基于多维度数据建模下度量住院医师规范化培训成效的探讨

洪慧斯

（1.广州中医药大学附属中山医院临床技能培训中心，广东 中山 528400；2.中国人民大学，北京 100872）

自2014年中医住院医师规范化培训（住培）体系改革以来，中医培训成效是住院医师、培训基地、用人单位以及住培事业项目管理者最关心的问题。随着中医住培管理的发展，日渐规范的培训将产生大量的、有用的信息数据。为满足住院医师、培训基地、用人单位以及住培事业项目管理者的信息需求，各培训基地若能深度挖掘该信息数据背后的规律，并将提取的规律运用到住培管理活动中，将会优化和提高住培管理工作。近年来，随着大数据分析及数据挖掘的飞速发展，多维度数据建模成为度量住院医师规范化培训成效的新思路，借此进一步开拓新体制下的评价体系是目前住培事业发展的机遇与挑战。

1 建设中医住培制度动态纠偏评价体系

1.1 建立中医住培制度评价体系的必要性 首先，对培训成效的评价不仅要关注住院医师的考核成绩，而且要发现和发展住院医师多方面的潜能，了解住院医师在各阶段的学习成长需求，帮助住院医师认识自我、建立自信，更加扎实稳健地踏上医师职业道路。其次，发挥评价体系的督导功能，促进住院医师业务水平的不断提高。最后，结合教育系统的相关评价体系理念，考试制度和评价改革的根本目的是为了更好地提高住院医师的综合素质和教师的教学水平，为培训基地提高住院医师综合能力提供保障，充分发挥评价的促进作用，使评价体系成为促进培训教学发展与提高的有力武器。

1.2 国际住培评价体系发展水平 纵观国际卫生医疗水平发展情况，依据2019年世界卫生组织发布的世界医疗水平排行榜，作为经济强国，我国医疗水平在国际中仅排名48 位[1]。中国如果不走创新驱动发展道路，新旧动能不能顺利转换，就不能真正强大起来。因此，卫生行业是否能发掘及培养出专业技术人才，已关系到卫生医疗事业的发展。关于医疗人才的培养，美国阿图·葛文德曾于2017年的TED 公开课中明确表示，如何成为医疗行业精英，需要一种全新的教练式动态纠偏的培养模式。众所周知，美国的住培模式经历了100 多年的发展，能够成为世界医疗强国，关键在于培养医疗人才。美国对过程培训十分重视，对过程培训的评价建立了一套适应发展的体系，其最具有代表性的是迷你演练评估（Mini-Clinical Evaluation Exercise，Mini-CEX）和360°评估。中国目前大部分基地采用结业式评价模式，未能很好地满足评价体系的精细化要求，因此建立中国国情体制下的住培制度评价体系是当下工作的重点。

1.3 引入可视化数据动态评价模式，深度挖掘及预测住院医师竞争力 可视化数据动态评价模式的优势表现为：（1）可视化分析的实用性和实效性对于人们能否及时获得决策信息非常重要，可视化分析将数据分析结果以形象直观的方式展现出来，从而能够快速发现数据中蕴含的规律特征，并从中挖掘有用的信息。（2）数据可视化体现数据挖掘、模式识别、信息融合等领域面临的重要问题。（3）数据可视化可直观地展现数据，使需求者能更好地抓取和保存有效信息。动态可视化数据不仅可以直观地显示每个时间点数据之间的相关性，且能以图形的形式引导纠偏与发展。（4）结合可视化数据的动态评价，进行建模和数据挖掘，将更加贴合目前中医住培模式评价体系的发展要求，让住院医师、培训基地、用人单位以及住培事业项目建设者能最真实地把控现状。（5）数据可视化手段不单纯是数据结构的有机组合与运用，更是对中医住培模式的全方位理解，把握住院医师、培训基地、用人单位以及住培事业项目建设者真正的需求，抓准理念进行数据可视化及预测。

