一种基于大数据量化手术难度和风险的方法技术

本发明专利技术公开了一种基于大数据量化手术难度和风险的方法，其特征在于，所述方法根据手术的风险程度和技术难度建立量化的数学模型，并根据数学模型进行量化计算。本发明专利技术对手术系统进行量化，有效解决了手术评价粒度粗、不可量化、专科间无可比性的多个难题，提高了医院对手术绩效的管理。对手术绩效的管理。

【技术实现步骤摘要】
一种基于大数据量化手术难度和风险的方法


[0001]本专利技术涉及大数据医疗
，特别是涉及量化手术难度和风险的方法。

技术介绍

[0002]医院临床医生的绩效，长期依据人次工作量、收减支进行绩效评价，随着医疗价格改革及公立医院绩效改革的实施和持续深入，原先粗放式的绩效已不符合现在的形势发展，需要更精细化的绩效方式。
[0003]手术绩效是临床医生绩效的重要组成部分，也是体现外科医生能力的重要指标之一。原先按照手术的台次及手术难度进行综合考评，手术难度依据的是手术分级，各医院普遍参考的是原卫生部下发的《手术分级目录2011年版》，该目录主要用于手术分级准入管理。
[0004]手术分级管理规定各等级医院各专科可以开展的手术级别。但该手术级别目录属于主观判断分级，级别较粗，且按各专科进行手术分级，专科之间没有可比性，与临床实际的手术风险程度、复杂程度差异较大，无法用于手术绩效的精细化管理要求。
[0005]现有的手术绩效，采用了台次计算手术工作量，或采用手术分级目录(原卫生部下发的《手术分级目录2011年版》)对手术台次进行加权计算手术工作量。只采用台次未考虑手术难度，基本已在医院的手术绩效方法中淘汰，应用原手术分级目录，由于该目录仅分为四级，粒度较粗，即使同一级别的手术，也可能有较大的差别，现有级别目录不能完全满足一个临床对手术级别的精细化管理要求；其次，原有手术目录是分专科分别设置各个专科的手术级别，各个专科之间，没有可比性，如眼科的四级与心脏外科的四级，差别极大，没有体现出手术绩效的公平性，不符合临床实际；第三，分级的方式大多直接由专家对手术进行评级，属于主观判断，无具体的量化标准和数据，无客观数据支撑，不能体现出权威性。
[0006]因此希望有一种量化手术难度和风险的方法以解决现有技术中存在的问题。

