MSOM | 主任医师or副主任医师？医院�...

来源：市场资讯

（来源：运筹OR帷幄）

编者按

小明最近感冒引发了刀片嗓和高烧，浑身不得劲，想着去医院看看。到了挂号窗口，他盯着屏幕上的两个选项犯了难：主任医师A，名字后面的头衔看起来很有分量；副主任医师B，朋友说他看感冒发烧特别有一手。小明手指悬在屏幕前，像是在做一道没有标准答案的选择题。身后的队伍越排越长，一位大爷开始催促：“小伙子，挂个号怎么还要开会啊？”小明尴尬地笑了笑，心里却更纠结了：是选那个“看起来最厉害的”，还是选那个“听起来最对症的”？

图片由AI生成

参考文献：Guihua Wang, Jun Li, Wallace J. Hopp, Franco L. Fazzalari, Steven F. Bolling (2018) Using Patient-Specific Quality Information to Unlock Hidden Healthcare Capabilities. Manufacturing & Service Operations Management 21(3):582-601.

1. 研究背景

当前许多医疗质量评价主要基于总体平均结果，例如医生或医院的平均死亡率、并发症率和排名等，这反映的是“平均患者”在某位医生或某家医院接受治疗后的表现。然而，在真实医疗场景中，患者之间存在明显差异，例如年龄、基础疾病、病情严重程度和身体状况不同，他们从同一位医生那里获得的收益也可能不同。因此，仅依靠平均质量信息，可能会高估或低估某位医生对具体患者的实际价值，也可能导致患者无法找到最适合自己的医疗服务。

换言之，作者认为不是所有患者都适合去找“主任医师”看病。所以应该找谁看病呢？

本文以二尖瓣手术为研究背景，关注患者在选择外科医生时如何利用质量信息。二尖瓣手术具有较强的专业性，不同医生在手术结果，尤其是瓣膜修复率方面可能存在显著差异。

2. 模型与方法

本文采用基于计量经济学的优化模型来解决该问题。

2.1 医生质量模型：多层Probit模型

论文首先要解决的问题是：怎么判断一个医生是真的水平高，而不是因为他接诊的患者更健康，所以结果看起来更好？因此作者建立了一个多层Probit模型，用来估计患者接受手术后的结果。自变量包括：患者的年龄、种族与基础病等个体化质量信息；预测变量是二元的，例如，表示第个患者在第家医院的第个医生做二尖瓣修复手术是否成功/是否出现并发症/是否 30 天内再入院。论文把手术结果看成由患者、医生和医院共同决定。具体的计量模型如下：

下标表示第个患者，下标表示第个医生，下标表示第家医院。表示医院层面的影响，表示医生层面的影响。

2.2 QALE模型：把手术结果转化为患者真实收益

论文引入了一个综合指标：QALE，quality-adjusted life expectancy，质量调整预期寿命。作者使用该指标来计算患者完成二尖瓣手术后可以收获多少益处。公式如下：

其中，是生存函数，是时刻的生活质量（在第个患者在第个医生做二尖瓣修复手术后）。

2.3 患者选择模型：患者如何选择医生？

选择模型如下，效用是质量调整预期寿命减去成本（医院与家之间距离与手术等候时间的代价）。选择模型如下，选择使得效用最大的医生。

2.4 三个模型的搭建逻辑

作者先用多层Probit模型估计不同医生对不同患者的治疗质量，再用QALE模型把治疗结果转化为患者健康收益，最后用患者选择和排队模型模拟患者在质量、距离和等待时间之间如何权衡，从而比较平均质量信息和个体化质量信息哪一种更能提升整体医疗效果。

3. 多层Probit模型的估计结果

作者采用极大似然估计来估计计量模型。结果如下。显然，并不是所有估计量都拥有***。

结果显示，随着患者年龄增长，二尖瓣修复率显著下降，而死亡率、并发症发生率和再入院率则相应上升。与男性患者相比，女性患者接受二尖瓣修复（Repair）的可能性较低，且死亡风险更高。与白人患者相比，西班牙裔患者接受二尖瓣修复的可能性也较低，并且更容易发生并发症（Complication）。此外，合并房颤、慢性肺病或肾功能衰竭等疾病的患者，其二尖瓣修复率明显较低。房颤、慢性肺病等合并症也会影响其他质量指标，但其影响方向、影响程度和显著性水平会因具体指标不同而有所差异。

除患者特征外，手术量同样会影响治疗结果。对于二尖瓣修复（Repair）而言，医院手术量和外科医生手术量的系数均为正，并且在0.05显著性水平上具有统计学意义，表明手术量越高，患者接受二尖瓣修复（Repair）的可能性越大。对于并发症（Complication）和再入院结果（Readmission），模型显示，随着外科医生手术量的增加，并发症发生率会下降；而随着医院手术量的增加，患者再入院率会下降。这些结果与既有文献关于手术量和治疗质量关系的发现一致。