2 广州中医药大学附属中山医院中医住培考核工作开展介绍

广州中医药大学附属中山医院对住培工作非常重视，具体围绕“招录、管理、培训、考核”4 个模块展开[2]。（1）招录：依照政策，规范招录。（2）管理：全面渗透，规范管理。（3）培训：全院带动，规范培训。（4）考核：环环相扣，规范考核。本基地培训目标从培训合格住院医师转变为培养行业精英，引进国外教练式动态纠偏的培养理念，重在过程考核，按照住培轮转计划，住培办每月组织大规模的出科考核，以每月的出科考核为基础，进行各级住院医师出科考核成绩的汇总与统计，纳入住院医师竞争力的考察。出科考核项目主要为以下10 个维度：（1）理论知识：按照国家培训大纲要求依据专科分类进行人机对话理论考核。（2）带教老师评价：当前轮转科室带教老师的评价。（3）科室医护评价：当前轮转科室在职的医师及护士评价。（4）中医基础知识/方剂学：按照国家培训大纲要求，按照专科分类进行中医基础知识及方剂学考核。（5）临床诊治思维：按照基地收集的各专科疑难病例及典型病例进行临床诊治思维考核。（6）病史采集：实地抽取新收患者进行实践考核。（7）体格检查：在第6 个维度基础上对新收患者进行体格检查考核。（8）病历书写：在第6、7 维度基础上，在临床技能培训中心处视频监控下进行病历书写。（9）中医操作/专科操作：按照国家培训大纲要求按专科分类进行中医操作实践抽考。（10）西医操作：按照国家培训大纲要求按专科分类进行西医操作实践抽考。

3 数据分析及建模

3.1 数据来源及初步分析 资源来源于广州中医药大学附属中山医院培训基地，根据出科考核10 个维度，采集2015年1月至2019年6月每月所有需要参加出科考核住院医师（排除暂时不需要参加出科考核的考生，共约100 人次/月）的各维度考试综合成绩资料，见表1、表2。

表1 2015年至2019年广州中医药大学附属中山医院出科考核各维度情况Table1 Dimensional analysis on departmental rotation examination of Zhongshan Hospital of TCM from 2015 to 2019

表2 2015年1月至2019年6月广州中医药大学附属中山医院每月出科考核综合成绩Table2 The monthly after-department examination results from Jan 2015 to Jun 2019 in Zhongshan TCM hospital

观察2015年1月至2019年6月广州中医药大学附属中山医院各月份出科考核成绩可知：除理论知识维度的平均成绩低于80 分外，其余维度的平均成绩均大于80 分（表1）。期间出科考核的综合成绩总体呈现波动的增长趋势（表2），年均增长率为0.75%。由时序图（图1）可以看出，出科考核的综合成绩呈现一定频率的波动以及一定程度的季节性。每年7月，是住院医师入培时间，因存在适应过渡的影响呈明显的下降趋势，之后又呈现回升趋势。基本每年的上半年出现综合成绩平均分的高峰。

图1 2015年1月至2019年6月广州中医药大学附属中山医院每月出科考核综合成绩时间序列Figure1 Time series diagram on overall score of monthly departmental rotation examination in Zhongshan Hospital of TCM from Jan 2015 to Jun 2019

3.2 数据建模

3.2.1 建模构思-信息需求点分类 经过对广州中医药大学附属中山医院住院医师、协同单位管理人员等对象进行采访调查，得出以下设想：（1）作为住院医师的信息需求点，可分为●个体的排位及▲需要改进的地方；（2）作为培训基地的信息需求点，可分为●本基地住院医师的总体水平及▲基地教育水平的改进方向；（3）作为用人单位的信息需求点，可分为●拟招聘住院医师竞争水平及▲受聘人员未来可为单位带来的收益与发展；（4）作为住培事业项目建设者的信息需求点，可分为●中医整体培训的发展水平及▲未来中医培训的发展方向。

