以智能審核應對DRG高靠分組問題

周吳平 簡偉研

（北京大學公共衛生學院 北京 100191）

1 問題：高靠分組對DRG付費的破壞性

高靠分組（又稱“高編碼 upcoding”）可能是DRG 支付制度設立后最具破壞性的提供方策略行為（gaming behavior）。 高 靠 分 組的行為是醫療服務提供方利用DRG分組過程高度依賴疾病診斷和手術操作編碼的特點，有目的地調整結算清單中的診斷和（或）手術編碼（包括改變患者診斷信息、增加與本次疾病不相關的并發癥和合并癥、虛報不存在的合并癥與并發癥等）[1]，誤導DRG 分組器把病例錯分到高權重的DRG 中，從而達到獲得高額補償的目的[2,3]。

盡管目前我國DRG 試點城市對高靠分組的報道不多，但從國際經驗看，應該引起決策者足夠的重視。 美 國Medicare 保 險1985 年隨機審核發現DRG 出院病例的高靠分組占比高達12.83%，采取綜合監管與大力懲罰措施后，1988 年高靠分組占比降至7.45%。澳大利亞在實施DRG 后的第七年（1995年）仍然有5.2%的出院病例存在高靠分組[4]；德國因高靠分組每年為新生兒病例額外支付了40%的費用[5]。

高靠分組帶來的系統性偏倚，單靠DRG 付費制度本身是無法克服的，不得不依賴于配套的稽查手段。國家醫保局辦公室2021 年發布的《按疾病診斷相關分組（DRG）付費醫療保障經辦管理規程（試行）》（醫保辦發〔2021〕23 號），把高靠分組作為稽核重點，強調“設計并執行監控體系，有效實施稽核程序，循跡追蹤實現對DRG 付費的全流程把控”。

本文以“疾病診斷相關分組”“高編碼”“高靠分組”“監管”“智能審核”為中文關鍵詞，"Diagnosis-Related Groups" "up-coding""upgrading""audit""supervision""artificial intelligence"為英文關鍵詞，在各中英文數據庫中檢索相關文獻，系統梳理發達國家應對DRG 高靠分組的方法與發展歷程，并結合我國DRG 試點進展現狀，提出我國發展智能審核的手段，高效應對DRG 高靠分組的路徑與建議。

2 現狀：應對高靠分組的方法

2.1 事前監管

事前監管指采用多種手段規范醫生和編碼員的行為，防止高靠分組的發生[6]。事前監管的手段主要包括：對醫生和編碼員進行職業教育，提高編碼能力，防止因為能力不足導致的高編碼或者向下編碼[7,8]；創建編碼員和醫生應該遵守的倫理準則，違背倫理準則將會受到職業道德的譴責，這一方法能在一定程度上降低高編碼的發生[4,9]。不過倫理準則是道德準則，而非法律規定，違背倫理準則并不一定意味著違法[4]。

2.2 判斷高靠分組的金標準

由于醫療服務本身具有非常高的技術壁壘，即便是有經驗的專科醫生，在不核對原始病歷的情況下，僅僅依靠醫院上報的病案首頁數據和費用數據，很難判斷信息是否真實有效[10]。判斷高靠分組的“金標準”是由臨床專家根據原始病歷給出正確信息，而后由編碼專家給出正確編碼，再由DRG 分組器重新分組給出正確的權重，與原始權重對比后判斷權重是否增加[1,7,11]。整個過程成本很高，美國聯邦與州政府每年花費2.59 億美元以識別Medicaid 保險出院病例存在的欺詐行為[12]。

2.3 事后監管

識別實際發生的高靠分組并加以懲罰，追回費用的同時達到震懾效果，被稱為事后監管，事后監管是應對高靠分組的主要手段。DRG 付費初期的事后監管主要以隨機抽樣的方式從所有病例中抽取樣本，由專家細致審核后給出正確編碼[13,14]。具體做法是培養一批審核經驗豐富的專家，將經過審核的原始數據進行正確編碼，再進行深度的數據挖掘，形成能夠反映DRG 高編碼的常見變量，發現高編碼容易發生的DRG組，并形成初步的監管規則[15]。例如，美國醫療保險和醫療補助服務中心曾經提出17 個最容易發生高編 碼 的MS-DRG 組（Medicare’s adaptation of the DRG system），包括089 單純性肺炎和胸膜炎、320腎臟和尿路感染等[16]。

