許思特 張?zhí)焯?盛 韜 劉佳興 羅 力△

1.復(fù)旦大學(xué)公共衛(wèi)生學(xué)院(200032) 2.復(fù)旦大學(xué)計算機科學(xué)技術(shù)學(xué)院 3.復(fù)旦大學(xué)軟件學(xué)院

隨著我國醫(yī)保覆蓋面的擴大和保障水平的提高，違規(guī)騙保、過度診療、資源浪費等問題愈演愈烈。與此同時，根據(jù)國家進一步促進社會辦醫(yī)持續(xù)健康規(guī)范發(fā)展的要求，醫(yī)保將面臨越來越多的社會辦醫(yī)納保的局面，更加大了醫(yī)?；鸬娘L(fēng)險和監(jiān)管壓力。

近20年來，國內(nèi)外有大量學(xué)者，將數(shù)據(jù)挖掘、機器學(xué)習(xí)等應(yīng)用于醫(yī)保費用監(jiān)管、住院費用分析以及騙保行為甄別等。國外如Biafore使用數(shù)據(jù)挖掘技術(shù)從大量的復(fù)雜的異構(gòu)數(shù)據(jù)中發(fā)現(xiàn)一定的數(shù)據(jù)模式及趨勢，并以此提供決策支持[1]；Milley將數(shù)據(jù)挖掘技術(shù)應(yīng)用到醫(yī)療費用檢測，并給出成功實施的案例[2]；William J.Rudman，John S.Eberhardt等學(xué)者通過歸納分析了美國健康保險，利用機器學(xué)習(xí)與數(shù)據(jù)挖掘的相關(guān)技術(shù)構(gòu)建模型對欺詐與騙保行為進行甄別并對其進行分析[3]。國內(nèi)高臻耀，張敬誼等學(xué)者提出了利用數(shù)據(jù)挖掘與機器學(xué)習(xí)等技術(shù)構(gòu)建模型庫與方法庫[4]；藍英、李春吉、王川等學(xué)者將機器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)應(yīng)用于多種疾病的住院費用分析中[5]。

現(xiàn)在國內(nèi)主流的醫(yī)?？刭M模式，主要有三種，基于規(guī)則集的智能控費模式、PBM第三方控費和DRGs組合控費，三種方式各有優(yōu)勢，但也存在著規(guī)則不完備、第三方盈利點不透明、付費服務(wù)項目不夠精細的問題。根據(jù)國辦發(fā)[2020]20號《國務(wù)院辦公廳關(guān)于推進醫(yī)療保障基金監(jiān)管制度體系改革的指導(dǎo)意見》，結(jié)合本研究對醫(yī)保管理部門的咨詢結(jié)果，為有利事前、事中的監(jiān)管引導(dǎo)，應(yīng)對相關(guān)醫(yī)療機構(gòu)的費用加強大數(shù)據(jù)應(yīng)用，制定“模糊規(guī)則”進行監(jiān)管[6]。

如今，上海市有超過40家護理院，但對相關(guān)住院費用的監(jiān)管始終缺少有效的手段。根據(jù)文獻研究進展與實際管理情況，主要存在以下問題。

(1)建模問題

基于前期的調(diào)研結(jié)果與臨床醫(yī)生們的反饋，專家們表示難以給出明確的監(jiān)管細則標(biāo)準(zhǔn)，因而傳統(tǒng)通過專家咨詢形成規(guī)則的建模方式在本研究中無法實現(xiàn)。參考相關(guān)文獻，考慮將人工智能技術(shù)引入，對醫(yī)生們的經(jīng)驗進行歸納建模。但受限于人力成本，在以往的住院費用研究中，大多采用了非監(jiān)督學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等無需人工標(biāo)記的方法。這樣的建模方式雖然效果較好，但可解釋性較差，難以對實際管理操作產(chǎn)生有效反饋。

(2)管理問題

受限于管理者的臨床專業(yè)知識與人力成本，對相關(guān)住院費用的監(jiān)管始終沒有成型的金標(biāo)準(zhǔn)，僅僅是采用一刀切的監(jiān)管方法，即日均床位費不得超過400元。這種傳統(tǒng)監(jiān)管方法不僅不利于事前、事中的引導(dǎo)，同時使部分有違規(guī)收費傾向的醫(yī)生掌握主動權(quán)，采取規(guī)避處罰的診療方向。

