DRGs病种分组方法课件.ppt

疾病诊断相关分组分组方法 浙江杭州 马戈 数据收集——回顾性收集资料 摘录以往病案首页信息及医院HIS系统中的费用与成本数据信息，包括患者性别、年龄、婚姻、主要诊断、次要诊断、入院情况、出院情况、是否手术、手术操作编码、费用类别、抢救有无、护理有无、住院天数、住院费用等信息，整理数据为病例分组及诊疗规范研究作准备。 DRGs分类操作 数据整理 (例如) DRGs分类操作 住院天数小于等于0天 住院费用总数小于等于0天 病例中重要项目不全的数据 删除治疗效果“其他” 删除ICD编码不全数据（或可补全ICD编码） 将不符合逻辑的病例排除 住院费用为偏态分布，将所有住院病人按住院费用进行排序，剔除极端值，滤过小于P1且大于P99的病例 数据处理——住院费用正态分布检验 分析样本是否符合符合正态分布，如不符合，对样本进行整理，对数转化、数据拆分等方法使数据满足决策树分类要求。 （kolmogorov-smirnov对住院费用正态检测） DRGs分类操作 DRGs分类操作 数据处理——预测变量量化处理（例如） 序号 项目名称 量化方法 1 性别 l=男；2=女 2 年龄 1=20～15岁；2=216～39岁；3=40～55岁；4=56岁及以上 3 婚姻 l=未婚；2=已婚 4 入院情况 l=般；2=急症；3=危症 5 出院情况 1=治愈；2=好转；3=死亡；4=其它 6 手术 0=无手术：1=有手术 7 费用类别 1=自费；2=当地医保；3=外地医保；4=其它 8 次要诊断 0=无；1=有 9 抢救 0=无；1=有 10 护理 0=无；1=有 11 住院天数 (天) 12 住院总费用 (元) 13 手术费(元) (元) 数据处理——主要影响因素分析 单因素分析不同特征人群医疗消耗情况比较，分析各特征人群医疗消耗情况 多元线性回归分析人群特征对于费用和住院天数的影响，分析主要影响因素 DRGs分类操作 DRGs分类操作 数据分类——分类方法选择 决策树（Decision Trees)是当前世界流行、使用频率最高的数据挖掘方法，决策树是解决分类问题比较常用的方法之一，是一种用来实现分类以及预测功能的建立模型的方法。 常见的决策树有卡方自动互动捡验法CHAID、Exhaustive CHAID、分类与回归树CART和QUEST等方法。CHAID可以有效处理连续变量，并且实现对树的自动剪枝，顾多选择此方法进行分类。 数据分类——CHAID简介 DRGs分类操作 构建决策树 获取的多因素基础上构建决策树 设置分类节点、决策树停止条件最大分层、父节点最小样本数、子节点最小样本数、拆分合并的置信度设定。 剪枝 采取后剪枝方法：允许决策树充分生长然后修剪掉多余的树枝。被修剪的结点就成为一个叶结点，并将其标记为它所包含样本中类别个数最多的类别。 DRGs分类操作 数据分类——CHAID之前粗分类 按照ICD-10（主诊断编码）将所获得数据按照三位数类目表分类。 方法一 根据ICD-10编码类目的频数分布挑选构成前N位的疾病，即N种常见疾病。将排除常见疾病后的剩余的病例按ICD-10编码类目结合解剖部位、病因学、临床特征等因素分成M个非常见疾病。也就是将整个数据集划分成N+M个子集 方法二 方法一，根据有无手术分为手术组、非手术组。再按照有无并发症二次分类。 方法三 数据分类——确定CHAID决策树分类轴心 住院费用和住院日都可以反映医疗资源消耗量，两者呈正相关关系。由于住院费用的变异程度小于住院日，因而选择住院费用作为分组轴心。 DRGs分类操作 数据分类——确定CHAID决策树分组变量 根据住院费用影响因素分析的结果结合文献知识，选择年龄分段、入院情况、护理、手术、手术、次要诊断、抢救、出院情况等变量作为分类的解释变量。 数据分类——设置决策树的生长规则 采用方差分析法作为节点分割算法； 设置每个父节点只能被分割成n个子节点，即对每一个节点进行最优n分割； 节点例数少于m时停止分割，分割后的叶节点最少有e例： 树的最大高度为h； DRGs分类操作 数据分类——软件生成结果 通过统计软件（SPSS）得出分组结果和各分组规则。 数据分类——确定各组住院费用 以各分类费用的中位数作为参考的标准费用，以各组费用的75％分位数作为各类超标费用的阈值（也有文献将75％分位数+1.5倍四分位间距作为阈值）。 DRGs分类操作 数据分类——分组合理性评价 RIV(Reduction in variance)值、变异系数(CV)和非参数Kruskal-Wallis检验、回代检验等方法进行分析分组合理性。 DRGs分类操作 在制定DRGs分组及 分组后