2.4 智能審核與綜合監管

盡管專家經驗以及基于經驗的監管規則提高了審核效率，但專家抽樣審核的病例數量相對于海量的醫保結算數據十分有限。隨著信息技術發展，人們自然想到借助計算機建立更加智能高效的審核體系。事實上，歷史審核數據的積累為引入智能算法打下良好基礎，新的審核規則由計算機自動從數據中學習，并據此判斷病例是否為高編碼，事后監管從人工抽樣審核變為全樣本智能審核。

DRG 支付方式相對成熟國家的綜合監管模式見圖1。首先，由政府組織臨床專家與編碼專家形成團隊，將專家經驗不斷地顯性化和數字化，并形成計算機智能審核的規則。計算機依據這些規則便可以完成全部結算數據的篩查（而不是抽樣），并對證據確切的案例給出判定意見，同時將存疑案例提報給專家復審。在此過程中，計算機不斷通過機器學習提升智能審核的精準度和敏感度。其次，專家團隊每年隨機抽樣一部分結算數據進行人工審核，將發現的新審核規則補充或修正到原有的審核規則庫。

圖1 DRG支付方式相對成熟國家的綜合監管模式

3 完善路徑：開發智能化審核規則

3.1 專家經驗的顯性化

DRG 實施初期審核數據相對較少，智能審核規則由專家經驗顯性化形成。政府部門牽頭組織有審核經驗的臨床專家和編碼專家，通過頭腦風暴提出常見的高靠分組形式。進一步由專家團隊逐條回顧被判定為高靠分組的病例，列出判斷為高編碼的原因，排除偶發原因后將具有規律性的判斷條件擴充形成初步的審核規則。這些規則需要經過數據驗證有效性：篩選歷史審核數據庫中符合某條規則的所有病例，計算其中被專家判定為高編碼的占比，占比越高提示該規則識別高編碼的能力越強。占比低于事先設定閾值的規則由專家團隊二次研討，重新評估規則的合理性與普適性，舍棄不存在臨床邏輯或編碼邏輯的規則，進一步細化普適性與針對性較差的規則。最后再次組織專家團隊，研討每條審核規則的臨床邏輯或編碼邏輯并加以推廣，擴充完善規則庫。

3.2 機器學習

引入機器學習算法需要大量的歷史數據作為支撐，常用的機器學習算法包括神經網絡、貝葉斯分類器、聚類分析和離群點監測等[17-22]。例如，Bayerstadler 等使用貝葉斯縮減技術的馬爾科夫鏈蒙特卡洛（MCMC）算法構建監測醫療濫用和欺詐的模型，測量醫療索賠數據中對通常模式的系統性偏離來檢查 欺 詐 行 為[23]。Rosenberg 等 人用貝葉斯分級模型，在原來方法的基礎上額外識別88%的高編碼病例并收回98%的多付款項[24]。Massi等人使用kmeans 算法和人工決策支持系統，從183 家醫院中識別3 家可疑的醫院并進行審核[25]。Hillerman 等 人 使 用ksmeans 聚類算法對病例可能存在欺詐的風險概率進行賦值，并給出排名[21]。Feng 等人使用一個包含2.3 萬樣本量的數據庫，借助隨機森林模型和支持向量機構建模型識別可能存在錯誤的病例，并由監管方進行人工審核，同時提供方法來解決數據不平衡的問題[26]。

4 建議

DRG 支付制度的建立客觀上促進了醫保結算（以及醫院內部管理）的數字化。與之伴隨的，便是利用信息化手段升級監管模式。有效應對高靠分組，既是DRG 支付取得實效的保障，也是醫保監管成功轉型升級的標志。為了做好高靠分組的監管工作，國家層面的專家團隊有必要集中研究如何顯性化醫保數據稽核的專家經驗，并開發機器學習的基礎模型，然后把這些成果提供給各統籌地區作為本土化的基礎。各地則有必要先建立由ICD編碼專家和臨床專家共同組成的稽核專家隊伍，不斷積累數據審核的經驗。同時，建立智能化審核技術團隊，將國家提供的經驗和機器學習模型軟件化，而后結合本地專家的共識，利用本地真實世界數據開展分析，形成智能化審核的具體規則。當這些準備工作完成后，智能化監管便可以啟動。在智能化監管過程中，不斷吸取專家經驗，通過機器學習持續優化審核規則，讓智能化監管的效能不斷提升。