針對建模中可解釋性差的問題，本研究采用機器學(xué)習(xí)中可解釋性較強的決策樹模型，從而有效反饋特征重要程度、機器決策路徑關(guān)鍵信息。針對建模與管理中人工標(biāo)記的成本問題，本研究采用主動學(xué)習(xí)算法，甄別較難分類的高價值標(biāo)注數(shù)據(jù)，進行重點標(biāo)記，從而通過較少成本提升算法的效果。針對管理中一刀切的方式，本研究將病人基本信息與費用信息悉數(shù)囊括，綜合考慮有效數(shù)據(jù)特征，從而更為準(zhǔn)確地判別相關(guān)住院費用數(shù)據(jù)的合理性。

綜上，為捕捉結(jié)合醫(yī)學(xué)、管理學(xué)、計算機的契合點，理解醫(yī)生思維，輔助醫(yī)保更有效地對護理院住院費用進行監(jiān)管控制，本研究嘗試將人工智能技術(shù)引入，以腦梗死后遺癥為例，構(gòu)建護理院住院費用合理性判別模型。

資料與方法

1.資料來源

研究的數(shù)據(jù)來源是上海市醫(yī)保中心提供的2016-2018年上海市病案首頁數(shù)據(jù)庫，選擇以腦梗死后遺癥(ICD編碼為I69.300)為主疾病的病例資料，收集患者信息字段與費用字段，包括年齡、住院天數(shù)、住院次數(shù)、有無手術(shù)、并發(fā)癥詳情等；統(tǒng)計患者各單項住院費用字段，包括一般醫(yī)療服務(wù)費、一般治療操作費、西藥費、護理費等。

2.數(shù)據(jù)預(yù)處理

本研究變量賦值及預(yù)處理的基本情況見表1，具體處理過程如下：

(1)剔除年齡、主疾病等關(guān)鍵患者信息字段有缺失的數(shù)據(jù)；

(2)剔除費用字段缺失超過1/3的數(shù)據(jù)，用中位數(shù)填補費用字段缺失不超過1/3的數(shù)據(jù)；

(3)患者住院費用屬于偏態(tài)分布，對數(shù)據(jù)進行Box-Cox變換，使其近似正態(tài)分布。繼而對數(shù)據(jù)進行歸一化，使其收斂于[0，1]之間；

(4)運用獨熱編碼與啞變量處理分類型的信息特征字段，如性別、醫(yī)療付費方式等。其中，由于“新農(nóng)合”、“城鎮(zhèn)職工”、“其他”三種付費方式，在病案首頁數(shù)據(jù)庫中均記錄為“醫(yī)?！?，因而未做進一步分類；

(5)運用二值化與分段處理連續(xù)型的信息特征字段，如年齡等。

表1 變量賦值及預(yù)處理

3.建模方法

(1)抽樣與標(biāo)記

從全市邀請了204位，從醫(yī)5年以上的護理院臨床醫(yī)生，參與大型的線上專家咨詢。對抽樣的18697條病案數(shù)據(jù)進行第一輪合理性的判斷，并利用費用字段構(gòu)建初步模型。所有相關(guān)資質(zhì)醫(yī)生基于自身經(jīng)驗，在閱讀完整病案信息的情況下進行費用量和費用構(gòu)成的合理性判斷。一條數(shù)據(jù)，若被醫(yī)生判斷為‘費用量合理’且‘費用構(gòu)成合理’，則認(rèn)為該條數(shù)據(jù)合理；若被醫(yī)生判斷為‘費用量不合理’或‘費用構(gòu)成不合理’，則認(rèn)為該條數(shù)據(jù)不合理。每條數(shù)據(jù)會由三位專家進行判斷，判別一致的數(shù)據(jù)用于建模，以保證標(biāo)簽與模型的準(zhǔn)確性。

由于受相關(guān)資質(zhì)醫(yī)生的數(shù)量限制，本文以系統(tǒng)抽樣為基礎(chǔ)，借鑒梯度下降法的思想，進行抽樣標(biāo)記。按主疾病分別抽取樣本記錄，以均值為中心點。由歐氏距離最遠處開始以學(xué)習(xí)率α(即步長)逼近中心點，并給醫(yī)生判斷是否合理。每條數(shù)據(jù)由多位專家判斷。學(xué)習(xí)率α視判斷一致率情況進行調(diào)整，離中心點較近或較遠處，α較大。

