2019年9月10日，马云宣布退休了。

在这之前4天，网易云音乐获阿里巴巴、云锋基金等共计7亿美元融资，估值70亿美元左右。这是公开报道中马云退休前阿里巴巴最新的一笔投资。

网易云音乐的产品逻辑，是根据用户听歌产生的数据，与其他用户行为做匹配，找出行为最为相似的那群用户，然后依据这群用户的听歌记录，做定制化的推荐。

这个逻辑，与中国医保支付机制DRGs的最新一种方法论——“大数据按病种分值”异曲同工。

一个患者到医院看病，医保该为他付多少钱，才能让他获得有效而合理的医疗服务？既不会过度诊疗，也不会敷衍了事。

“大数据病种分值”的方法是依据疾病诊断、治疗操作及个人特征等数据，找到相似的患者，根据他们的平均花费，为这个患者计算治疗费用。这个方法，也被通俗地称之为大数据DRGs。

DRGs的方法论，与关乎每一个人的医保费用精细化管理息息相关。做好了，医保基金的使用效率就能得到提高，而看病贵的问题也能在一定程度上得到解决。

中国的DRGs研究始于1988年，在2018年国家医保局成立，成为当仁不让的主力推手之时，已历经30个年头。

30年中，DRGs既发源于医院自发的绩效管理，也蕴含着医保控费的实际需求；既有引进国外分组器进行本土化改造的尝试，又有自主研发分组器的实践。

伴随着大数据时代的到来，医疗大数据、机器学习等智能手段，已被利用到DRGs的改革实践中，成为一股新兴的力量。

本文尝试从方法论的角度，说明各类DRGs之间的不同之处，尤其聚焦于大数据病种分值方法论上的创新，以便溯源追本，知往开来。

DRGs——医保支付的“中庸之道”

简单理解，DRGs（Diagnosis-Related Groups）解决的是患者看病医保如何付钱的问题，要在“按项目收费”与“按人头收费”这两个极端之间，选择一条“中庸之道”。

若完全按照项目收费，会存在过度诊疗，例如重复入院、多开药物多做检查、刺激医院引入尖端诊疗设备和推销高价药物等问题。

若完全按照人头付费，则会诱导医院选择性接收病人，如接收症状较轻、住院时间相对较短的患者，推诿重病患者；分解患者住院次数，以获取更多的“人头”，最终会导致医患矛盾突出。

DRGs的出发点是基于这样一个概念：患者所接受的治疗与患者的病情有关，与医院的特性无关，如病床规模，是否是专科医院等。

治疗每个患者都要消耗一定的资源，而每个患者因其年龄、性别、主要和次要诊断，以及入院时的状况等因素的不同而消耗不同的资源，医保部门通过计算患者消耗资源的总量，制定拨付医院的费用。

现实情况中，由于个体差异很大，不可能制定“一人一价”。这就需要采用某种方法，将预计消耗诊疗资源相似的人群划分为一个组别，针对每个组别制定单一支付标准（俗称“一口价”），向医疗机构支付费用。

比如说，同样一个治疗关节炎的全膝关节置换手术，在上海不同的医院，治疗费用从5万多元到9万多元都有，最高和最低相差1.74倍。制定“一口价”，可以引导遏制不合理的医疗行为，使医院管理更加科学化。

从上述描述可以看出，实施DRGs的关键点有两个：第一，如何正确合理地分组？第二，如何制定合理的“一口价”？这两个问题也紧密相关，分组的合理性能够极大提升“一口价”制定的准确性。

那些DRGs的先行者们

DRGs分组的基本理念是依据患者疾病类型、治疗方式和个体特征的不同而区分不同的组别。可以分三个步骤来实现：

第一步，将大部分病例划分入不同的“疾病大类(MDC)”。澳大利亚AR-DRGs分为23个疾病大类，美国AP-DRGs和我国的CN-DRGs均分为26个疾病大类。

第二步，将同类MDC依据治疗“操作”方式不同，再细分为基干DRGs。

第三步，同类疾病、同类治疗，再按病人个体特征不同，如病例的年龄、性别、出生体重(新生儿病例)等，将基干DRGs再度细分。

举例来说，“胸部食管恶性肿瘤”与“血管性心脏病”即属于不同的疾病大类（MDC），首先就分入不同组别。

然后，针对“胸部食管恶性肿瘤”有不同的治疗手段，所以“胸部食管恶性肿瘤+保守治疗”、“胸部食管恶性肿瘤+食管癌根治术”、“胸部食管恶性肿瘤+食管癌根治术+空肠造口术”将成为不同的基干DRGs。

