大数据视角下因病返贫致贫风险预警系统构建——以贵州省为例＊

刘润华 张程程 廖兴江

1.贵州医科大学医药卫生管理学院；2.韩国湖西大学中韩文化产业研究中心

加强动态监测、及时预警、提前干预可以有效降低或消除因病致贫返贫风险，因此构建因病返贫致贫风险预警管理系统，是新时期长效防范因病返贫致贫的必然要求。本文以贵州省为例，利用大数据技术构建了包含风险信息管理、风险识别、风险警示、风险控制等子系统在内的多主体参与闭环运行的因病返贫致贫风险预警系统。经初步系统测试应用，该系统风险预警管理精度较高，具有一定的有效性，可为防范因病返贫致贫工作提供新的辅助决策支持工具。

全面消除绝对贫困和区域性整体贫困后，防范返贫是巩固脱贫攻坚成果的重要任务。据国家卫健委的数据统计，因病返贫是最主要的返贫类型。关于破解因病返贫致贫困境，从健康管理和疾病负担来看，关口前移进行因病返贫致贫风险预警管理是长效防范因病返贫致贫问题最重要环节。国外学者主要针对家庭总体返贫致贫风险进行了研究，如Haddad和Ahmed利用回归分析估算了埃及家庭陷入贫困的概率[1]。Zizzamia等利用回归模型估算了南非中产阶级家庭下一期的返贫概率及家庭的贫困脆弱线，从而识别出未来返贫风险较高的家庭[2]。

随着大数据技术在实现风险预警管理方面的广泛应用，尤其是在医疗风险预警方面运用比较成熟[3]，国内学者结合大数据分析技术进行了因病返贫致贫风险管理方面的研究。彭玮和龚俊梅基于系统聚类法进行了返贫风险预警机制分析，并提出要充分利用大数据平台形成阻断返贫联动机制[4]。闫宣辰等构建了多元化的大数据挖掘分析模型，探索出了精准定位与压力评估协同管理的甘肃健康扶贫新模式[5]。姚进文等运用大数据分析实现了因病致贫人员的精准识别和初步预警，建立了健康压力和贫困压力的评估体系[6]。但是现有的大数据技术在因病返贫致贫风险管理方面的应用研究还不够深入，仅从构建防贫机制框架上进行了简单探索。

2021年4月，国家医保局、卫健委和乡村振兴局等七部门联合出台《关于巩固拓展医疗保障脱贫攻坚成果有效衔接乡村振兴战略的实施意见》，明确指出要加强因病返贫致贫风险动态监测，及时预警，提前介入，健全防范化解因病返贫致贫的主动发现机制、动态监测机制和信息共享机制。因此，基于大数据分析视角，深入挖掘因病返贫致贫的风险指标，构建因病返贫致贫风险预警管理系统，是新时期巩固脱贫成果同乡村振兴有效衔接的主攻方向，也是建立因病返贫致贫长效防范机制的必然要求。

1 系统构建

1.1 构建背景

贵州是中国减贫人数最多的省份，虽然完成了全面脱贫任务，但是目前全省仍有一定数量的重点监测对象，这类群体脱贫基础比较薄弱，返贫可能性极高。为进一步贯彻落实党中央、国务院关于实现巩固拓展脱贫攻坚成果同乡村振兴有效衔接的决策部署，贵州省政府提出要充分利用大数据技术强化因病返贫致贫风险预警监测的实施意见。目前贵州省已经建立了“精准扶贫云”大数据扶贫信息平台，实现了各级政府部门间数据共享和线上实时动态更新[7]，为基于大数据技术构建因病返贫致贫风险预警系统奠定了坚实的基础。本文在贵州省现有健康扶贫动态管理系统和防返贫监测信息系统的基础上，结合因病返贫致贫风险识别、动态监测和风险预警管理的需要，设计了因病返贫致贫风险预警管理系统，以期真正防范因病返贫致贫风险。

1.2 系统功能

因病致贫返贫风险预警管理系统结构如图1所示，由4个子系统组成。

图1 因病致贫返贫风险预警管理系统结构图Fig.1 Structure of the early-warning management system for the risk of poverty due to illness