共抽樣18697條數(shù)據(jù)，有效回收15488條，回收率82.8%。其中，經(jīng)數(shù)據(jù)預(yù)處理，腦梗死后遺癥疾病相關(guān)數(shù)據(jù)共2352條。

(2)決策樹模型的建立

采用C 4.5決策樹算法進行建模，該算法采用節(jié)點二分法，追求信息增益最大化。當(dāng)選擇某個特征作為節(jié)點時，我們就希望這個特征的信息熵趨近于0(即概率趨近于1)，此時不確定性最小。為保證損失函數(shù)下降，即父子節(jié)點信息熵差為正的情況下，根據(jù)準(zhǔn)確率與各參數(shù)的可視化，確定調(diào)參方向。

本文設(shè)置70%樣本量為訓(xùn)練集，30%樣本量為測試集，特征選擇標(biāo)準(zhǔn)criterion選擇信息熵entropy，特征劃分點選擇標(biāo)準(zhǔn)splitter選擇random，最大深度max_depth選擇3層，max_features選擇None，隨機種子數(shù)random_state選擇420，內(nèi)部節(jié)點再劃分所需最小樣本數(shù)min_samples_split和葉子節(jié)點最少樣本數(shù)min_samples_leaf選擇5，類別權(quán)重class_weight選擇balanced，節(jié)點劃分最小不純度min_impurity_split選擇0.3。

(3)主動學(xué)習(xí)反饋

主動學(xué)習(xí)是指通過一定的算法找到未進行類別標(biāo)注的樣本數(shù)據(jù)中最有標(biāo)記價值的數(shù)據(jù)，交由專家進行人工標(biāo)注后，將標(biāo)注數(shù)據(jù)及其類別標(biāo)簽，納入到訓(xùn)練集中迭代優(yōu)化分類模型，改進模型的處理效果。主動學(xué)習(xí)的模型為A=(C，Q，S，L，U)。如圖1所示進行迭代循環(huán)。

圖1 主動學(xué)習(xí)模型

本研究中，機器學(xué)習(xí)模型C為經(jīng)第一輪標(biāo)記結(jié)果構(gòu)建的決策樹模型；查詢規(guī)則Q為經(jīng)第一輪標(biāo)記的數(shù)據(jù)分別訓(xùn)練5個算法不同的分類器，如果某條樣本被5個分類器按2∶3的比例給出了不同的預(yù)測，則將這個樣本視為有重標(biāo)價值；專家組S為參與標(biāo)記的醫(yī)生群體；標(biāo)記樣本集L為經(jīng)第一輪標(biāo)記過的數(shù)據(jù)集；未標(biāo)記樣本集U為未經(jīng)第一輪標(biāo)記過的數(shù)據(jù)集。

具體而言，我們將原始數(shù)據(jù)投入第一輪構(gòu)建的模型中，得出機器的判斷，并將機器的判斷的結(jié)果給醫(yī)生們進行二輪驗證，驗證模型的可靠性。第二輪驗證過程中，選取經(jīng)多種分類器判斷不一的數(shù)據(jù)以第一輪的原則進行主動學(xué)習(xí)的反饋，給醫(yī)生重新標(biāo)記投入模型。每條數(shù)據(jù)會由6位專家進行判斷。由于數(shù)據(jù)正負(fù)類別比例較高，采取少數(shù)服從多數(shù)原則進行驗證結(jié)果的確定。重標(biāo)后重新投入模型中形成反饋，對模型進行完善，直至模型在測試集準(zhǔn)確率達到80%以上。

(4)統(tǒng)計分析

本研究中，決策樹模型采用信息熵entropy作為模型的不純度，主動學(xué)習(xí)算法采用邊緣采樣margin sampling作為查詢函數(shù)。

其中，信息熵entropy的公式為：

邊緣采樣margin sampling的公式為：

Scikit-learn、Pytorch庫用于實現(xiàn)相關(guān)機器學(xué)習(xí)算法的編寫，Numpy庫用于維度數(shù)組與矩陣運算，Pandas庫用于數(shù)據(jù)分析與處理，Matplotlib庫用于圖表繪制及可視化。所有統(tǒng)計分析基于均運用Python語言實現(xiàn)。

