基于PDCA循环法的药品编码效率对比实验分析

李柯

(首都医科大学附属北京世纪坛医院， 北京 100038)

0 引言

根据卫生部发布《卫生部关于发展医院质量监督评估工作的通知》[1-2]的要求，医院必须每天在指定时间段内自动连续不断地上传医疗信息，这项工作成为医院鉴定的基本条件。虽然医院有专门的编码员，为病人提供一套完整的国际疾病分类(International Classification of Diseases，ICD)编码，但3A级大型医院的临床医生必须自己对所有住院病人的诊断进行编码。此外，医院的发病率情况也不完整，使得医院的入院数据不能很好地代表医院排水区社区的疾病负担[3]。

文献[4]提出了一种基于依赖解析的语义分析技术，可以自动将临床药品电子单编码分配给复杂的病历，但存在信息提交不及时、信息不准确的问题。文献[5]对新发疾病和疑难病例的编码环节进行分析，然而对NHI试点前12个月的审查结果表明，ICD系统在公共部门的实施情况并不令人满意，需要加强。

1 PDCA循环模型

本研究采用PDCA循环法来提高药品电子单的编码效率，并通过调研来自2020年上海市一家3A综合医院的出院药品电子单信息，构建PDCA循环模型，如图1所示。

图1 PDCA循环模型

1.1 制定计划(P)

根据PDCA管理规则，结合医院中患者比医生人数更多的实际情况，对2020年3月至2020年8月出院的14 097例住院药品电子单中的704例进行了随机抽样检查，其中173例药品电子单编码错误，错误率为24.57%。信息部门编码人员讨论并分析编码错误的原因，并计算错误原因的构成比，最终得出由主要和次要诊断选择错误以及药品电子单内容的疏忽引起的错误占所有错误原因的88%[6-7]。

1.2 执行(D)

根据等级评价要求并结合医院的实际情况制定药品电子单管理制度，采用药品电子单归档率作为药品电子单质量监测的重要指标，报告和分析显示在药品电子单质量的公共栏中，公告的内容应针对编码效率低的信息技术部门，根据人员和药品电子单数量而定，对达到标准的信息技术部门表示赞赏，并敦促滞后的部门[8]。

1.3 检查(C)

某信息技术部门的一名药品电子单编码人员连续两个月在编码效率排名倒数第一。针对这种情况，药品电子单管理部门首先将排名结果告知该人，然后四处摸索以签署改善保证书。药品电子单管理部门在部门检查时专门检查该人的药品电子单，敦促技术人员在限定时间内提高出院药品电子单编码效率。

1.4 总结和评估(A)

前一个月的药品电子单编码效率情况在下个月收集和排名，将排名结果张贴在药品电子单编码效率宣传栏中，并分别发表在医学质量简要报告和3A力争特刊上。评估结果在医院的年度报告中阅读质量分析会议，部门负责人例行会议和药品电子单管理委员会季度会议以PPT的形式进行，以提高对部门负责人对药品电子单会议的重要性的认识，发挥监督作用。

2 计算机辅助编码系统

本研究中的计算机辅助药品电子单编码框架如图2所示。

图2 计算机辅助药品电子单编码框架

CAC系统框架的建立包括两个阶段，即创建一个基于药品电子单和WordNet的网络来解释药品电子单代码的语义，然后根据诊断信息的输入提出一个算法来获得具有分数的药品电子单代码候选。此外，针对图2中药品电子单提出的CodeNet网络结构，该网络结构保留了WordNet中药品电子单实体和同义词集之间的语义信息。CodeNet方案提供了快速检索疾病相关文本输入与药品电子单编码实体之间语义关系的方法。当药品电子单应用程序接口(Application Programming Interface，API)无法获得正确的代码时，CodeNet也有助于替代代码检索。CodeNet的构建过程如下。

首先，将CodeNet的节点导入一个表示为GCN且通过重新组织药品电子单死亡率和发病率统计表；其次，将药品电子单实体分为三种类型，即根实体、章码实体和索引项实体；第三，派生自WordNet的词和义实体也被表示为CodeNet的实体，同时每个单词实体引用一个表示为(标识符，名称)的单词；最后，CodeNet中的图形包含根、章、代码实体、索引项实体和单词。

3）钻孔过程中，一般采用套管定位，钻孔直径采用φ42mm，每根导管长度2m，钻进2m后用导管螺栓连接继续钻进。

来自药品电子单和WordNet的实体之间的关系在CodeNet中指定。对于药品电子单实体，只存在一种类型的关系，药品电子单的树形结构中的代码关系的示例如图3所示。

图3 使用药品电子单和WordNet的CodeNet结构

在图3中，“1A00”和“1A01”的代码标识表示一种代码标识符“B2-1A0”。表示药品电子单代码(G1)之间的现有网络的图如式(1)：

G1=(entityj→entityi)ti,tj∈T

(1)

式中，T为一组药品电子单代码名，entity为实体类型，i为同义词集的标识符，j为除i以外的任何一个syn的标识符，G1为药品电子单代码之间的一组关系来组织的。WordNet同义词集由同义词集或其他正确的近义词集组成：

syn(i)=({wx},r{i,j}),x∈N+

(2)

式中，wx为WordNet中的第x个单词，r(i，j)为WordNet中定义的两个syn之间的同义关系。CodeNet的网络结构是式(1)中的G1，而(2)中WordNet的语法集GCN定义为

GCN=(e,HAS,s),∀e∈G1,∀s∈GWN

(3)

