05
非常挑战的医院管理
有别于相对单纯的企业管理，从管理层的决策制定到生产流水线的具体实施的一键式的执行流程，医院的（运营）管理则相对复杂得多。医疗的主体是医生，没有医生认可并积极参与的管理是不完整的，也是不成功的模式。但临床学科之间的专业壁垒非常高，不同病种和疾病诊疗之间的差异还特别大，所以更加需要针对临床上的不同病种、疾病和术式等诊疗行为进行质量和效益的分析，无论临床科室主任，还是医生都应该是被服务的对象。
然而，在现实中的大多数情况下，医院的KPI考核指标只停留在科室层面，并未能够把它们下沉到医疗组和医生的层面，没有达到真正助力科室管理，实现全员齐心协力的一致目标。究其原因，不仅是因为医院（运营）管理人员缺乏专业背景知识，更重要的是缺乏合理的评价方法，和行之有效的分析路径、方法和工具。
为此，我特别地将临床管理单独列出来，谈谈其中的分析思路和重要的关注点。此外，流程改进和优化是精益管理中的重要议题，成熟的数据分析方法、路径和具体步骤也值得我们去借鉴和学习。
06
临床管理中的数据分析
■服务对象和目的
服务对象是医院院长、临床科室、医疗组、临床医生，目的是通过对考核指标的细化分解，解决医院管理中的最后一公里，解决如何能够通过提供分析服务，让临床一起行动起来的难题（图4）。
图4 临床管理中的数据应用
在医保DRG/DIP支付改革落地的过程中，医院的高层管理者大都已经感到了前所未有的经营压力，他们也想方设法举办了各种院内的管理吹风会议，希望能够让临床动起来，共同迎接挑战。然而，理想丰满，现实骨干：“在会上都很激动、路上开始摇动、回到科室一动不动”的情况则非常普遍，因为临床也不知道该怎么动！那么如何通过数据分析来解决最后一公里的问题呢？
◇KPI绩效考核指标的拆分和根因分析：围绕考核指标进行细分拆解和进一步的开包分析，利用RCA根因分析等分析方法，找到问题产生的根源，并提出解决方案。如果是因为某些疾病在医疗过程中的标准化程度不够，导致的资源消耗超高，那就强化临床路径的培训；如果是某些手术的术前等待时间导致住院天数过长，那就优化诊疗流程，减少术前天数等等措施。
◇分级诊疗：分级诊疗是医改的主要目的之一，通过数据分析出来哪些是难度低，且亏损大的病种，帮助临床算清楚成本账，说明清楚利和弊，并坚决把基层病种和低阶病种分流到下级医院。不能为了满足满床指标，却造成医保和业务的双重负结余的得不偿失的困境。这种现象在很多中型医院中普遍常见，尤其需要用数据来说话，当然也只有数据，才能把问题说的清楚！
◇专病、专科、专人、专治的四专策略：临床医生是技术型人才，然而，很多临床技术也是“隔术如隔山”，医生也有各自擅长的病种。管理是对人才资源与技术的匹配过程，因此需要通过数据分析发现不同医生的擅长点，才能对专科专病实行专人专治的优化配置策略。
■分析路径
当我们拿到数据的时候，由于缺乏思路，常常不清楚分析要从何入手，最后做出来的分析报告要么是蜻蜓点水，浮在面上；要么就是满篇的细节，失去重点，不知所云。在日常工作中，我们看到的大多数报告都只是平面式的堆积数据的报表方式，是因为没有清晰的分析思路所导致，接下来我们就来谈谈制作“3D立体式”分析的思路。
◇按组织结构：遵循从上到下的组织结构路径，医院到科室、科室到医疗组、医疗组到主治医的四层结构，需要注意的是各层的关注点不同：
院长：关注点主要在战略层面：医保结余、国考指标、财务状况等；
科主任：关注点主要在策略层面：绩效指标、CMI、学科建设、专科专治等；
医疗组长：关注点主要在行动层面：病种难度、费用和效率等；
主治医生：关注点主要在细节层面：医保扣费、诊断/手术的超标等。
◇按疾病结构：也是遵循从上到下的疾病结构路径，临床学科/专业到DRG病种、DRG病种到诊断/手术等。需要注意的是分析病种结构的目的是为了强化治疗的标准化和规范化，提升医疗质量和效率。
◇按不同维度：
横向维度：指的是针对某分析对象在时间顺序上的变异性分析路径，比如某个医生在某些不擅长病种的管理能力分析，并以此提醒和规范医疗行为，提高医保结余。
纵向分析：指的是基于某个分析主题的涉及不同对象的变异性分析路径，比如某个病种/诊断在不同科室、医疗组、医生的疾病管理上的差异，并以此来加强专病、专科、专人、专治的四专策略，合理调配资源，减少浪费。
◇交叉分析：指的是将时间、维度、对象和主题全部放在一起的交叉分析路径，根据直觉和经验，灵活运用各种查询组合条件，达到一次性拎出问题和证据的目的。交叉分析是分析方法中最具挑战的，要求分析师不但要具备深度的专业知识，还要能够把业务流和对应的数据流在想象思维空间中无缝对接起来（想象能力），再次是对关联指标的逻辑推理，最后还能够熟练掌握各种编程的查询技能，把数据玩于手掌之间的综合能力。