結(jié) 果

1.基本情況

經(jīng)人工標(biāo)記與數(shù)據(jù)預(yù)處理，腦梗死后遺癥疾病相關(guān)2352條病案首頁數(shù)據(jù)中?；颊吣行?027例，占43.7%；女性1325例，占56.3%。患者平均年齡(82.7±8.6)歲。其中，<40歲組0人；40～59歲組39人，占1.7%；60～79歲組573人，占24.4%；80～99歲組1731人，占73.6%；≥100歲組9人，占0.4%?；颊邔嶋H住院天數(shù)最短1天，最長1151天，平均實際住院天數(shù)(148.1±143.0)天。其中，≤9天組167人，占7.1%；10～49天組347人，占9.3%；50～99天組523人，占22.2%；100～199天組859人，占36.6%；200～299天組219人，占9.3%；≥300天組237人；占10.1%。

2.住院費用基本情況

護理院腦梗死后遺癥患者住院總費用最低162.5元，最高361936.8元，住院總費用中位數(shù)(四分位數(shù)間距)為38453.36(50342.96)元。從患者住院費用構(gòu)成比來看，在人均住院費用中，康復(fù)費、治療費、西藥費占比較高。其中，康復(fù)費平均11992.4元，占22.3%，治療費平均7687.4元，占14.3%；西藥費平均7273.4元，占13.5%。護理院腦梗死后遺癥患者住院日均費用最低54.2元，最高2095.2元，住院日均費用中位數(shù)(四分位數(shù)間距)為356.9(161.8)元?；颊咦≡嘿M用構(gòu)成情況見表2。

表2 患者住院費用構(gòu)成

3.醫(yī)生判斷結(jié)果與二輪驗證結(jié)果

考慮醫(yī)生人數(shù)及工作量，本研究共抽取800條數(shù)據(jù)進行醫(yī)生判斷一致性檢驗，每條數(shù)據(jù)由3位醫(yī)生判斷。共反饋有效數(shù)據(jù)696條，合理性判斷一致率為68.5%。醫(yī)生對合理性判斷的一致性情況見表3。

表3 醫(yī)生對合理性判斷的一致性

由前文的判斷原則，若被醫(yī)生判斷為“費用量合理”且“費用構(gòu)成合理”，則認(rèn)為該條數(shù)據(jù)合理；若被醫(yī)生判斷為“費用量不合理”或“費用構(gòu)成不合理”，則認(rèn)為該條數(shù)據(jù)不合理?？傻觅M用量與費用構(gòu)成綜合后的醫(yī)生判斷情況。進行費用合理性綜合判斷的腦梗死后遺癥數(shù)據(jù)共計2352條。其中，被標(biāo)記為不合理的609條，總費用最小值240.4元，最大值282703.2元，住院總費用中位數(shù)(四分位數(shù)間距)為40499.6(53507.8)元；被標(biāo)記為合理的1743條，總費用最小值162.5元，最大值361936.8元，住院總費用中位數(shù)(四分位數(shù)間距)為38090.7(49074.1)元。合理性綜合判斷情況見表4。

表4 合理性綜合判斷情況

考慮醫(yī)生人數(shù)及工作量，本研究為驗證模型的可推廣性，隨機抽取500條數(shù)據(jù)，分別進行人工和機器的二輪判斷。邀請5位未參與第一輪標(biāo)記的臨床醫(yī)生對其進行人工判別，另用主動學(xué)習(xí)后的機器學(xué)習(xí)模型進行機器判別，將兩者的判別結(jié)果進行比對。500條數(shù)據(jù)中，420條數(shù)據(jù)判別結(jié)果一致，一致率達84.0%。

4.住院費用合理性判別模型構(gòu)建及影響因素分析

應(yīng)用決策樹對住院費用影響因素重要性進行分析。結(jié)果顯示：康復(fù)費、并發(fā)癥數(shù)量、住院天數(shù)等是影響腦梗死后遺癥費用數(shù)據(jù)合理與否的重要因素。其中，特征重要程度(feature_importances_)的數(shù)值越高，表明該特征相對模型越重要[7]。本次模型擬合共納入特征重要程度高于0.03的9個特征。其余特征在加入模型后，模型效能出現(xiàn)下降，準(zhǔn)確率降低或假陽性率升高，因此予以剔除。