最后，针对同样被分入“胸部食管恶性肿瘤+食管癌根治术”这一组别的患者，依据其年龄、性别等个人特征再度细分，比如细分为“胸部食管恶性肿瘤+食管癌根治术+男”“胸部食管恶性肿瘤+食管癌根治术+男+40-50岁”等不同组别。

上述举例只是为了解释说明DRGs三步分组的一般流程，实际操作过程中，情况要复杂得多。

由于病例数量和类型众多，DRGs的分类过程需要借助计算机来完成，这就需要对上述三个步骤逐一编码。不同DRGs的主要区别就体现在分组的细节和编码系统的设计上面。

比如，上海申康在借鉴澳大利亚AR-DRGs的分类方法时发现，在肾疾患内科治疗组，AR-DRGs分为L61肾衰竭、L62肿瘤、L63感染、L64结石、L67其他。

而按照《肾脏内科国家临床重点专科建设项目评分标准(试行)》要求，肾脏内科主要病种为原发性肾小球疾病、间质性肾炎、高血压肾病、糖尿病肾病、狼疮性肾炎、血管炎肾损害、淀粉样变肾病等。如果上述肾病导致肾衰竭，则肾衰竭体现在病案首页的其他诊断中，而非主要诊断，导致肾疾病患者基本都在L67中。所以申康在实践过程中，以AR-DRGs为基础，推出了申康版DRGs。

在编码系统方面，美国的AP-DRGs使用ICD-9诊断和操作编码，澳大利亚的AR-DRGs使用ICD-10。而“师承”AP-DRGs和AR-DRGs的北京版DRGs的诊断编码采用ICD-10，但操作编码用ICD-9。

此外，虽然DRGs使用ICD编码作为基础，但在实际应用过程中，还会对依据各地实际构建本地的ICD版本，例如美国的ICD-CM、澳大利亚的ICD-AM、北京的ICD-BM等。

2015年，国家卫计委的医政医管局，成立了国家DRGs质控中心，在北京版DRGs的基础上发布了CN（Chinese）-DRGs模式，并在全国15个试点城市推行。

2017年，国家卫计委下属的卫生发展研究中心，又推出了以“收付费改革”为中心的“C（China）-DRGs”模式。

分组的细节不同以及编码系统的不同，再加上各地实践过程中会依据各地不同情况，删减、修改、变更现有分组，导致了中国DRGs为数众多且无法统一。

这么多版本、这么多术语，有没有看得很晕？没关系，因为到下一节，就可以把这分组这件事忘记了。

不设分组器的大数据病种分值

中国DRGs的先行者引入国外标准时有些内生性的问题无法解决。

第一，各种分组设定，是先有分组模型，再去对照现实，所以会与现实存在偏差。有些疾病及诊疗方式，可能就不在现有的分组器中。

此外，中国经济水平及医疗水平发展不均，导致各地区诊疗路径不一。例如，上海治疗骨折的路径是西式的，会通过手术的方式用钢板固定；但在西部偏远地区，外科医生会用木棍绑在伤腿上的方式进行。两种治疗手段的花费相差甚远，患者恢复时间也不一样，感受更是迥异。

因此，上海试行的DRGs在运用到西部地区时，还要进一步调整。但由于分组器是人为设定的，所以在做适应性改造时，还需要人工介入调整，所需时间长，成本较高。

第二，任何政策的出台都存在着管理者与政策参与者之间的博弈。一旦参与主体熟知政策规则，其最优化行为的理性选择会对政策的长期适用性造成影响。

例如，八点健闻在调研各地实施DRGs的过程中发现，面对医院和医生的抵制，出于防范医生钻空子的目的，大部分医保试点地区的DRGs分组器不向医生公开。

然而，此举并不有效。2018年，国家医保局曾组织专家去医院调研DRGs。一些医生坦言，DRGs的分组规则即使不开放，经过一段时间的实际报销情况，医生们大致也能推算出来。这就可能发生“病人被分入一个比其应分入的DRG组复杂程度更高的组，使医院获得更高的支付”。

大数据应用技术发展到今天，对于上述两个问题都已有了较为成熟的解决方案。

试想，你手机上的音乐类App，会依据你的喜好为你推荐你喜爱的歌曲；购物类的App会为你推荐你可能喜欢的商品。背后的机理就在于，这些App会根据你的听歌或者购物行为产生的数据，与其他用户行为做匹配，找出与你行为最为相似的那群用户，然后依据这群用户的听歌或消费记录，向你做定制化的推荐。当然，“找相似”的这个过程，还需要运用统计学的方法。

