DRG(Diagnosis Related Groups)是一種“同質歸一”的病例組合方式，以出院診斷為基礎,結合年齡、手術、操作以及出院轉歸等因素，將患者分入若干診斷組。DRG具備組內可比性強和分析指標清晰全面的特性，是很好的數據標化工具，主要用于住院醫療服務監測分析和醫療付費改革，數據來源是病案統計室編目后的病案首頁。由于病案首頁的指標有限（158項），且傳統關系型數據分析手段獲取信息能力有限，使DRG應用的延伸無法得到很好的數據支持?；卺t療大數據平臺的DRG三大指標分析精準度可以具體到患者詳細的病歷資料，下鉆分析維度、指標達到數“千”個（方案、用藥、檢驗、檢查等）。同時，也對病案編碼正確性檢驗校準。本文將醫療大數據與DRG管理工具結合，運用大數據技術對電子病歷進行分詞、切詞和歸一等操作，實現數據后結構化，極大范圍的拓展DRG分析指標；借助大數據的思維和方法進行研究，突破傳統分析模式，有效延伸和拓展DRG的應用。

本系統數據來源HIS、EMR、LIS、RIS、超聲、病理、內鏡、隨訪等。目前，接入大數據平臺數據量共計約1.5T（文本書），主要接入數據見圖1。

圖1 數據接入范圍

1.系統架構

基于大數據平臺的DRG系統數據源頭是HIS、EMR、LIS、RIS、超聲、病理、內鏡和隨訪，經過大數據平臺完成數據脫敏、后結構化、建立患者唯一標識EMPI和數據驗證等工作后，進入DRG管理系統進行分組并展開有關DRG的數據分析展現，同時基于DRG延伸并發癥等級相關分析、醫保費用影響因素分析、病歷調閱、患者全景和病例分析等應用。見圖2。

圖2 系統架構

2.關鍵技術

系統運用主流大數據技術，采用hadoopv2.0技術框架，該框架最核心的組件就是HDFS和MapReduce。HDFS為海量的數據提供了存儲，MapReduce為海量的數據提供了分布式計算框架，其他組件主要有：資源控制-YARN資源管理器、內存計算-Spark計算框架和數據倉庫-Hive。大數據平臺運用這種框架解決了傳統架構較難解決的海量數據存儲和計算問題，實現了病歷數據的分詞、切詞、歸一、后結構化以及大數據秒級高速查詢的功能。利用OGG數據同步工具實現生產庫到大數據平臺的準實時同步。

3.安全保障 

參考信息安全等級保護第三級要求，圍繞大數據平臺建立了一整套包括硬件、系統、鏈路、數據應用、應用授權和審計安全機制來保證醫療數據平臺的數據安全。運用防火墻、堡壘機、審計、流量控制器，關閉風險端口，啟用系統漏洞與補丁偵測等技術，加強數據脫敏與加密工作，嚴格審核應用層數據權限管理，實行一系列數據安全保障措施，保證大數據平臺的數據安全。

1.拓展分析指標

基于病案首頁的DRG分析指標僅有158項，基于腫瘤大數據平臺的DRG系統分析指標拓展至幾百上千，根據需求可從電子病歷生成新的分析指標，極大程度的滿足分析需求。目前，新增腫瘤特色指標如：TNM分期、腫瘤下緣距肛緣距離、送檢淋巴結數目、陽性淋巴結數目、結直腸癌手術分類和是否術前輔助化療等，新增通用指標如：是否腹腔鏡手術、主要手術操作部位、是否進行穿刺、是否氣管插管/切開操作、是否使用藥物卡文、是否二次手術、患者住院BMI、是否輸血和是否進行心肺復蘇等。通過與醫師溝通，將醫師需要分析的指標口徑確定，運用大數據技術進行運算得出該指標具體數據。

