL（diagnose complexity level）替代CC level（CCL），复杂性累积效应由ECCS（episode clinical complexity sore）替代PCCL。其中CCLs取值0～4，DCLs取值0～5。PCCL取值0～4，ECCs取值0～31．25。DCL由广义线性模型，采用渐进衰减因子计算获得。最终V8．0取消了住院日、入院病情、死亡结局等直接分组因子，含403个ADRGs和804个DRGs，目前该模型仍处于改进中。

此外，随着DRGs方法学的进展，决策树模型在DRGs建模方面的应用也逐渐扩展。英国的卫生资源分组（HRG）采用了CART。Grubinger等［7］使用Bootstrap对奥地利的CART分组方法进行了改进，不同大小决策树的均方误改进效果达1．09%至4．90%。阎玉霞［8］利用AID方法及分类变量将内科病例组合形成603组，外科病例605组。本研究的W I-DRGs［2］采用多变量回归树和条件推断决策树，同时对费用和住院日数进行分组，并经专家组评议（Delphi法）。W IDRGs的研究方法与上述方法比较一致。但国内高健民等［9］、何凡［10］、阎玉霞等［8］的研究从MDC到ADRGs范围与方法均与国际上常用方法及本研究具有较大的差异。

［1］Palmer G，Reid B．Evaluation of the performance of diagnosis-related groups and similar casemix systems：methodological issues．Health Services Management Research，2001，14（2）：71-81．

［2］魏凌云，韩栋，徐金龙，等．妇婴疾病诊断相关分组模型研究．长治医学院学报，2015，2（2）：116-119．

［3］魏凌云，韩栋，徐金龙，等．妇婴诊断相关组进展及分组研究探讨．现代预防医学，2015，42（15）：2734-2737．

［4］Averill RF，Muldoon JH，Vertrees JC，et al．The evolution of casemix measurement using diagnosis related groups（DRGs）．Wallingford：3M Health Information Systems，1998．

［5］Wynn BO，Beckett MK，HILBORNE L，etal．Evaluation of Severity-Adjusted DRG Systems．Interim Report to the CMS（Santa Monica，Calif．：RAND，2007），2007．

［6］National CACC，Australian HSRI，University OW．AR-DRG：Australian refined diagnosis related groups，version 8．0，definitionsmanual．Wollongong，N．S．W．：University of Wollongong，2014．

［7］Grubinger T，Kobel C，Pfeiffer KP．Regression tree construction by bootstrap：model search for DRG-systems applied to Austrian healthdata．BMC Med Inform Decis Mak，2010，10（1）：1-11．

［8］阎玉霞，徐勇勇．病例组合分类结果的评价．中国卫生统计，2007，24（2）：163-164．

［9］高建民，郑古峥玥，詹梅，等．疾病诊断相关分组分类节点变量的选择及其分组结果的合理性评价．中国卫生经济，2013，32（1）：16-18．

［10］何凡，沈毅，刘碧瑶，等．浙江省住院病人病例组合研究．中华医院管理杂志，2006，22（7）：460-464．

（责任编辑：邓 妍）

广东省自然科学基金资助（项目编号：S201210008269）；广东省科技计划项目资助（项目编号：2014A040401042）

△通信作者：魏凌云，E-mail：1719076809＠qq．com