这个场景是不是看着有些眼熟？——DRGs的核心不就是希望在任意一个患者进入医院时，就能依据疾病诊断、治疗操作及个人特征数据，找到与他相似的患者，根据这群患者治疗的平均花费，为这个患者计算应该预付的治疗费用吗？

所以大数据病种分值干脆不要分组器，实现动态分组。

首先，将医院病案首页中统一的编码统统输入系统，穷举“疾病诊断+治疗方式”的排列组合，形成了1000多个疾病诊断组和3000个左右的治疗方式目录组。然后利用前文所描述的“找相似”的方法，最终形成一万多个具有相似特征、可以用来制定“一口价”的组别。

这样一来，就较好地解决了上述两个问题：因为数据来源于全量的病例数据，所以不存在没有被录入的疾病及诊疗方式；又因为分组是动态调整的，即使医生的预期发生了改变，动态分组也能察觉到预期的变化而调整分组（假设你之前爱听华语歌曲，有一段时间喜欢听英语歌曲，你的个性化推荐目录也会出现调整，英语歌曲的推荐会变多）。

DRGs定价制度

说完分组说定价，简单说来DRGs定价制度大致有两个思路：

第一，形成疾病分组后，利用过去3-5年次均费用的结果制定定额标准。这种定价方式简单易行，但由于定价“一刀切”，且缺乏动态调整，一般而言，多用于首次DRGs定价。

第二，理想情况下，在考虑当地经济医疗发展水平的基础上，进行病种的成本核算确定基本费率，并通过确定各DRG组的相对权重来最终确定每组的总费用。

考虑到目前我国部分药品与医疗器械价格虚高，且许多劳务性医疗服务项目收费过低，尚没有一套较成熟完善的成本核算分析，所以很难界定每个DRG组的费用。

但已有一些尝试解决的方法，如前文所述的C-DRGs，即通过在31个省市设立全国医疗服务价格与成本监测研究平台，采集了大量的各地上报数据作为价格与成本的研究依据。

此外，大数据DRGs由于收集了全量的数据，可以实时动态地反映每组治疗费用的变化。虽然初期用于定价的数据精准度不够，但随着DRGs改革的不断推进，分组定价也会越来越趋近于真实费用。

DRGs效果评估

虽然中国的DRGs实践已有30年，但在全国范围内，“起了个大早”的DRGs改革却“赶了个晚集”，巨大的区域差别、复杂的机制设计与参与各方的明显博弈，一度令其举步维艰。

C-DRGs、CN-DRGs、申康版DRGs，甚至还有云南玉溪、禄丰、广西柳州等地版本的DRGs都正在试点当中，尚未收到全面的效果对比数据。但存在一些指标，可以用来衡量DRGs分组的有效性。

入组率。即某地区或某医院住院医疗服务成功分组的例数。入组率越高，医保支付能覆盖的范围越广。

组内变异系数（CV）。即用该组医疗费用的标准差除以该组医疗费用的平均数，用来衡量组内医疗资源消耗的同质性。CV值越小，支付的稳定性越好，越接近均值，风险越小。

例如，用两种计算方式得到的某个分组组内平均费用都是9万元，但方式一的分组中实际个体构成为12万元、9万元、6万元；方式二分组中实际个体构成为10万元、9万元、8万元。方式二的CV值明显要更低，支付的风险更小。如果费用是6万元和12万元，医保都按照9万元去付，对两者都不合适。

预付费用与实际费用的偏差比对。在DRGs试行一段时间后，可以计算每个组别预付费用与实际费用差值的绝对值，然后对绝对值求和，该值越小越好。

DRGs中存在一个“不可能三角”，即分组少、入组率高、组内变异系数低，这三个目的不可能同时达到。分组越细，自然入组率会提高，组内变异系数会降低，但分组则会大大增加；若分组少，入组率高，则必然组内的个体差异会增大，给医保支付带来更大的风险。

“DRGs不会不经过纷争就形成标准，一定是有实践、有教训、有成本后才能形成规范。目前，DRGs的发展是在把潜规则变成规则的过程中。在规划中政府能做的是，形成方向性引导和政策配套支持，而不是政府先出台标准。而大数据DRGs的特点就是，只要数据量够大，就能很快形成规则。”上海市决策咨询委员会委员许速如是说。

本文转载自其他网站，不代表大健康派观点和立场。如有内容和图片的著作权异议，请及时联系我们（邮箱：scarlet.s@djkpai.com）