风险调整与病例组合分析

风险调整是一套统计方法，用于在比较不同医疗服务提供者、项目或治疗的结果或成本时，解释患者特征差异。由于医院和临床医生治疗的患者在年龄、疾病严重程度和合并症方面存在差异，因此对测量结果进行公平比较需要对这种病例组合进行调整；否则，表观的质量差异可能仅仅反映了所治疗患者的差异。

Definition

风险调整是统计学上解释患者病例组合（例如疾病严重程度和合并症）差异的过程，以便跨医疗服务提供者或群体比较医疗保健结果或成本时，能反映护理差异而非所治疗患者的差异。

Scope

本条目涵盖了风险调整的必要性、主要方法（合并症指数、多变量模型和倾向得分）以及限制其有效性的数据和有效性问题。它是质量测量中的方法学参考，不提供临床风险估计或针对个体患者的指导。

Core questions

• 为什么医疗服务提供者之间原始的结果比较可能具有误导性？
• 应该调整哪些患者因素，哪些不应该调整？
• 合并症指数、回归模型和倾向得分作为调整方法有何不同？
• 什么限制了风险调整的有效性，以及何时会存在残余混杂？

Key concepts

• 病例组合和疾病严重程度
• 合并症指数
• 多变量风险调整模型
• 倾向得分和协变量平衡
• 标准化死亡率比
• 残余混杂
• 管理数据与临床数据

Key theories

用于混杂控制的倾向得分

Rosenbaum和Rubin指出，倾向得分（即在给定观察到的协变量的情况下，接受治疗或属于某个组的概率）是一个平衡得分：以其为条件可以平衡各组之间测量的协变量，从而在观察性数据中实现更公平的结果比较。这一概念支撑了许多现代风险调整和病例组合比较策略。

Mechanisms

风险调整首先识别在护理前存在的、影响感兴趣结果的患者因素，例如年龄、疾病严重程度和合并症。这些因素通过合并症指数（如根据加权诊断构建的Charlson指数或为管理数据设计的Elixhauser合并症集）进行汇总，或输入到多变量模型中，该模型预测每位患者的预期结果。然后将观察到的结果与模型预期的结果进行比较，通常以标准化比率的形式。倾向得分方法，遵循Rosenbaum和Rubin的理论，则是在比较之前平衡各组之间测量协变量的分布。所有这些方法都只对测量到的因素进行调整；未测量的差异会导致残余混杂，并且基础数据的质量，特别是管理编码的质量，会强烈影响有效性。

Clinical relevance

风险调整通过将护理的贡献与患者病例组合的贡献区分开来，使医疗服务提供者画像、公开报告和按绩效付费的比较更加公平。合并症指数和倾向得分方法广泛应用于结果研究和卫生服务评估。本条目解释了用于比较人群的方法，并非用于估计个体患者风险的工具。

Evidence & guidelines

方法学基础载于Iezzoni关于风险调整的参考文本、原始的Charlson和Elixhauser合并症测量以及源自Rosenbaum和Rubin的倾向得分文献。这些来源因其方法学内容而被引用，在本条目中不作为临床指令。

History

对粗略结果比较会不公平地惩罚治疗重症患者的医疗服务提供者的担忧，推动了自20世纪80年代以来正式风险调整的发展。Charlson（1987）等合并症指数以及Elixhauser及其同事（1998）的管理数据测量提供了病例组合的实用总结，而Rosenbaum和Rubin（1983）的倾向得分框架则为观察性比较中平衡组提供了通用方法。

Debates

管理数据能否支持有效的风险调整？

通过管理编码进行调整成本低廉且广泛可用，但可能遗漏疾病严重程度和发病情况，并且对编码实践敏感；临床数据更丰富但收集成本更高。数据来源对于特定比较的充分性仍然存在争议。

风险调整是否会过度校正？

调整本身是不良护理后果的因素，或调整质量旨在捕捉的结果，可能会掩盖真实的质量差异；决定哪些变量应纳入模型是核心判断。

Key figures

• Lisa Iezzoni
• Mary Charlson
• Anne Elixhauser
• Paul Rosenbaum
• Donald Rubin

Seminal works

• charlson-1987
• elixhauser-1998
• rosenbaum-rubin-1983
• iezzoni-2013

Frequently asked questions

什么是病例组合？

病例组合是指医疗服务提供者所治疗的患者类型和严重程度的混合。病例组合的差异意味着即使两家医疗服务提供者的护理质量相同，其结果也可能不同，这就是为什么在比较之前要对结果进行风险调整。

为什么风险调整永远无法完全消除偏倚？

它只能调整已测量的因素。患者群体之间未测量的差异，称为残余混杂，在调整后仍然存在，因此风险调整后的比较仍需谨慎解读。