2.靈活的操作方式

系統對數據過濾條件提供簡單搜索、條件設置、模糊匹配和高級檢索的匹配方式，用戶可根據需求自由組合。如分析30歲以上術后使用卡文的結直腸患者在不同手術等級下的病例組合指數CMI、費用消耗指數和時間消耗指數。同理，運用基于大數據平臺的新增指標，可以從醫囑、檢驗、檢查、手術等角度進行更加深入透徹的分析，將DRG分組結果的影響因素和原因剖析的更徹底。

3.病案調閱

腫瘤患者在診療過程中需要長期監測，復查復診情況多，實現對患者歷次診療記錄的全周期病歷調閱，能極大的豐富用戶在查閱數據時瀏覽的信息，深入分析患者入組、超標和診療方式選擇的原因。通過DRG指標作為條件，確定數據范圍后，可以查看和導出相關范圍內的患者在院（門診+住院）所有就診記錄，保證了患者數據的完整性和連續性，見圖3、圖4。如：對于高權重患者、特殊人群、時間費用超標人群可進行針對性資料調閱和深入研究。

圖3 患者單次住院記錄界面

圖4 患者診療全景界面

4.績效分析 

DRG實現了從醫院、病組、科室和個人層面的分析，見表1。例如，對比2017年前三季度與2018年前三季度CMI得出，2018年手術綜合、A科室CMI都較2017年前三季度有上升，非手術綜合、其他與2017年保持持平，但全院總CMI呈明顯下降趨勢。雖然各科室分類CMI呈現上升和保持狀態，但各科室分類入組病例結構產生變化，入組病例數較多且CMI較高的手術綜合病例構成比同比下降6.64%、入組病例數較多但CMI較低的非手術綜合病例構成比同比上升7.46%，入組病例數相對較少的A科室和其他科室入組病例數同比變化不大。分析可知，收治低權重病組病例數過多會使整體CMI值降低，若想提高全院整體CMI值，應更多收治高權重病組病例。

表1 前三季度CMI數據分析 

某腫瘤外科手術病組數據，見表2。由數據可知，該病種2017年上半年與2018年上半年在病組權重保持不變的情況下，時間和費用消耗指數都有了10%以上的增長，而同期全院數據雖然CMI有所下降，但是時間和費用消耗指數都有較大幅度的下降，說明全院有意識控制時間和費用成本，提高效率。此分析數據提示該病組需重新調整診療計劃，合理安排治療計劃和時間，縮短平均住院日，減少醫療費用，確保優質高效的服務。

表2 某DRG病組數據分析 

DRG以臨床醫療為核心，指標之間具備可比性,分析方法科學、合理，將DRG與大數據技術結合，能進行更深入的腫瘤特色數據分析，可為醫院績效分析、精細化管理和臨床科研提供數據服務。

5.因素分析

根據數據篩選出指定DRG分組的患者，分析影響因素和影響結果的關系。運用?；鶊D展示數據流向和數據程度。如用顏色深淺代表費用消耗指數高低，流量寬度代表患者例數，見圖5?？芍贕B15分組下，患者主要進行的手術為3級或4級手術，其中術后未使用藥物卡文的患者費用消耗指數高于已使用卡文的患者，將實際情況和分析結果結合，可為進一步優化診療流程，降低費用消耗指數提供數據支持。

圖5 醫保費用根本原因分析

6.促進病案質量 

系統設置病例未入組分析，通過此分析模塊，可找出未入組病例，調閱未入組病例的詳細資料，分析未入組原因，進一步減少人為編碼差錯，逆向指導病案人員對病例編碼核查校對，提高病案質量，提升入組率，見圖6。

圖6 DRG入組率

1.系統推廣及指標延伸

DRG管理工具通過分組結果集能為醫院績效管理和醫療付費改革提供數據支撐。運用大數據技術能拓展更多分析指標和維度，進行更深入、根本的探究，計劃持續向醫院行政、臨床和科研等部門進行推廣，運用信息化和大數據的力量為醫院管理和科研做輔助支撐。

2.系統功能優化

由于系統已接入用藥、檢查、檢驗、醫囑等數據，管理部分可進一步分析醫囑內容，如：設置超標醫囑分析、組內超標患者大醫囑分析等。