通过上述住院医师、培训基地、用人单位以及住培事业项目建设者信息需求点的进一步归类，发现带有“●”的需求点，可归纳为横截面数据的竞争值探讨，我们设想利用雷达图分析法做研究；带有“▲”的需求点，可归纳为延续性质的调整需要，可按照不同的观察对象进行不同项目的时间序列预测，利用时间序列预测法做研究。

构建建模思路：第一步：可将带有“●”及带有“▲”的数据构成面板数据（即横截面数据+时间序列数据）。第二步：在时间序列折线图的各数据点虚设十字坐标轴标尺。标尺构成：纵轴（Y）代表带有“●”的需求点数据；横轴（X）代表带有“▲”的需求点数据。

3.2.2 十字坐标轴纵轴（Y）架构-雷达图分析法 雷达图分析法是一种典型的图形评价方法，是指基于一种形似导航雷达显示屏上的图形而构建的一种多变量对比分析技术。为了能够获得可比较的定量数据，在此可通过提取雷达图的特征值，构建特定的综合评价函数，用评价函数值的大小衡量对应对象的综合评价结果[3-4]。例如：某住院医师某次出科考核成绩10 个维度的架构图（图2），其中虚线为所有参与本月全体出科考住院医师的平均综合成绩（表1 为年平均水平，此处为月平均水平），实线为该住院医师出科考核成绩，以虚线作为各住院医师的对比基准线，可对比两者之间的水平差异。

为了全面反映住院医师的综合水平及其均衡发展程度，在此可提取图形的面积S、周长C 这两个特征量，构成特征向量用以计算竞争值。雷达图的面积越大，表示总体优势（既竞争值）越大；面积越小，表示其总体优势越小；当雷达图的面积一定时，其周长越小，说明其越趋近于圆形，标志着评价对象各方面的发展越均匀；周长越大则结论相反。数理统计公式如下：

图2 某住院医师的出科考核多维度能力值Figure2 Chart on multi-dimensional ability value in departmental rotation examination of a standardized training physician

3.2.3 十字坐标轴纵轴（X）架构-时间序列预测法 时间序列分析是主要研究随着时间的变化事物发生、发展的过程，寻找事物发展变化的规律，并预测未来的走势。ARIMA 模型是时间序列预测方法中的一种，其基本思想是将时间序列视为一组依赖于时间的随机变量，是自回归模型与移动平均模型的有效组合[5-6]。通过观察（图1）2015年1月至2019年6月住院医师各月出科考核折线图，明显呈现带有波动的递增趋势，为典型的平稳时间序列数据，是一个既含有季节效应又含有长期趋势效应的简单序列。由于序列的季节效应、长期趋势效应和随机波动之间存在复杂的相互影响关系，通常采用ARIMA乘积季节模型，即ARIMA（p，d，q）（P，D，Q）s，其中d 和D 为差分和季节性差分次数，而q、p、P 和Q 分别表示连续模型和季节模型中的自回归阶数和移动平均阶数，s 是季节周期。在本研究利用2015年至2018年数据进行建模，然后利用2019年上半年的数据做检验。

3.2.3.1 序列的平稳化 对该连续变量进行1 阶差分（相当于连续变量1 阶求导，过分差分将导致有效信息损失，一般从d=1 开始进行差分），1 阶差分将变量序列中蕴含的确定性（周期性）信息进行充分提取，可理解为使用自回归方式提取规律性信息。在此，将出科考核综合成绩进行自然对数转化，作1 阶12 步差分之后，序列呈现出平稳特征（图3），因此出科考核综合成绩的初步模型为ARIMA（p，1，q）（P，1，Q）12。

图3 1 阶12 步差分之后序列Figure3 Time series diagram of first-order 12-step difference

3.2.3.2 模型识别和参数估计 根据综合成绩差分后的自相关图及偏自相关图（图4），观察图形状态得知ACF 截尾，PACF 拖尾。通过R 语言auto 分析后进行初步判断：p=0；q=1。季节性模型中的P、Q 值一般不大于2，分别将P、Q 值组合后逐个测试模型，根据拟合优度检验结果以BIC 最小准则来选择模型。穷举筛选后，出科考核综合成绩的最优模型为ARIMA（0，1，1）（0，1，1）12，BIC=104.64。通过显著性分析可知6 阶、12 阶延迟下LB 统计量的P 值都显著大于0.05，可以认为这个拟合模型的残差序列属于白噪声序列，即该拟合模型显著有效。其中参数显著性检验结果都显著有效[6]，拟合模型为：

