數據說話，三級評審全面考驗醫院數據能力

三級醫院評審正在迎來全新變革。

2020年12月28日，國家衛生健康委發布《三級醫院評審標準（2020年版）》（以下簡稱《評審標準》）。這是自《三級綜合醫院評審標準（2011年版）》頒布實施9年以來的第一次修訂，新老標準之間的變化受到了全行業的共同關注。

2021年10月21日，《三級醫院評審標準（2020年版）實施細則》（以下簡稱《實施細則》）正式出臺，對《評審標準》進行了進一步解讀和細化。國家衛生健康委要求：各地可根據當前工作重點，結合本地特點，遵循“標準只升不降、內容只增不減”的原則，對《實施細則》進行調整并備案后正式施行。

這兩個重要文件決定了未來三級醫院評審的發展走向。不難發現，新標準的最大變化之一是要求參評醫院提供數百項監測指標所需的數據。因此，準確、可靠、及時的數據支撐，成為“趕考剛需”。這對醫院的信息化建設，特別是數據平臺建設提出了挑戰。

“數據說話”是評審的風向標

從《評審標準》與《實施細則》的具體要求來看，進入全新發展階段的三級醫院評審工作呈現以下特點。

首先，評審形式從主觀定性向客觀定量轉變。過去，三級醫院評審方式以現場檢查、主觀定性、集中檢查為主，難免存在醫院突擊迎檢行為；將來，將逐步轉為以日常監測、客觀指標、現場檢查、定性與定量相結合的評審工作模式?！对u審標準》的這一變化，旨在引導醫療機構重視日常的質量管理和績效，畢竟加強日常工作才是能夠在評審中獲得優異成績的手段；同時也減少傳統評審形式難以避免的主觀偏倚，增強評審結果的客觀性。

其次，強調利用信息化手段開展醫療質量管理與控制工作。《評審標準》在“醫療服務能力與質量安全監測數據部分”共設74節、240條監測指標，內容包括醫院資源配置、質量、安全、服務、績效等指標監測，DRG評價、單病種和重點醫療技術質控等日常監測數據，數據統計周期為全評審周期，主要來源是國家與省級相關數據監測系統?！秾嵤┘殑t》指出：傳統的數據采集方法已經不能滿足當前三級醫院醫療質量管理工作的需要，利用信息化手段快速準確地獲取相關數據是適應現代醫院管理要求的必要條件。

國家衛生健康委醫政醫管局醫療質量處處長馬旭東在接受媒體采訪時表示：醫療信息化至少應該實現醫療質量安全管理功能，如實時統計質量指標，并完成相關信息的分析、反饋和對接等，為醫院最核心的醫療質量管理服務。

第三，重視上報數據的真實性、準確性。《實施細則》制定了“數據核查原則”，要求：醫院提供值與核查真實值差距在10%以上（含正負）、無法提供原始數據或被評審專家組認定為虛假數據的，均視為錯誤數據；所有錯誤數據，應當按核查后的數據結果再次計算，并根據錯誤數據占現場核查數據總數百分比進行懲罰性扣分，錯誤數據占比10%（含）以上將不予通過。

由此可見，在三級醫院評審中，數據的質量問題足以“定生死”。

《實施細則》中關于錯誤數據的扣分規定

高質量的數據從哪里來？

沒有高質量的數據作支撐，三級醫院評審就無從談起；而沒有信息化建設，高質量的數據更如同無源之水、無本之木。

由此而來的問題是，應利用何種信息化手段與路徑支撐醫院評審與日常工作？其實，《評審標準》和《實施細則》已經給出了答案。

《評審標準》第二十三條明確指出：“強化基于電子病歷的醫院信息平臺建設，滿足醫療質量管理與控制工作需要。”《實施細則》進一步闡述：“醫院應當依托信息平臺，加強信息系統標準化、規范化建設，強化數據的協同共享，實現臨床與管理系統間的互聯互通。”

要提升醫院自身的數據能力，醫院大數據平臺的作用舉足輕重。作為醫院信息集成平臺與醫療大數據應用相關行業標準的參與者與踐行者，柯林布瑞對此的理解非常深刻：在醫院信息化建設的頂層設計中，兩個平臺的建設非常關鍵，分別為位于底層的信息集成平臺與位于上層的大數據中臺。

2015年，原上海市衛生計生委（現上海市衛生健康委）牽頭組織編寫《上海市醫院信息集成平臺建設與實踐應用指南》。已幫助多家醫療機構建設醫院信息平臺、行業經驗豐富的柯林布瑞參與起草工作，公司聯合創始人秦曉宏擔任第一副主編。

《指南》首次將業務集成平臺與數據平臺從概念上區分開來，集成平臺重點解決業務系統間的接口問題，數據平臺重點解決醫院數據的統一管理、數據標準化、數據治理以及大數據應用等問題；首次在行業中提出并定義了運營數據中心（ODR），將人、財、物的數據領域歸于ODR，而不再單一歸于臨床數據中心（CDR）；首次在行業中提出并定義了科研數據中心（RDR），為基于CDR的數據標簽化處理及二次建模來構建RDR奠定了理論基礎，理清了實踐路線與方法。

柯林布瑞為醫療機構打造的醫院信息平臺，滿足《全國醫院信息化建設標準與規范》要求，功能具備《醫院信息平臺應用功能指引》要求，技術符合《醫院信息化建設應用技術指引（2017版）》要求，能夠提供醫療質量管理與控制工作所需的數據信息。在這樣的堅實基礎之上，柯林布瑞致力于為醫療機構實現醫療大數據的治理與利用。

