某三甲妇儿医院门急诊患者就诊特征与耗时分析

□ 颜勇卿 YAN Yong-qing 徐军 XU Jun 鲁秀明 LU Xiu-ming

Objective To study the outpatient visit time and its influencing factors by the method of data science, and to explore the ways to improve the efficiency of outpatient visits. Methods All the records of outpatient services in 2019 in a tertiary specialized hospital were analyzed by python under Anaconda 1.9.7. p＜ 0.05 was considered statistically significant, and scikit-learn 0.22.1 was used for machine learning. Results The volume change among different periods within a day were statistically significant, but not among days within a week or months within a year. The time spent by the patients for outpatient visit did not change significantly in the above three time ranges. The time spent by the patients for outpatient visit was affected by several factors, including age (0.169), outpatient volume of the day (0.140),number of visits in the past year (0.127), and periods of visit (0.124). Conclusion The time spent for outpatient visit is affected by several factors. The efficiency of outpatient visits can be improved by optimizing the procedures of outpatient visits based on data science in the absence of large investment.

就诊时间是影响门诊服务满意度的重要因素，是医疗机构整体管理水平、医疗质量及服务质量的重要体现[1]，以往针对患者就诊时间的研究多用随机抽样方法，医院信息化发展之后，也有学者利用医院信息平台数据进行分析。随着以大数据为代表的数据科学兴起，各种方法及分析框架不断涌现，使对门诊大数据的分析成为可能[2-3]。本研究选取某妇儿三甲医院2019年全年的数据，利用数据科学软件和方法分析患者就诊时间分布和影响因素，探索门诊管理及流程进一步优化的措施。

研究对象与方法

1.研究对象。以该院2019年全年门诊儿童和成人患者为研究对象，数据来源为医院信息化平台数据库，以数据库中记录的各时间节点作为时间序列(在各时间节点的耗时分析中去除需要预约且预约时间超过1天的特殊化验和检查，其余分析包括全部可用数据)，因患者离院时间难以明确，研究中以患者单次就诊的首次时间节点和末次时间节点差值(文中简述为“整体时间”)间接反映单次就诊总耗时。

2.研究方法。数据处理在Anaconda1.9.7下进行(编译器python3.76；虚拟环境conda 4.83；开发环境Jupyter Notebook 6.03，数据清洗pandas1.02、numpy1.18.1；统计计算statsmodels0.11、scipy1.4.1；可视化Seaborn0.1，pyecharts1.71；机器学习scikit—learn0.22.1)，以p＜0.05作为具有统计学意义。

结果

1.数据情况。共获得原始数据2645915条，经过去重、去空得到有效数据2640200条，时间跨度从2019年1月1日—12月31日，其中小儿急诊744865人次，小儿门诊892386人次，成人急诊75353人次，成人门诊927596人次，所有门诊记录中提前预约的853830人次。

2.年龄分布。如图1所示，小儿门急诊患者在婴儿期的最多，其次在幼儿期有较低的高峰，而成人门急诊主要集中在育龄女性，成人急诊在20岁以下有一高峰。

图1 门诊患者年龄分布

3.年龄组与疾病的关系。小儿按新生儿、婴儿、幼儿、学龄前、青春期等分组，成人按年段分组，如图2桑基图显示各年龄段排名前五的疾病谱，各年龄组主要疾病组成各不相同。

图2 门诊不同年龄组患者前五种疾病

4.时间序列分析

4.1 就诊人数时间序列分析

4.1.1 一年内各月份就诊人数。1月、12月和7月患者人数最多，整体各月份患者数量变化不大(圆形分布[4]，Rayleigh法，下同，Z=0.313，p=0.151，差异无统计学意义)。

4.1.2 一周内患者人数变化。以周日和周一略多于其他时间，差异无统计学意义(Z=0.371，p=0.224)。

4.1.3 一天内各时间段患者就诊人数。如图3所示，小儿急诊明显多于成人急诊，且在9∶00～9∶59和19∶00～19∶59时间段呈双峰分布，最低点位于23∶00～23∶59时间段，成人急诊基本在7∶00～19∶59时间段内呈均匀分布。门诊患者亦呈双峰分布，上午就诊患者高峰位于8∶00～8∶59和 9∶00～9∶59两个时间段，下午高峰位于13∶00～13∶59和14∶00～14∶59两个时间段，但是明显低于上午，各时间段间差异有统计学意义(Z=0.271，p=0.048)。

图3 门诊一天内不同时间段就诊人数变化

4.2 患者就诊整体耗时的时间序列分析。常规的均值统计计算在样本量大于5000时，轻微差异即能使p值小于0.01[5]，本研究不同时间组间均存在统计学差异，且p＜0.001。

4.2.1 一天内各时间段患者就诊消耗的整体时间变化。如图4所示，门诊患者11∶00～11∶59时间段消耗的时间最长，下午逐渐下降。急诊小儿凌晨2∶00～2∶59时间段是消耗时间的最高峰，次高峰也在11∶00～11∶59时间段，成人患者与小儿类似，但在8∶00～8∶59时间段有一高峰期。