（1）信息管理子系统：信息管理子系统的重要功能是及时、全面的收集多源数据并进行分析处理。基于贵州省不同行政职能部门和平台的数据库信息，利用大数据技术建立不同平台和不同部门间信息的高度关联性，通过分类、聚类、关联分析等数据挖掘技术将来自不同系统和平台的数据去重和归一化处理[8]。将实时监测的海量数据提炼为高密度价值的元数据，再由专业人员对高密度元数据进行人工判读和更正，形成一个中间数据库，最终实现不同平台和部门的多元数据采集和分析。运用大数据技术筛选因病返贫致贫的重点监测对象时以家庭为单位，汇总家庭所有成员的各种风险数据信息，充分扩展因病返贫致贫风险的重点监测对象的筛选范围。

（2）风险识别子系统：风险识别子系统的核心功能是精准识别因病返贫致贫风险源。首先，在每月连续动态监测风险指标数据变化的基础上，运用监督学习方法（如随机森林、逻辑回归、人工神经网络等）动态更新调整所有风险指标权重，提高风险预警准确性和实效性，从而实现风险的自动识别；其次，运用系统聚类分析方法建立风险预测模型，通过该模型预测判定是否存在因病返贫致贫风险；最后，综合计算因病返贫致贫的风险比率，并由专业人员进行风险源排查，核实具体风险指标。

(3)风险警示子系统：通过大数据分析技术确定A、B、C、D 4个临界值将风险比率划分出不同等级的风险预警区：无风险区（绿色）、低风险区（黄色）、中风险区（橙色）、高风险区（红色）。其中，绿色表示重点监测对象家庭经济和健康处于正常状况，无返贫致贫风险，不发送预警信号。若出现其他预警颜色表示重点监测对象，家庭经济和健康状况出现了不同程度的返贫致贫风险，需要相应部门第一时间排查并进行分级核实具体风险指标，核实后系统会自动发送预警通知信息给相关各级职能部门及工作人员。若出现多个风险指标异常，需要专业人员对风险指标预警进行优先级排序，为相应部门提供更精准的风险警示信息，以便采取有效的控制与干预措施。

（4）风险控制子系统：风险控制子系统整合了全社会多方力量共同参与，构建了由政府主导的多元主体参与的风险控制体系。除了医疗保障、乡村振兴、民政、卫生健康、就业保障、教育等多个职能部门外，还纳入了社会公益组织或团体、企业、爱心人士等其他帮扶主体，深化数据互通共享，形成齐抓共管的工作格局。根据风险警示精准信息，明确风险控制的实施主体，落实具体责任部门和支持部门，联动开展针对性地的干预措施。然后，进入新一轮风险预警系统的重新监测，形成一个动态持续监测的风险预警循环系统，以评估干预措施实施效果，并使该循环系统起到迭代优化的作用。

2 应用效果

2.1 系统应用

为验证本风险预警系统的有效性，将该系统应用在医疗机构、医疗保障和乡村振兴几个职能部门的内部网络中。测试过程中，主要以家庭为单位采集信息，人为修改设计信息管理子系统数据库的有关数据信息，分别使用本文新构建的预警系统与旧预警系统进行对比预测与分析。

2.2 评价指标

为实现科学有效监测的目的，在设置监测因病返贫致贫风险指标时，综合现有的文献研究、有关职能部门专家咨询和学界专家论证等科学方法，设置了人口结构、收支结构、健康状况以及健康素养水平等5个风险维度23项风险监测指标，按不同风险维度选定的风险指标进行加权赋值，通过风险预警系统多次模拟测试和不断调整各指标的权重，形成相对合理的、适用的风险监测指标体系（如表1所示）。通过大数据技术对风险指标数据信息进行准确跟踪监测和并行计算，精准识别出因病返贫致贫风险的重点监测对象。