柯林布瑞認為，應該在不影響業務系統正常運轉、不需要任何業務系統進行接口改造的情況下，對數據進行清洗、標準化、治理與集成。

因此，在柯林布瑞的大數據平臺上，由“數據層”監控業務系統底層數據的變化，將業務系統數據實時重建后集成到CDR、ODR、RDR中，這一過程有效地隔離了對生產系統的影響，數據可秒級接入大數據平臺。

在“數據層”之上的“服務層”，柯林布瑞自主開發了多項核心技術，包括ETL工具、NLP系統、元數據系統和大數據可視化系統等，形成適合醫療行業實際需求的數據治理核心能力，經治理后的數據符合《全國醫院數據上報管理方案》《全國醫院上報數據統計分析指標集》要求。同時，柯林布瑞基于多年經驗形成了超過3000項的數據質量規則庫，以幫助醫院不斷提升數據質量。

在大數據平臺的“應用層”，柯林布瑞通過合理利用上述能力與經驗，幫助醫療機構實現了千變萬化的數據應用場景，包括：區域交互應用、患者服務應用、臨床業務應用、運營管理應用、科研教學應用等，從而全面對標《評審標準》與《實施細則》的相關要求，為醫院迎接評審工作做足“考前準備”。

柯林布瑞的大數據平臺已經在150多家三級醫院接受了實戰考驗。2017年，在有37家廠商參與角逐的四川大學華西醫院大數據中心項目中，柯林布瑞憑借科學成熟的大數據治理體系與完善的數據治理解決方案脫穎而出，被評價為“數據維度最全，僅臨床領域的數據維度就超過10000項”。雙方聯合打造的“醫療大數據集成與應用平臺”整合華西醫院和醫聯體醫院數據資源，集成了超2000萬患者、超7000萬就診人次數據，范圍涵蓋電子病歷/檢驗/檢查/醫囑/費用等各領域，數據時間周期逾10年。通過數據驅動，支持“華西醫學整體率先邁入世界一流”的宏偉目標。

將數據“用起來”，才能支持醫院高質量發展

在三級醫院評審“考”數據的背后，其實質是引導醫院通過提升認知、分析、應用相關數據的能力，進行自我管理，實現健康可持續發展。

柯林布瑞為醫療機構打造的“3（3個數據中心）+N（多場景適配應用）+1（1個信息集成平臺）”體系架構，通過多種技術手段對數據實現深度治理，并結合不同的業務需求場景實現擴展功能，構建全流程的閉環質控管理體系，將“持續監測、數據分析、制定策略、調整改善”等行為落實到醫院日常工作中，從而達到持續提升的發展目標。

目前，柯林布瑞為醫院提供的數據智能應用可謂全面發力、多點開花，不但有力支持包括三級醫院評審、績效考核、電子病歷評級、互聯互通測評等各類數據上報和評審工作的高效率與高質量，更為醫院基于數據驅動的高質量發展奠定了基礎。

在醫療服務能力與醫院質量安全方面，柯林布瑞自主研發的“醫院醫療質量監控管理系統”包括醫院資源配置、工作負荷、工作效率等基本監測指標，對住院重點疾病、患者住院總死亡率、出院后非預期再住院率、醫院感染、護理質量，以及合理用藥監測指標、病歷時限、危急值等指標進行監測，全方位、多角度規范醫院醫療質控管理。

在單病種（術種）質量控制方面，柯林布瑞自主研發的 “單病種質控上報系統”，可自動提取患者完整病歷數據，借助NLP、深度學習等人工智能技術，從質量控制、資源消耗兩個維度對單病種診療過程的關鍵環節信息進行數據采集、監控、管理和上報，特點是“過程與結果并重”，在提升填報質量的同時提升醫院的單病種管理能力，保障醫療質量與安全。

在醫院運營管理方面，柯林布瑞自主研發的“運營管理系統”是基于ODR構建的醫院綜合統計分析與決策支持平臺，推動醫院由以往以報表為中心多源、分散、相對固化的管理模式，轉變為集中、動態、KPI指標管理的新模式。系統利用數據挖掘工具，從臨床業務、效率分析、收入分析、疾病分析、手術分析、資源分析等幾大維度，為醫院管理、監控、評價和預估等提供分析體系，輔助醫院管理者直觀了解醫院運行情況，推動醫院運營管理的科學化、規范化與精細化。

在醫?？刭M方面，柯林布瑞自主研發的“DIP醫療服務能力評價與控費系統”則是以醫療大數據治理為支撐，提供病案首頁質控、病種預入組分析、DIP運營評價、醫保結余分析和監測預警等服務，從醫院、科室、醫療組、病組等不同維度實現精細化績效成本核算，推進現代醫院的精益運營。

在績效考核方面，柯林布瑞自主研發的“公立醫院績效考核評價系統”，涵蓋國家對醫院績效考核評測的所有指標內容，通過醫院質量分析、運營管理分析、持續發展分析以及滿意度評價分析四大功能模塊，對醫院在績效考核方面工作進行追蹤與分析，系統展現績效考核結果統計數據，自動整合、分析、統計指標內容，為三級公立醫院準確高效地完成一年一度的績效考核工作提供了重要支撐，幫助醫院實現精細化管理與績效考核結果的“雙提升”。

與其說三級醫院評審考察的是醫院的各項監測指標數據，不如說考察的是醫院的“數據力”，也即認知數據、治理數據、分析數據、應用數據等方面的能力。醫院要提升自身的“數據力”，需要借助趁手的工具，而強有力的大數據平臺顯然是最佳支撐。