其中，“入院病情”“有無手術(shù)”“血液和血液制品類”字段的特征重要程度均為0。經(jīng)觀察，所有數(shù)據(jù)的上述三類字段均一致，故而出現(xiàn)特征重要程度為0的情況。模型特征重要程度見表5。

表5 模型特征重要程度

5.模型完善與評價

基于醫(yī)保需求，本研究確定模型完善方向，著重于模型準(zhǔn)確率的增高與假陽性率的降低(本研究以“不合理”為陽性，“合理”為陰性)。分別繪制“數(shù)據(jù)量-模型準(zhǔn)確率、假陽性率趨勢圖”和“特征量-模型準(zhǔn)確率、假陽性率趨勢圖”，分別見圖2、圖3。每個數(shù)據(jù)點建模10次，剔除兩端極值取平均，消除隨機性造成的誤差；同時，在特征量趨勢圖中，將特征逐一投入，結(jié)合醫(yī)學(xué)規(guī)律與模型敏感程度不斷調(diào)整順序。

圖2 數(shù)據(jù)量-模型準(zhǔn)確率、假陽性率趨勢圖

圖3 特征變量-模型準(zhǔn)確率、假陽性率趨勢圖

在現(xiàn)有數(shù)據(jù)量和特征量的基礎(chǔ)上。在不考慮假陽性率的情況下，模型準(zhǔn)確率能夠達到90%以上；在考慮假陽性率穩(wěn)定在最低3.2%的情況下，模型準(zhǔn)確率能夠達到80.9%。其中，醫(yī)生與醫(yī)生的判斷一致率達84%?？梢宰C明該決策樹模型相對合理。同時模型中，節(jié)點的信息熵普遍低于0.3，表明信息增益較大，模型不確定性小，也可以證明該決策樹模型相對合理。

我們將傳統(tǒng)方法與前面的分類方法進行對比，這里我們選取兩條主疾病為腦梗死后遺癥的數(shù)據(jù)進行比較。以傳統(tǒng)監(jiān)管標(biāo)準(zhǔn)，即護理院日均費用不得超過400元/天，此時數(shù)據(jù)1為合理，數(shù)據(jù)2為不合理。但基于我們的費用合理性判別模型，綜合了并發(fā)癥數(shù)量、住院天數(shù)等基本信息后，合理性結(jié)果完全相反。進一步觀察可以發(fā)現(xiàn)，研究所得模型明顯比傳統(tǒng)方法更能說明問題。對于數(shù)據(jù)1，雖然日均費用未超過400元/天，但諸多單項費用為0，不符合合理情況；而對于數(shù)據(jù)2，雖然日均費用超過400元/天，但經(jīng)查病人的并發(fā)癥數(shù)量達到了11種，病情嚴(yán)重，確實有合理的依據(jù)。傳統(tǒng)一刀切的方法明顯無法辨別這類數(shù)據(jù)的合理性。數(shù)據(jù)1、數(shù)據(jù)2的各項費用情況及兩種方式判別結(jié)果見表6。

表6 數(shù)據(jù)選取

6.不合理類型臉譜

基于最終的合理性判別模型，本研究嘗試對常見的護理院腦梗死后遺癥疾病的不合理類型進行臉譜畫像。常見不合理臉譜歸為以下三類，具體見圖4～6。機構(gòu)名稱等敏感信息已遮蓋。

討 論

1.監(jiān)管建議

針對研究結(jié)果反饋的情況，本研究對多家不合理數(shù)據(jù)較多的護理院進行了實地調(diào)研，為醫(yī)保管理部門提出以下需要關(guān)注討論的問題。

(1)重點費用特征

結(jié)合機器學(xué)習(xí)模型與人工臉譜歸納，醫(yī)保管理部門應(yīng)著重對護理院住院費用中的康復(fù)費、治療費、西藥費等進行重點監(jiān)管核查。

(2)病案首頁信息質(zhì)量

在調(diào)研過程中，發(fā)現(xiàn)多家護理院的病案首頁數(shù)據(jù)存在分列錯位等數(shù)據(jù)質(zhì)量問題，建議加強對病案首頁數(shù)據(jù)收集的質(zhì)量控制。