07
流程管理中的数据分析
■服务对象和目的
服务对象是流程改造/再造项目，通过分析师对数据的收集、整理、分析和应用，从而实现优化流程，提升产品和服务质量的目的（图5）。随着医院收入的锐减，以减少浪费和增加收益的精益管理模式早晚都会被提上医院管理的核心议题，因此数据分析将会成为这些模式的主要支撑环节。
图5 流程改造和优化项目中的数据应用
■分析路径
以下案例是医院管理中的六西格玛中黑带的数据分析步骤和路径。由于每个项目的要求不同，具体的工作细节上会有差异，但大体步骤也相差不大。基于我个人的工作经验总结，分享给大家。
◇明确问题：一定要下到业务项目上去详细了解清楚问题，与相关方做足充分的交流和沟通，尤其在细节方面多问：发生了什么？什么时候发生的？怎么发生的？流程上的具体操作人员基本都能提供非常丰富的素材，还原事情的真相。
◇收集数据：从数据库中找到所有可能的相关性数据，越全面越好。同时将数据进行分类和储存，以便未来可以相互之间进行调用。
◇筛选因子：根据自己的习惯，采用绘制鱼骨图或者IPO图做问题关联性因子的罗列，然后使用原因和结果矩阵表（C&E matrix）和帕累托图等工具完成初步筛选，最后用FMEA（失效和后果分析）完成进一步的因子筛选和确定。
◇验证假设：因子筛选出来后，应针对原因假设的因子进行快速改善（Quick Wins）分析。快速改善后应进行再次的FMEA分析，根据风险优先值（risk priority number RPN）的变化确定改善是否有效果。如果快速改善后的效果不明显，证明因子的原因与预先设定的假设不符，或者存在系统测量分析（measurement system analysis MSA）上的误差，需要重新选择因子或者调整MSA，之后再次进入FMEA的分析步骤，直到找到关键因子为止。
◇实施反馈：针对筛选出来的关键因子和RPN优先顺序，提出相应的改进措施，持续的数据控制方案。完成改进计划的实施阶段之后，仍然需要定期收集用户反馈，必要时候还要对实施方案进行微调，才能真正有效。
08
分析和计算过程中的“坑”
■关联性指标：很多的管理指标有关联性，比如延长住院天数一定会增加药品费用；提高CMI，也会增加资源的消耗等情况。因此，当我们解释某些指标的时候，不能只看到事情的一半就开始高唱战歌，一定要多想想和确认清楚，与之关联的其他指标是否受到反向的影响，“被牺牲”了，只有这样才能得出正确的结论。
■平均值：前面说过，相对值是医疗数据的常见形态，凡是涉及病人疾病风险的平均值指标都需要经过风险校正之后才能使用，否则极有可能导致偏颇的结论。因此，当我们在临床医生面前讨论平均值来判断对错和好坏的时候，一定要多留个心眼，否则很容易遭到他们的质疑和抵制。
■平均值的平均：这是日常工作中最常见的计算盲点。大多数情况下，由于个案数据量太大，由信息科提供的报表基本都是已经汇总或者计算好的平均值，当我们使用它做二次计算的时候，切记不能简单地再做一次平均，得出的值一定是错误的，需要还原为总值后再计算。比如A科室的出院病人数100人，住院天数7天；B科室的出院病人数200人，住院天数10天。两个科室的平均住院天数是多少？正确的计算是：(7*100+10 *200)/(100+300)=9天，错误的计算是：(7+10)=8.5天。
09
小结
当医疗进入DRG/DIP支付时代，数据就已经成为支撑医院生存和发展的一只“看不见的手”，因为收入不仅仅再只是算账，而是与区域中其他医院竞争同一个蛋糕的问题：谁家的数据好看，谁就会获得更多的结余。与此同时，随着收入的减少，医院又不得不进入节流模式，更需要用数据去发现浪费、分析问题、与临床达成共识、从而实现提质和控本的高质量发展的目标。
因此，谁能够驾驭好数据这只无形手，谁就能发挥出巨大的职场价值。现在很多软件已经实现了一键式的报表生成工具，谁都会操作，因此，仅靠软件是不可能稳固自己的职场之路。能够从报表中慧眼识别出问题，找到根因，并为具体的工作提供解决方案，才是一个合格的数据分析师的真本事。当然如果还能够再制作出一份份3D立体式的分析报告，更是在大步迈向优秀分析师的队伍的路上，成为数据时代中不可或缺的角色。
本文中的内容大多是基于我本人在从业过程中的切身体会和对讨论议题的个人看法，若有不妥之处，敬请谅解，也欢迎在评论区留言。感谢大家的点赞、评论加关注。咱们下期再见！
《医院运营数据分析实战训练营》火热招生中！！
↓↓