图4 患者一天内不同时段门诊耗时

4.2.2 一周内各日患者就诊消耗的整体时间变化。门诊相对于急诊变化较小，门急诊均为周末消耗的整体时间较长。

4.2.3 年内每月就诊整体时间变化。如图5，门诊就诊整体时间变化较急诊明显平缓，小儿急诊变化较为明显，尤其冬季，整体时间明显上升。

图5 患者不同月份门诊就诊耗时

5.门诊就诊耗时的影响因素

5.1 从就诊耗时的整体来看(图6)，耗时最短的是取药等候时间，门急诊和成人儿科普遍较好，最长的是儿科急诊的从取号到缴费以及整体就诊时间。

图6 患者门急诊各时间段耗时

5.2 不同患者特点的对比。门诊与急诊、成人与小儿、是否预约、医保与自费间各消耗时间除成人与小儿门诊“缴费到化验”外，差异均有统计学意义。

5.3 患者年龄与消耗时间的相关性。成人组和小儿组相关性均存在，p＜0.001，但相关程度较低(成人组各消耗时间r在-0.091～-0.020之间，小儿组r在-0.029～-0.009之间，spearman相关性)。

5.4 患者既往1年内就诊次数与消耗时间的相关性。成人组和小儿组相关性均存在，p＜0.001，成人组各消耗时间r在-0.129～-0.001之间，小儿组r在-0.023～0.020之间。

5.5 当天就诊人数与消耗时间的相关性。成人组和小儿组相关性均存在，且呈正相关，p＜0.001，成人组各消耗时间r在0.024～0.046之间，小儿组r在0.029～0.147之间。

6.监督学习。利用机器学习的方法，对所有因素纳入回归的范围，以“整体时间”为因变量(采取随机森林的方法[6]，测试集划分0.3，随机树数量200，开启袋外评估，有放回的采样，内部节点分裂的最小样本数2，叶节点最小样本数1，不确定性计算采取基尼指数)，模型拟合之后预测准确率仅为8.3%，纳入模型的患者特点指标及其重要性指数分别为年龄(0.169)、当天就诊人数(0.140)、既往一年就诊次数(0.127)和就诊时刻(0.124)。

讨论

数据科学是采用各种科学方法、处理过程、计算算法、系统体系从各种数据中提取和发现知识的一门交叉学科，通过研究不同数据类型、状态和属性及其变化规律揭示自然界和人类行为等现象背后的规律。数据科学采用了数学、统计学、信息科学和计算机科学等多个学科的技术和原理，去分析和理解数据中的实际现象[7]。数据科学的发展给处理大型的临床数据带来了极大的便利，避免了调查问卷等方法抽样过程中产生的误差[8-9]。国内的研究多侧重于管理上的探讨[10-12]，实际应用的较少，本研究利用python语言对2019年全部数据进行大数据分析。

有学者通过大样本的调研证实，门诊患者在不同类型的医院中候诊时间与总体满意度均呈负相关，候诊时间越长，满意度越低[13-14]。网络化的预约挂号是近几年兴起的解决候诊时间问题的重要测试，预约挂号最大限度地节省了患者时间[15]，而就诊过程中的辅助检查预约等多种人性化服务，又有效缩短了患者就诊间非医等候时间[16]。但是在实际运行中，许多患者仍然把预约挂号停留在“挂上号”的阶段，而并未按照预约的时间就诊，通过圆形分布法计算得出一天内不同时间段患者就诊人数仍存在集中的趋势。

从儿科专业特点讲，患儿语言表达能力弱，有的甚至没有表达能力，病史采集困难，查体化验等不配合[17]，均可能造成门诊耗时增加，但是本研究结果中虽然急诊儿科耗时明显高于成人，门诊甚至低于成人，考虑其原因可能是儿科呼吸道疾病在冬季常聚集性的高发，而这部分患者常在儿科急诊就诊，而对于门诊的儿科患者，常由多名家属陪同，便于分工合作，反而节省了时间，这也从一个侧面反映除了疾病本身的原因外，门诊流程等管理上的提高也能大量节省就诊时间。

患者在门诊消耗的时间受多种因素的影响，尽管采用了监督学习建模回归，但是预测成功率仍然较低，从研究结果得到比较重要的影响因素主要有4个：年龄、当天就诊人数、既往一年就诊次数、就诊时刻，提示在流程方面改进可以从这几个方面入手。患者年龄与就诊耗时呈较低程度的负相关，结合图2考虑疾病谱在不同年龄的分布是其可能的原因，老年患者常为肿瘤等慢性疾病复查，流程熟悉，就诊时间短，而在小儿，越小的小儿越不容易配合，年轻的成人患者耗时反而高于老年患者，这部分患者对手机微信等接受能力更强，通过手机等对就诊流程作出进一步详细的指导可能会有助于减少耗时。既往一年就诊次数提示了患者对就诊流程各科室地理位置的熟悉程度，提示在地理位置标识上可能仍然存在漏洞，今后可通过向患者进行问卷调查，网络收集意见等等方法进一步了解哪些医院设施的位置标识存在问题。结合对患者人数和就诊耗时的时间序列分析，当天就诊人数和就诊时刻反映患者就诊时仍有明显集中的趋势，除了加大宣教力度，指导患者按照预约单约定时间就诊外，适当根据人流量的变化调整医院分诊台、抽血窗口等的人手能减少患者等候时间，要更准确的预测人流变化和人手调配，TensorFlow等分布式深度学习框架可能提供更大的帮助[18-19]。