图4 自相关图及偏自相关图Figure4 ACF and PACF

3.2.3.3 模型诊断 运用ARIMA（0，1，1）（0，1，1）12 模型预测2019年1月至6月出科考核成绩（表3），结果显示，每月份综合成绩的实际数值在95%置信区间内，平均相对误差为-0.29%，模型拟合效果较好。

表3 2019年广州中医药大学附属中山医院每月出科考核综合成绩实际值与预测值Table3 Actual value and predicted value of 2019 monthly departmental examination results in Zhongshan hospital of TCM

3.2.3.4 模型预测 利用上述模型对2019年6月后出科考核综合成绩进行预测（表3 和图5），预测2019年下半年出科考核综合成绩均值达84.91 分，同比增长1.16%，意味未来的住院医师综合能力水平有了正向的提升。

图5 2019年下半年出科考核综合成绩预测模型Figure5 Prediction model of departmental rotation examination score in the second half of 2019

3.2.3 十字坐标轴纵轴（X）+纵轴（Y）有机融合构建动态可视化 以时间序列数据点为十字坐标的关联点，十字坐标定位某线性上的点，可展现出该点（即该次出科考核）住院医师的综合能力或竞争值，以及推断其今后的综合能力情况。本研究目前正在研发引入智能算法的APP，方便不同人群进行查询使用，针对不同的人群对象，建立不同的观测角度。如针对学员：数据库的记录对象为个人成绩；针对基地医院：数据库的记录对象调整为该基地所有住院医师的综合成绩；针对用人单位：数据库的记录对象调整为该用人单位录用人员的成绩；针对住培事业项目建设者：数据库的记录对象调整为全国住院医师的成绩。

4 讨 论

随着中医住培模式的发展，国家、省、市各层管理机构对培训成效的日益重视，广州中医药大学附属中山医院培训基地经过持续改进的实践探索，获得一定的初步成效，2015年1月至2019年6月每月出科考核综合成绩呈现总体上升趋势。考虑出科考核综合成绩作为原始数据，在各家培训基地中容易采集，可进行同方法的研究与验证，具有一定推广度。首先，雷达图分析法得出结果参数，能够较为直观地比较住院医师之间不同维度的竞争差异，具有很好的应用度。其次，时间序列分析法得出的结果参数呈上升趋势，主要受到住培制度的不断完善，师资队伍的能力提升以及住院医师的考试综合能力提升的影响。期间呈现出一些值得关注的现象，如周期波动、每年中旬出现下降趋势等，需考虑到该事件是否存在周期性的适应期或调整期。出科考核综合成绩一般受到多种因素影响，部分因素不便掌握、收集，难以通过其他因素进行估算，一般预测工具难以反映其周期性变化规律。另一方面，ARIMA 乘积季节模型是预测精度较高的时间序列预测方法之一，本研究结果显示，每月份综合成绩的实际数值落在95%置信区间内，平均相对误差为-0.29%，模型拟合效果较好。

综上所述，雷达图分析法及时间序列分析法能很好地应用于培训成效的评价，但由于模型主要是依据历史数据和现有数据做推断，不能预估类似“黑天鹅事件”的影响。与此同时，为了得到更精准的效果评价，下一步需通过回顾性分析方法，对在广州中医药大学附属中山医院住培模式下已结业的住院医师进行追踪，探讨结业后的住院医师的综合能力是否与预测值趋势相符。本研究希望未来引进更多种类的数据可视化模型，并引入智能算法及机器学习方法，使计算机能够开展神经网络运算预测，开发计算机APP 及手机APP，将数据驱动的理念和成果推广至有需要的人群与机构。