表1 因病致贫返贫风险指标Tab.1 Risk indicators of poverty due to illness

2.3 统计学分析

随机选取了单个、两个、多个风险监测指标，以及动态风险监测指标跟踪进行人为触发，对新旧系统的风险预警结果的风险对象数量、通知数量、预警次数、报警次数和干预部门数量的数据进行了对比统计分析。风险预警测试结果如表2所示。

表2 新旧系统风险预警结果对比分析Tab.2 Comparative analysis of risk warning results of old and new systems

2.4 效果分析

从表2新旧系统测试结果可以看出：与旧系统相比，新系统在风险对象的识别数量、通知数量、预警次数、报警次数、报警信号和关联部门数量等方面对于因病返贫致贫风险都具有更精准的辨识性，说明本文构建的因病返贫致贫风险预警系统具有一定的有效性。新系统提高了风险信息的自动化水平和处理能力，大幅度提升了风险预警精度，降低了风险预警的错误率。此外还扩展了旧系统的应用功能，可以根据风险识别发送详细的预警通知信息，能够更准确识别是否发送警报、并自动确定报警等级信号，以及关联相对应的干预部门。

3 结论

构建因病返贫致贫风险预警管理系统是当前及今后一个时期防范因病返贫致贫的重要任务，目前国内关于返贫致贫风险预警系统的讨论、研究与应用还较少，实践运用方面通常是针对返贫致贫综合风险预警的研究[9]，鲜有将内容聚焦于因病返贫致贫风险预警这一典型情况。本文通过大数据挖掘技术和分析方法的应用，实现了数据的即时采集和动态跟踪，并精准识别风险源和风险等级，自动分析落实各风险控制与干预实施主体的管理责任，追溯风险控制干预措施的实施效果，大大提高了因病返贫致贫风险管控效率。这对于因病致贫返贫风险的科学规范管理有进一步的提升，对于其他类型的风险预警管理也有一定借鉴意义。

从新系统测试过程来看，新系统的全面运行还需要进一步完善。首先是集中于数据标准的治理研究，制定统一的数据信息的分类和代码标准，提升数据质量，解决不同部门之间数据有机结合和相互协同的问题。其次是分步分批次进行新系统的运行。目前涉及的职能部门和平台范围较广，短期内难以真正达到预期的效果，同步铺开难度较大。应该先在因病返贫致贫风险密切关联的乡村振兴部门、医保部门、民政部门和各级医疗机构先行试点，提高新系统的利用率。最后是对系统运行有关责任人和工作人员进行专业培训与监督，定期反馈关于系统运行与维护的有关信息，真正推动新系统的有效运行。

引用

[1]HADDAD L,AHMED A.Chronic and Transitory Poverty:Evidence from Egypt,1997-99[J].World Development,2003,31(1):71-85.

[2]ZIZZAMIA R,SCHOTTE S,LEIBBRANDT M,et al.Vulnerability and the Middle Class in South Africa[R].Cape Town:SALDRU,University of Cape Town.NIDS Discussion Paper,2016.

[3]朱骄锋,马东,郑霞萍,等.基于商业智能技术的医疗风险预警评估模型构建[J].中国卫生质量管理,2017,24(1):3-6.

[4]彭玮,龚俊梅.基于系统聚类法的返贫风险预警机制分析[J].江汉论坛,2021(12):23-31.

[5]闫宣辰,路杰,姚进文,等.甘肃省健康扶贫大数据平台的建设与应用[J].医学与社会,2018,31(9):12-15.

[6]姚进文,路杰,闫宣辰,等.甘肃省健康扶贫新模式探究[J].中国卫生质量管理,2019,26(1):104-108.

[7]汪磊,许鹿,汪霞.大数据驱动下精准扶贫运行机制的耦合性分析及其机制创新:基于贵州、甘肃的案例[J].公共管理学报,2017(3):135-143.

[8]黄晓斌,钟辉新.基于大数据的企业竞争情报系统模型构建[J].情报杂志,2013,32(3):37-43.

[9]孙壮珍,王婷.动态贫困视角下大数据驱动防返贫预警机制构建研究——基于四川省L区的实践与探索[J].电子政务,2021(12):110-120.