(3)機構(gòu)端數(shù)據(jù)接口

在調(diào)研過程中，發(fā)現(xiàn)多家護理院存在醫(yī)保數(shù)據(jù)上傳接口不完備的情況，包括單項費用字段細化程度不一、上傳費用字段不同等問題。建議統(tǒng)一第三方信息公司對數(shù)據(jù)上傳接口搭建的規(guī)范，保證相關(guān)數(shù)據(jù)的可用性、有效性。

2.模型實際應(yīng)用

為將本研究的成果更好地投入實際應(yīng)用，向醫(yī)保決策者提供切實可用的工具，本文基于研究所構(gòu)建的判別模型，進行了完整的系統(tǒng)設(shè)計。具體設(shè)計見圖7。

圖4 不合理類型(1)

圖5 不合理類型(2)

總的來說，判別模型對費用數(shù)據(jù)合理性給出判斷，醫(yī)保對聚類后的不合理數(shù)據(jù)進行二次判斷，醫(yī)院對二次判斷仍不合理數(shù)據(jù)進行解釋，專家對解釋進行核查。如若解釋可接受，則對數(shù)據(jù)標(biāo)簽進行更新，并重新投入模型中，從而達到不斷完善數(shù)據(jù)及模型的目的。

3.模型不足及推廣

本研究的模型構(gòu)建方法，雖然能夠更準(zhǔn)確地甄別費用數(shù)據(jù)的合理性，但也需要較大的審核人力進行假陽病例的篩查。按現(xiàn)有正負(fù)類別比例6∶1，假使每年全市病案數(shù)據(jù)量為300萬，仍需借助系統(tǒng)人工審核7萬左右假陽病例。因此模型仍需要不斷完善。通過上文模型準(zhǔn)確率、假陽性率趨勢圖，可以明顯發(fā)現(xiàn)，如果數(shù)據(jù)量不斷增大，有效特征不斷增多，模型的效能仍有提升的空間。

理論上，對于分類模型，Vapnik有經(jīng)典結(jié)論，證明了如果想要構(gòu)建一個強壯的機器學(xué)習(xí)模型，我們應(yīng)該同時需要較大的數(shù)據(jù)量和特征量[8]。Jason Brownlee認(rèn)為訓(xùn)練機器學(xué)習(xí)模型需要多少數(shù)據(jù)要根據(jù)很多因素，其中要考慮到類的數(shù)量、輸入特征的數(shù)量以及模型參數(shù)的數(shù)量。非線性算法往往需要更多數(shù)據(jù)。一般把復(fù)雜的機器學(xué)習(xí)算法稱為非線性算法，它們可以學(xué)習(xí)輸入和輸出特征之間復(fù)雜的非線性關(guān)系，但也需要更多的訓(xùn)練數(shù)據(jù)。Jason認(rèn)為，對于簡單的線性算法，每個類需要幾百個訓(xùn)練樣本，對于復(fù)雜的非線性算法，每個類需要幾千個訓(xùn)練樣本[9]。

圖6 不合理類型3

圖7 系統(tǒng)設(shè)計

因而模型完善方向可歸納如下。

(1)細化病案首頁信息特征，適量增加特征數(shù)量；

(2)不斷收集病案首頁數(shù)據(jù)，增加模型數(shù)據(jù)量；

(3)通過模型判別-醫(yī)院解釋-醫(yī)保評判-數(shù)據(jù)反饋的完整系統(tǒng)，形成良性反饋。

本研究顯示，對于護理院腦梗死后遺癥疾病，上述方法學(xué)可有效監(jiān)管判別其住院費用合理性。經(jīng)嘗試，該套方法學(xué)也可應(yīng)用于其他疾病的監(jiān)管，并可進一步推廣至其他基層醫(yī)療機構(gòu)或二、三級醫(yī)院。本研究的方法也為行政部門制定適合腦梗死后遺癥等疾病按診斷相關(guān)分組預(yù)付費方式、降低醫(yī)療費用提供參考，有助于提高醫(yī)保服務(wù)質(zhì)量與管理效率，遏制醫(yī)?；鸬牟缓侠硐模沟冕t(yī)保、醫(yī)療機構(gòu)、患者各方效益最大化。