基于时间序列分析的重大突发公共卫生事件对医疗服务的影响研究
2023-11-30钱招昕黄耿文
袁 磊 钱招昕 黄耿文
【提 要】 目的 以新型冠状病毒肺炎(corona virus disease 2019,COVID-19)疫情为例,分析重大突发公共卫生事件对湖南省某医院医疗服务的影响。方法 采用中断时间序列分析(interrupted time series,ITS)方法,分析疫情前(2019年1月-2020年1月)与疫情后(2020年2月-2020年12月)某医院服务数量、医疗效率、疾病疑难程度、费用水平等指标的变化情况;建立自回归滑动平均混合模型(autoregressive integrated Moving average model,ARIMA)乘积季节模型,假设未发生COVID-19疫情情况下对2020年的出院量和门诊量进行预测,通过对比预测值与实际值的差异,评估COVID-19疫情对医疗服务量的影响。结果 COVID-19疫情对医疗服务具有显著的即时影响,该医院医疗服务数量和医疗效率显著下降,疑难危重患者增加,费用水平升高,但后期均逐步恢复。ARIMA模型结果显示,2020年出院量较预测值减少43038人次(25.62%),门诊量减少806337人次(26.93%)。结论 突发重大疫情对综合医院医疗服务影响显著,常态化疫情防控背景下全面恢复医疗服务面临挑战。建议医院逐步建立“平急结合”医疗救治体系,大力发展互联网+医疗的线上诊疗体系。
2020年初爆发的Covid-19疫情,是新中国成立以来传播速度最快、感染范围最广、防控难度最大的重大突发公共卫生事件,全国31个内地省份均发现了确诊病例,并全部启动了突发公共卫生事件一级响应,采取调整医疗策略、重新分配医疗资源等应急措施[1]。此外,湖北、北京、江西等地爆发的严重院内传播事件[2-4],造成多名医护人员、患者和家属感染,为降低院内感染传播风险,医疗机构采取了严格的管控措施[5],使原有医疗服务秩序打乱,常规医疗服务供给受到影响。本研究选取湖南省某三甲综合医院作为研究对象,采用中断时间序列分析(interrupted time series,ITS)方法,分析疫情前后医院服务数量、医疗效率、疾病疑难程度、费用水平的变化,建立ARIMA乘积季节模型,探讨医疗服务量的恢复情况,定量评估COVID-19疫情对医院医疗服务的影响,为医疗机构应对重大突发公共事件和做好常态化疫情防控下的医疗服务提供参考建议。
资料与方法
1.资料来源
数据来源于某医院2015-2021年的医疗数据统计报表与DRGs 住院医疗服务监测和分析系统。该医院位于湖南省长沙市,为三级甲等综合医院,同时是疫情期间湖南省首批发热门诊定点医院和首批具有新冠病毒核酸检测资质的医院,COVID-19疫情对该院医疗服务的影响在医疗机构中具有较强的代表性。
2.指标选取
基于疫情防控举措对就医流程和医疗行为的影响,本研究从4个维度选择12项指标进行评价,分别是:服务数量(门诊量、急诊量、出院量、手术量),医疗效率(平均住院日、床位使用率、床位周转次数)、疾病疑难程度[病例组合指数(case mix index,CMI)],费用水平(出院患者次均费用、出院患者次均药费、门诊患者次均费用、门诊患者次均药费),均为月度数据,间隔均匀。
3.研究方法
ITS属于准实验设计,能够在缺少有效对照的情况下,得到稳健的估计结果,在国内外卫生政策评价方面应用广泛[6-8]。构建分段线性回归模型,Yt=β0+β1X1+β2X2+β3X3+ε,其中Yt为因变量;β0为起始时刻水平的估计值;β1为开展干预前的斜率;β2为干预后的水平改变量;β3为干预后的斜率改变量,(β1+β3)为干预后的斜率;X1为时间序列,依次与观测点相对应;X2为观测点所处的干预阶段,干预前为“0”,干预后为“1”;X3为干预后的时间序列,干预前为“0”,干预后依次与观测点相对应;ε 表示随机误差,即模型无法解释的随机效应。通过对比疫情前后服务数量、医疗效率、疾病疑难程度和费用水平等维度的差异,以探讨COVID-19对医疗服务的即时和长期影响,其中2019年1月-2020年1月为干预前研究段,2020年2月-2020年12月为干预后研究段。采用Durbin-Waston法检验相关变量是否存在自相关,DW值的范围为0~4,其值越接近2,表明越不存在自相关。若存在自相关,则改用广义最小二乘估计,用Prais-Winsten法进行拟合。
