美国的 DRG 最初也是使用时间效率、费用效率等（ general metrics）来做评价，但评价后发现大医院很吃亏，因为其收治的病人都是特别重的所以指标基本都在平均值以上。像梅奥、克里夫兰等医院他都是治疗那些难度很大的疾病但是排名很靠后，这对医院来讲是不公平的，所以说就是用这种平均值来做评价、做度量衡就存在着鞭打快牛的情况。为了更好地解决医疗评价的合理性问题，美国哈佛大学教授Lisa lzzoni (1954-) 于上世纪九十年代末提出了疾病风险调整 (Risk Adiustment)，一种针对导致医疗质量差异的变量的重新研判的评价方式。在疾病风险调整体系中，除了需要考虑病人的合并症和并发症外，还应该考量的疾病风险因素包括病人年龄、 性别和相关的生理生化指标等。每个病人的风险具有非常大的个体差异，只有具备风险的多因素需要叠加才能真正反映病人的实际情况，才能符合临床特性。

 

*类似 Apache 评分：在重症医学里某个病人病情很重，可能会临近死亡，那怎么去判断它有没有可能死亡？就会把它的风险给叠加起来给病人打一个分，评分分数越高则这个病人的死亡风险就越高。

 

 

疾病风险调整与DRG/DIP二者之间并不是对立关系，而是引入“相对值”更合理评估“绝对值”。

 

《由后付制向预付制转变对医生行为影响的实验研究》中指出支付方式会影响医生的医疗服务供给行为，DRG激励医生提供不足的医疗服务。DRG对不同健康状况的患者均显示供给不足，且供给不足的程度随着患者疾病严重程度的增加而增加。对于医疗数据的分析应用需要从简单的数据统计转向医疗大数据分析，DRG/DIP分组考虑了疾病特性、资源消耗的差异，将病例分为不同的疾病诊断分组，但是其目的主要是用于在费用总额下的医保支付，是一个带有压制性的措施来控制医疗费用增长。（DIP/DRG以分组为基础，没有考虑到组内病例的病情和风险差异，而病人情况复杂，千人千面。CMI是以费用核算为算法基础，定价的偏差影响对医疗行为的合理判断。均值评价不符合临床特性，无法支撑业务和效益结果的融合。）

 

疾病风险调整是一种鼓励型策略：认可病情越重、风险越大，资源消耗越高。是对医疗技术和治疗难度的正向鼓励。作为支付方式，DRG/DIP采用平均值的方式来寻找到同一病种(病组）的平均水平，这个对于医保支付来说没有问题，但对于推动"标准化“治疗，和内部管理的合理性“调停与平衡”来说却存在大问题。

 

疾病风险调整的核心是通过个体差异量化来协调内部的平衡性，从而解决传统分组内“平均值”（同病同价同评价）引起的不公平及标杆值的合理设定，也即合理的高风险消耗不应该受到惩罚，低风险的过度浪费反而需要整改和提升，促进根因的分析和问题解决(RCA)。采用大数据建模方式将患者的疾病风险因素（性别、年龄、基础病、其他诊断等）进行疾病特征数据标准化，再通过统计学算法对死亡率、住院天数、费用等结果性指标建立相关模型。这种基于病种的细化分类，在不同管理方向上的建模评估，打通了不同病种、医生、学科、科室、医院的可比性、业务过程与财务结果的链接渠道，避免了由于评估差异带来的评估缺陷。

 

基于疾病风险预测模型，测算出每个个案病例患者的： 死亡率、住院天数、总费用、医事服务费、药品费用和耗材费用的预期值。

 

通过打破数据边界，深度挖掘数据价值，构建以每个患者（病例）为评价最小单位的综合评价体系。通过实际值（O值）与 预测值（E值）对比即可得到OE值，可对资源消耗的合理性进行判断。

 

O值：药品费用、耗材费用、住院天数等各项医疗业务指标的实际发生值

 