式中，e为药品电子单实体的代码名的一组字，s为药品电子单实体的代码名的语义词，HAS为e和s之间的一种关系类型。CodeNet将药品电子单与WordNet相结合，利用药品电子单中的医学知识和WordNet中的语义提供了一种新的结构，方便了医学编码。从药品电子单的表格列表构建CodeNet的步骤如算法1所示。

算法1:构建药品电子单CodeNetInput:Tabular list TL, Item List IL, Post-coordination list PLOutput:Network of Electronic medical record GILetitems ← {inclusion, exclusion, coded elsewhere}Let pc ← a set of postcoordination relationsfor ∀entityiin TLlevel ← depthiwhile depthj>level doif depthj=level+ 1 thenentityj→ entityi, (entityi, entityj) → GIentityi→ idi∈IL, entityj →idj∈ILentityi→ pci∈PL,entityj→pcj∈PLelsei ← j, level ← level + 1, go to level←depthiend ifend whileend forreturn GI

利用CodeNet结构，本研究提出了一种基于从药品电子单中提取的术语序列的带分数候选代码的自动提取方法。具体步骤如下。

步骤1：输入的药品电子单文本要编码的代码被拆分为一组有序的单词集{wi|1≤i≤N}，其中N是文本中的词干单词数。在搜索CodeNet时，每个单词集wi出现的频率在文本中是fi，通过一组{wi，fi}获得初始层(L0)。

步骤2：单词层L1是通过创建单词实体形成的，w由fi/fmax计算得到，wi在检索到的单词实体中，单词实体pj由Max(text_sim (wi,wj))计算得到，其中text_sim (wi,wj)为CodeNet 中输入词wi和词实体wj之间的文本相似度。

步骤3：对于感应层L2实体{e，s}，在CodeNet中有关sm的pk由Max(pj)和sim(input，sn)计算得出，其中sim(input，sn)是input和sn同义词组之间的估计的语义相似度值。图4说明了L0～L2层之间的权重计算。

图4 L0～L2之间的权重计算

对于代码层L3，从CodeNet获取每个e的索引词实体列表{c}，索引词实体的文本描述为{windex}，由Max(pk)来计算最大(sim(input，tz))wm。图5显示了L2和候选代码输出之间的权重计算。

图5 L2与候选代码输出之间的权重计算

步骤4：最后得到基于药品电子单和CodeNet的包含四层(L0、L1、L2和L3)的候选代码网络，根据最终索引项wm的

数值，得出候选代码列表{c}，该列表满足条件：

{c}={c|c∈L3,pc≤θ}

(4)

式中，θ为候选代码阈值。高度合适的药品电子单候选代码应该在列表中具有最大的pc，编码人员选择最佳编码解释相应的诊断结果。

3 实验与分析

本研究采用上海市某家(下面表示将以代号F)3A级医院的分娩婴儿药品电子单信息作为实验数据，关于F医院病人药品电子单鉴定评估表如表1所示。

表1 O医院病人药品电子单鉴定评估表

为了体现本研究方法的优势，分别调研采用传统基于手动编码的PDCA循环法A时段(2020年1月至2020年6月)与采用基于CAC系统的PDCA循环法B时段(2020年7月至2020年12月)两个时间段中药品电子单报告中的编码错误，并通过以下评估标准分析了2种方法对编码效率的影响对比，得到皮尔森卡方检验值P如表2所示。

表2 皮尔森卡方检验成果对比表

在表2中，A时段出院患者42 486人，信息报告中发现158错误，错误率0.372%；B时段的出院患者为45 188人，信息报告中发现129个错误，错误率为0.285%。进一步对表2结果进行分析，某些项目的错误率已大大降低。对错误项和每个项的错误发生频率进行计数，结果表明采用基于CAC系统的PDCA循环法的编码错误率明显降低。通过分析A时段和B时段药品电子单各项目的错误数，得到如图6、图7的柱状图。

图6 A时段药品电子单编码错误数

图7 B时段药品电子单编码错误数

通过图6、图7可以看出，与A时段的信息报告中的错误相比，B时段的信息报告中的错误数量减少了29个，总体错误率显着降低。实施基于CAC系统的PDCA循环法后，2020上半年信息报告中的主要错误得到了明显改善，有效地提高了药品电子单编码的质量。综合以上实验结果，反映了医疗记录的编写医院不规范，药品电子单不正确，不完整造成效率低的原因如下。

(1) 一些医务人员在业务培训期间学习不足，一些在职编码员没有强烈的责任心和高度的思想意识。

(2) 审核员不会仔细检查药品电子单。手术操作代码，主要诊断代码和药品费用的错误反映出医院编码员编写不规范。

(3) 药品电子单系统中某些疾病的代码与数据报告系统中疾病代码的标准版本中的代码不对应，疾病库没有得到及时维护和更新，审核员没有仔细检查药品电子单。为此，需要对医院人员的管理工作进一步的加强。

4 总结

针对多家医院药品信息报告编写的质量和效率存在严重缺陷问题，本研究采用PDCA循环法来进行管理药品电子单编码，提出了一种基于WordNet和药品电子单应用编程接口(API)的计算机辅助编码框架，帮助编码人员为特定病历选择最合适的药品电子单代码，并引入药品电子单候选代码的自动提取方法，从技术角度减少药品电子单编码错误率，提高药品电子单编码效率。相对于采用传统PDCA循环法，实施基于CAC系统的PDCA循环法后，药品电子单的主要错误得到了明显改善，有效地提高了药品电子单编码的质量。