利用R软件,建立ARIMA乘积季节模型ARIMA(p,d,q)×(P,D,Q)s,其中p、d、q与P、D、Q分别为非季节性与季节性自回归、差分、移动平均的阶数,s表示季节周期。ARIMA乘积季节模型是ARIMA模型的一种[9],能综合考虑季节趋势、随机干扰等因素的影响,预测具有季节周期性的时间序列的效果较好[10]。本研究使用2015年1月-2019年12月的出院量、门诊量数据建立模型,利用auto.arima函数进行自动定阶,确定模型中p、d、q、P、D、Q等参数的取值。采用Ljung-Box检验残差序列的白噪声,使用平均绝对百分比误差(mean absolute percentage error,MAPE)进行模型精确性评价,以判断模型的拟合优度。使用forecast函数预测未发生疫情情况下,2020年1月-2020年12月该医院的出院量、门诊量,通过比较预测值与实际值的差异,定量评估对医疗服务量的影响。
4.统计学方法
利用Microsoft Excel 2016建立数据集,利用R4.0.5软件进行模型构建与数据分析。检验水准为α=0.05。
结 果
1.COVID-19疫情对医疗服务影响的ITS分析
(1)服务数量
如表1与图1所示,COVID-19疫情发生后,医疗服务数量立即下降,其中门诊患者减少约155859人次(P<0.001),急诊患者减少约7634人次(P<0.001),出院患者减少8590人次(P<0.001),手术量减少4059人次(P<0.001),说明疫情对该医院医疗服务数量具有显著的即时影响。疫情干预前,门诊量和急诊量呈下降趋势,出院量和手术量呈上升趋势,但均不显著。疫情干预后期,医疗服务数量的趋势变化显著,门诊量(β3=20477.21,P<0.01)、急诊量(β3=874.14,P<0.01)、出院量(β3=878.28,P<0.05)、手术量(β3=555.42,P<0.05)均呈显著上升趋势,干预后门诊每月增加约20159人次,急诊每月增加约849人次,出院每月增加约1009人次,手术每月增加约588人次。
*:图中竖线表示疫情干预开始时间。
表1 疫情对医院医疗服务的影响
(2)医疗效率
从表1与图2可知,疫情干预对医疗效率具有显著的即时影响,平均住院日立即增加1.18天(P<0.05)、床位使用率立即减少46.77%(P<0.01)、床位周转次数立即减少2.55次(P<0.001)。疫情干预前平均住院日、床位使用率、床位周转次数随时间变化不明显,干预后床位使用率、床位周转次数的趋势变化,分别为6.98%(P<0.05)、0.28次(P<0.05),但对干预后的平均住院日的趋势变化无显著影响。
*:图中竖线表示疫情干预开始时间。
(3)疾病疑难程度
从表1与图3可知,疫情发生前该医院CMI值趋于平稳,疫情发生后CMI值立即增加0.08(P<0.01),具有显著性差异。随着疫情缓解,医疗服务逐步恢复常态,CMI呈下降趋势但不显著,每月下降约0.01。
*:图中竖线表示疫情干预开始时间。
(4)费用水平
由表1和图4可知,疫情干预对出院、门诊患者费用水平具有显著的即时影响,其中出院患者次均费用、出院患者次均药费、门诊患者次均费用、门诊患者次均药费分别立即增加3933.05元(P<0.001)、3275.70元(P<0.001)、145.38元(P<0.001)、125.69元(P<0.001)。出院患者次均费用在干预前呈显著下降趋势,每月下降211元(P<0.05),干预后呈下降趋势但不显著。出院患者次均药费在干预前后均呈下降趋势但不显著。门诊患者次均费用在干预前呈上升趋势但不显著,干预后趋势变化显著(β3=-14.29,P<0.001),每月下降13.23元。门诊患者次均药费在干预前呈下降趋势但不显著,干预后趋势变化显著(β3=-9.66,P<0.05),每月下降13.91元。