技术实现思路

[0007]本专利技术公开了一种基于大数据量化手术难度和风险的方法，所述方法根据手术的风险程度和技术难度建立量化的数学模型，并根据数学模型进行量化计算。
[0008]优选地，所述风险程度量化数学模型包括四个维度：死亡率、术后住院天数、ICU判断和并发症判断。
[0009]优选地，所述死亡率根据死亡风险进行评级计算，具体步骤为：
[0010](1)计算各手术级别的住院死亡率M
i
；
[0011](2)对M
i
取对数Ln(M
i
)；
[0012](3)计算Ln(M
i
)的均值和标准差(s
i
)；
[0013](4)根据步骤(1)
‑
(3)的参数值计算死亡风险评分。
[0014]优选地，所述并发症判断为对手术后并发症进行PCCL计算，其中PCCL数值分为0
‑
4共5个级别，计算PCCL数值的步骤包括：
complexity level，PCCL)，反应病人的临床症状和复杂程度，一个单独病例会被分配一个PCCL值来衡量并发症和合并症的累积效应。
[0039]信息熵：表示信息的价值，计算公式为：
[0040]H(x)＝E[I(xi)]＝E[log(2，1/P(xi))]＝
‑
∑P(xi)log(2，P(xi))(i＝1，2，..n)
[0041]其中，x表示随机变量，与之相对应的是所有可能输出的集合，定义为符号集，随机变量的输出用x表示。P(x)表示输出概率函数。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高，是系统有序化程度的一个度量。
[0042]信息增益(Kullback
‑
Leibler divergence)：又称information divergence，information gain，relative entropy或者KLIC。
[0043]在概率论和信息论中，信息增益是非对称的，用以度量两种概率分布P和Q的差异。信息增益描述了当使用Q进行编码时，再使用P进行编码的差异。通常P代表样本或观察值的分布，也有可能是精确计算的理论分布。Q代表一种理论，模型，描述或者对P的近似。
[0044]实施例1：本专利技术基于大数据量化手术难度和风险的方法，根据手术的风险程度和技术难度建立量化的数学模型，并根据数学模型进行量化计算。
[0045]本实施例采用《上海联众DRGs绩效手术分级目录》作为数学建模的数据参考，该目录不同于原卫生部的《手术分级目录2011年版》，采用了部分的量化数据(医生数量、手术时间)并经多地多名专家进行过调整，基本符合临床实际，并已在浙江、云南、江西、上海的3000家医院使用。
[0046]以下所描述的“手术级别”，均指《上海联众DRGs绩效手术分级目录》中的绩效手术级别。
[0047]按以下几步进行：
[0048]一、风险程度的量化模型
[0049]所述风险程度量化数学模型包括四个维度：死亡率、术后住院天数、ICU判断和并发症判断，选取如下表1四个维度度量风险程度：
[0050]表1四个维度度量风险程度
[0051][0052][0053]1、所述死亡率根据死亡风险进行评级计算，具体步骤为：
[0054](1)计算各手术级别的住院死亡率Mi；
[0055](2)对M
i
取对数Ln(M
i
)；
[0056](3)计算Ln(M
i
)的均值和标准差(s
i
)；
[0057](4)参照表2死亡风险评级数值对照表，根据步骤(1)
‑
(3)的参数值计算死亡风险
评分：
[0058]表2死亡风险评级数值对照表
[0059][0060]2、所述术后天数为该手术病例最后一台手术日期到出院日期之间的在院天数。
[0061]3、所述ICU判断为是否进入过ICU，可依据转科记录或是否有ICU的收费记录，判别是否进入过ICU。
[0062]4、所述并发症判断根据表3并发症名称进行判断
[0063]表3并发症名称
[0064][0065][0066]所述并发症判断为对手术后并发症进行PCCL计算，其中PCCL数值分为0
‑
4共5个级别，计算PCCL数值的步骤包括：
[0067](1)根据是否出现手术后并发症计算PCCL数值，未出现手术后并发症时PCCL＝0，出现手术后并发症时PCCL＞0，计算每个术后并发症的CCL值，CCL值反映某个诊断并发症和合并症的水平，每一个诊断被分配一个CCL值；
[0068](2)将步骤(1)所有术后并发症的CCL值转为字符串并合并为一个字符串GI，去除掉字符串GI中CCL值为0的字符，并对照PCCL标准表进行查询，找出字符串GI对应的PCCL值；
[0069](3)步骤(2)中字符串GI在PCCL标准表中无对应或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据量化手术难度和风险的方法，其特征在于，所述方法根据手术的风险程度和技术难度建立量化的数学模型，并根据数学模型进行量化计算。2.根据权利要求1所述的基于大数据量化手术难度和风险的方法，其特征在于：所述风险程度量化数学模型包括四个维度：死亡率、术后住院天数、ICU判断和并发症判断。3.根据权利要求2所述的基于大数据量化手术难度和风险的方法，其特征在于：所述死亡率根据死亡风险进行评级计算，具体步骤为：(1)计算各手术级别的住院死亡率M
i
；(2)对M
i
取对数Ln(M
i
)；(3)计算Ln(M
i
)的均值和标准差(s
i
)；(4)根据步骤(1)
‑
(3)的参数值计算死亡风险评分。4.根据权利要求2所述的基于大数据量化手术难度和风险的方法，其特征在于：所述并发症判断为对手术后并发症进行PCCL计算，其中PCCL数值分为0
‑
4共5个级别，计算PCCL数值的步骤包括：(1)根据是否出现手术后并发症计算PCCL数值，未出现手术后并发症时PCCL＝0，出现手术后并发症时PCCL＞0，计算每个术后并发症的CCL值；(2)将步骤(1)所有术后并发症的CCL值转为字符串并合并为一个字符串GI，去除掉字符串GI中CCL值为0...

【专利技术属性】
技术研发人员：许炜，
申请(专利权)人：上海联众网络信息股份有限公司，
类型：发明
国别省市：