E 值：来源于疾病风险模型的预测值

 

 

【例】同一分组下不同患者的评价：大脑动脉血栓形成引起的脑梗死+经外周静脉穿刺中心静脉置管术

 

 

 

 

上个世纪90年代推出之后在业界引起了轰动，尤其是大医院非常认可这套评价体系，所以美国教学医院联盟就采用了这套体系。认为这一套体系做内控特别好，它能够去保护高水平临床医生的诊疗积极性，因为高水平的医生他一定是整治难度大、风险大、资源消耗大的病人，要把这些病人的风险给叠加起来，才能给这些医生一个正确的评价。所以说在这种情况下，就很快被推广运用起来了，美国、加拿大、英国也是用这套评价体系，后来又推到美国的医保局（CMS）。

 

 

（1）《疾病风险调整及其在医院精准监管与评估中的应用》：O/E指数为医院提供一种简单但实用的管理分析和评估手段，成功地解决了医院、科室和医生之间公平性比较的难题，是一套更加公平公正的绩效核心评价指标体系；能够帮助管理人员从医院到专科到医生到患者，快速精准发现和分析出各管理层面的系统性瓶颈，可节省大量的人力分析成本；能够积极正向引导临床医生参与疾病风险变量尤其是临床变量在模型中的引入等工作，推进医院从被动式管理向主动管理，推动医疗质量的精细化管理模式转型。

 

（2）《深圳市市属三级医院住院医疗服务综合评价对比分析》：DRGs的核心指标（rw、cmi）是用医疗费用的高低来反映医疗资源消耗的风险、进而推测患者病情的严重程度，这不能代表病人的死亡风险、临床病情风险，更无法代表同一个DRGs组内部不同病种之间的风险。而且在我国医疗服务价格扭曲的现状下，医疗费用并不能真实地反映相关问题，反而可能产生误导。

 

疾病风险调整通过医疗专业判断、大数据分析，遴选出对同一类病种转归有影响的各类相关因素，并建立疾病风险调整预测模型，从而精准预测同类病种在不同风险因素情况下的转归值和资源消耗值。由此评价医疗效果和医疗质量，以及观察医疗费用的控制，从而设定合理的管理目标，也能更有效地激励工作动力，提高医疗质量，降低医疗费用，因此在医疗服务综合评价方面是DRGs的有效补充。对不专科进行分析，甚至可以对具体医生进行分析和评价，精准量化各科室和医生之间在医疗质量上的差距，从而进行科室和医生的排名，为医院管理探索出更为科学的道路。

 

（3）《医院核心病种诊疗绩效分析及其在学科评价中的应用》：风险调整评价体系广泛用于美国教学医院疾病风险评估及改进医疗质量、效益和效率中，如哈佛大学附属培根妇女医院、哈佛大学附属麻省总院、克利夫兰诊所医院、MD安德森肿瘤医院、斯坦福大学医疗中心等，也用于美国医院的排名。

 

（4）【CHIMA 2019】 医疗大数据优秀案例《疾病风险调整推动医疗质量管理能力提升》：传统的医疗质量管理以及评价更多使用的是平均值、同比等管理指标，但医疗过程中因为疾病分类的多样化、病情的复杂性决定了简单的平均加权不能对医疗质量管理结果进行合理评价。而借用国际上常用的疾病风险调整方法体系，通过医疗大数据建模分析和疾病风险调整，通过对医疗前端病种和疾病风险差异的归集，再进行建模处理，通过疾病风险建模结果判断医疗质量管理结果的优劣，即病例实际管理结果与模型预测结果进行比较。通过对医疗质量管理结果相对性比较，而非传统的平均值比较，有效的解决的医疗质量管理结果的合理分析以及评价，推动的医疗技术在不断加强、医疗风险增长时，医疗管理结果预测值也增加，医疗管理的结果评价正向评价，从而正向推动医疗技术的发展，也提升了医疗质量的管理能力。