*:图中竖线表示疫情干预开始时间。
2.疫情后期医疗服务量恢复情况分析
(1)模型构建
采用auto.arima函数进行自动定阶,出院量拟合模型结果为ARIMA(2,1,2)(0,1,0)12,门诊量拟合模型结果为ARIMA(0,1,2)(1,1,0)12。Ljung-Box检验的统计量均无统计学意义,P值分别为0.915、0.697,表明残差序列为白噪声,MAPE分别为2.02%,3.96%,说明模型拟合良好,预测精度较高,具体见图5、图6。
*:图中黑色实线为实际值,蓝色实线为预测值,灰色与浅灰色区域分别为预测值的80%和95%置信区间。
*:图中黑色实线为实际值,蓝色实线为预测值,灰色与浅灰色区域分别为预测值的80%和95%置信区间。
(2)医疗服务量恢复情况分析
基于构建的模型,假设在未发生疫情的情况下,分别对2020年该医院的出院量、门诊量进行预测。结果显示,2020年出院量、门诊量将分别达到167970人次、2994103人次。而2020年实际出院量为124932人次、实际门诊量为2187766人次,与假定在未发生疫情的预测值相比,分别减少43038人次(25.62%)和806337人次(26.93%),其中1-6月分别减少30427人次(38.17%)、656207人次(45.28%)。全年中2、3月缩减最为显著,实际出院量较预测值减少幅度分别为83.04%、73.71%,实际门诊量较预测值减少幅度分别为93.27%、76.69%,后期逐渐恢复,但除9月份门诊量超预期值增加0.47%外,其余月份均未超过预期值。具体见图7、图8和表2。
图7 2015-2020年某医院出院量变化趋势与恢复情况
图8 2015-2020年某医院门诊量变化趋势与恢复情况
表2 某医院2020年出院量和门诊量的实际值与预测值对比情况
讨 论
1.突发重大疫情对综合医院医疗服务影响显著
本研究医院位于湖南省,疫情防控形势严峻。作为受湖北疫情输出影响最大的省份[11],湖南省于2020年1月23日启动重大突发公共卫生事件一级响应,成为全国第三个启动一级响应的省份。作为发热门诊定点医疗机构,该医院确诊了湖南省首例Covid-19社区感染病例,累计收治疑似患者226例,其中确诊患者31人。为落实疫情防控要求,避免交叉感染,降低院内传播风险,疫情流行期间,医院相应调整服务模式和就医流程,严格分区管理、分级防护,并采取了严格的防控措施,如单人单间收治、预留应急隔离房间、全预约制分时段诊疗、一患一诊室等措施。患者担忧进入医院会增大自身感染机率的心理因素等,导致门诊量、出院量、手术量等医疗服务数量指标大幅下降,2月份该医院床位使用率骤降至18%。有研究显示[12],北京市公立医院2020年1-6月实际出院量较假定未发生疫情情况下的预测值减少了50.8%,与本研究中38.17%接近。同时,因执行入院患者筛查肺部CT[13]、流行病学史调查等防控措施,也使得医疗效率立即下降,平均住院日增加1.18天。此外,随着疑难危重患者增加,就诊患者呈现“重症化”特征,CMI值显著升高,医疗费用也相应提高,住院、门诊患者次均费用分别增加3933.05元、145.38元,其中住院、门诊患者次均药费分别增加3275.70元、125.69元,这主要是因为在疫情防控期间,为减少病人到医疗机构就诊配药次数,根据国家医保局发布的《关于优化医疗保障经办服务推动新型冠状病毒感染的肺炎疫情防控工作的通知》[14],医院临时放宽出院带药时限,调整门诊医嘱用量,由最长不超过1个月调整为最长不超过3个月。
2.常态化疫情防控背景下全面恢复医疗服务面临的挑战