4. 患者选择模型的优势

为评估患者个体化质量信息的价值，论文进一步构建了患者选择与排队模拟模型。作者将188名外科医生视为188个并行服务队列，每位医生具有有限的手术服务能力，患者则按照一定到达率陆续进入系统。每位患者到达后，会在所有医生之间进行选择，其选择不仅取决于医生带来的预期治疗收益，还受到出行距离和等待时间的影响。在总体平均质量信息情境下，所有患者依据医生对“平均患者”的表现进行判断，即使用同一套医生质量排名；而在患者个体化质量信息情境下，患者会根据自身年龄、病情和基础病等特征，获得针对自己的医生质量预测。模拟通过比较这两种信息情境下的修复数量、总质量调整寿命、平均出行距离和平均等待时间，评估个体化信息是否能够改善患者—医生匹配。结果表明，个体化质量信息能够在不显著增加患者出行和等待成本的情况下，提高整体治疗收益，其作用主要来自更精准地将患者匹配给适合他们的医生。

Table 5展示了患者个体化质量信息相对于总体平均质量信息所带来的增量价值。表中的行表示患者对出行距离的敏感程度，列表示患者对等待时间的敏感程度，二者都被分为低、中、高三个水平。Table 5主要报告四类差异：第一，二尖瓣修复数量的增加；第二，总质量调整寿命的增加；第三，平均出行距离的变化；第四，平均等待时间的变化。结果显示，在不同参数设定下，使用个体化质量信息可以额外增加42至70例二尖瓣修复，并使总质量调整寿命增加56至105年。同时，患者的平均出行距离几乎没有增加，平均等待时间也基本没有上升，有些情况下甚至略有下降。

5. 总结

本文以二尖瓣手术为研究场景，考察纽约州35家医院中188名心脏外科医生在多项质量指标上的表现，并引入质量调整预期寿命（QALE）这一综合指标，以整合短期和长期治疗结果。作者进一步结合患者选择模型和排队模型，分析总体平均质量信息与患者个体化质量信息在改善患者结果方面的相对价值。研究发现，不同人口特征和病情严重程度的患者，从高水平外科医生处获得的收益并不相同。

推文的最后，附上论文摘要。

问题定义：本文关注患者、医生和政策制定者面临的两个关键问题：（1）不同类型的患者如何从精英外科医生那里获得不同程度的收益？（2）如何利用医疗结果数据，在个体和社会层面实现更好的医疗服务？

学术与实践相关性：现有的医疗服务提供者质量信息几乎完全基于总体平均水平，因此无法识别具有不同特征或不同医疗状况的患者在“外科医生效应”上的差异。结果是，这类信息可能会低估或高估某位个体患者寻求精英医生治疗所能获得的收益。本文开发了生成患者特异性质量信息的方法，并分析了这类信息在帮助患者获得更优医疗服务方面的影响。

方法：本文以二尖瓣手术为临床研究场景，研究了纽约州35家医院中188名心脏外科医生在不同质量指标上的表现。其中包括一种新的质量调整预期寿命（quality-adjusted life expectancy，QALE）指标，该指标综合了传统指标中的多种短期和长期影响。通过将一个考虑治疗结果质量、旅行距离和手术排期等待时间的患者选择模型，与一个患者等待时间的排队模型相结合，本文将实证结果转化为对“总体平均质量信息”和“患者特异性质量信息”在改善总体患者结果方面相对价值的估计。我们将患者对外科医生的选择建模为一个排队系统，以比较使用总体平均信息和患者特异性质量信息帮助患者获得更好医疗服务的价值。

结果：研究发现，不同人口统计特征和不同病情严重程度的患者，从精英外科医生那里获得的收益并不相同。我们估计，使用患者特异性信息所带来的社会收益，即患者总效用的提升，与在使用总体平均信息的情况下，让最佳外科医生多治疗10%至20%的患者所能实现的收益相当。

管理启示：患者特异性质量信息通过根据患者的人口统计特征和病情严重程度校准医疗结果统计数据，可以帮助患者获得更好的医疗服务，帮助医生做出更好的转诊决策，帮助管理者更有针对性地开展质量改进工作，并帮助支付方更好地设计激励机制。

「运筹OR帷幄」原创的《鲁棒优化入门》电子书正在GitHub更新中，欢迎复制链接阅读

https://github.com/Operations-Research-Science/Ebook-An_introduction_to_robust_optimization

加群：加入全球华人OR|AI|DS社区硕博微信学术群

资料：免费获得大量运筹学相关学习资料

人才库：加入运筹精英人才库，获得独家职位推荐

电子书：免费获取平台小编独家创作的优化理论、运筹实践和数据科学电子书，持续更新中ing...

加入我们：加入「运筹OR帷幄」，参与内容创作平台运营

知识星球：加入「运筹OR帷幄」数据算法社区，免费参与每周「领读计划」、「行业inTalk」、「OR会客厅」等直播活动，与数百位签约大V进行在线交流

文章须知

论文解读：运筹OR帷幄