我国疫情防控取得阶段性胜利,社会生活和经济运行逐步恢复,转入大流行背景下的“后疫情时代”。但由于境外疫情扩散蔓延,对我国的输入压力持续增大[15];同时由于新冠病毒具有传播力强、传播速度快、潜伏期长[16],且无症状的感染者也能成为传播源等特性[17],也进一步增大了疫情防控难度,国内聚集性病例此起彼伏,黑龙江、北京、辽宁、新疆、河北等地相继发生了局部疫情反弹,多家医院出现院内聚集性疫情。而综合性医院专科门类齐全,来院就诊患者数量庞大且来源较为复杂,人员聚集性和易感性决定了医疗机构内发生聚集性疫情的高风险性。因此,尽管在恢复正常医疗秩序后,多数医疗机构仍要求入院患者进行核酸、肺部CT等筛查,继续实行预检分诊、分时段预约诊疗等措施,合理控制线下医疗服务量规模。本研究结果显示,随着后期医疗秩序步入正轨,医疗服务量有所恢复,但除9月份门诊量超预期值0.47%,其余月份均未超过预期值。王俊[18]等研究显示2020年8月北京市某医院的出院量达到同期水平的70%,手术量达到同期的80%。提示常态化防控背景下,综合医院医疗服务的全面恢复仍然面临挑战。
3.后疫情时代医疗机构发展方向
(1)建立“平急结合”的医院医疗救治体系
在COVID-19疫情流行初期,我国现行医疗体系面临重大考验,以武汉市为例,尽管武汉市有二级以上医疗机构59家,编制床位32071张,但能直接用于收治传染病的床位数却很少,负压病房床位仅有33张[19]。这主要是由于目前我国医疗体系仍以“治病为中心”,重治疗、轻预防;此外,多数综合医院的建筑布局也不具备收治经空气和飞沫传播疾病患者的能力[20],平时救治普通患者的医疗体系无法适用于传染病患者,难以快速转化为战时状态收治传染病患者的问题,导致了医疗机构难以高效应对突发重大公共卫生事件。此外,疫情初期发生的多起院内聚集性病例事件,暴露了医院在院感防控存在的短板。因此,进入后疫情时代,医院要加强顶层设计和战略规划,建立和健全“平急结合”战略下医疗救治机制。在硬件上优化布局,探索设立分院区、院中院等形式,以及建立符合院感要求,满足应对突发公共卫生事件的医院建筑,如设计“三区两通道”的病房,在发生重大传染病时迅速进行“平急转换”,有效利用医疗资源应对突发重大公共卫生事件,并减少对医疗机构的冲击和影响。在软件上着力提升突发公共卫生事件应对能力,制定科学规范的群体性不明原因疾病、重大传染病疫情应急预案,储备应对重大突发公共卫生人才队伍,定期开展公共卫生、院感防护等知识培训,以便在“战时”快速动员相应人才,参与突发公共事件的应对处置。
(2)建立互联网+医疗的线上诊疗体系
疫情流行期间,互联网+医疗的新模式在减少人群聚集,避免交叉感染,以及满足慢性病、常见病患者诊疗等方面发挥了重要作用[21]。2020年国家卫生健康委相继出台了《关于在疫情防控中做好互联网诊疗咨询服务工作的通知》和《关于进一步推动互联网医疗服务发展和规范管理的通知》等政策。COVID-19疫情在一定程度上培养了患者的线上就医习惯,加速了医疗与互联网的深度融合[22],从长远来看,互联网医疗将迎来重要发展机遇。医疗机构要把握政策导向,加强信息化建设,借助5G、大数据、人工智能等技术,布局线上诊疗服务平台,将线下的品牌口碑转化为线上影响力,为人民群众提供线上诊疗、线上购药[23]、健康宣教、远程会诊等服务,延伸医疗服务的广度。
本研究尚存在一定的局限性。本研究基于湖南省某三甲综合医院数据进行分析,为单中心研究,对整体医疗机构的代表性及外推结果仍有一定的限制。此外,由于数据的可及性限制,本研究未分析疫情对就诊病种与患者来源地等其他方面的潜在影响。今后,可以进一步扩大研究医院和分析指标,更加深入全面地评估COVID-19疫情对医疗服务的影响。
综上所述,本研究以COVID-19疫情为例,分析了重大突发公共卫生事件对医院的服务数量、医疗效率、疾病疑难程度、费用水平的影响,探讨了疫情后医疗服务量的恢复情况,突发重大疫情对综合医院医疗服务影响显著,常态化疫情防控背景下全面恢复医疗服务仍面临挑战,这提示医疗机构在继续做好常态化疫情防控的同时,应逐步建立“平急结合”医疗救治体系,大力发展互联网+医疗的线上诊疗体系。