來源：市場資訊

（來源：運籌OR帷幄）

編者按

小明最近感冒引發了刀片嗓和高燒，渾身不得勁，想著去醫院看看。到了掛號窗口，他盯著屏幕上的兩個選項犯了難：主任醫師A，名字后面的頭銜看起來很有分量；副主任醫師B，朋友說他看感冒發燒特別有一手。小明手指懸在屏幕前，像是在做一道沒有標準答案的選擇題。身后的隊伍越排越長，一位大爺開始催促：“小伙子，掛個號怎么還要開會啊？”小明尷尬地笑了笑，心里卻更糾結了：是選那個“看起來最厲害的”，還是選那個“聽起來最對癥的”？

圖片由AI生成

參考文獻：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

當前許多醫療質量評價主要基于總體平均結果，例如醫生或醫院的平均死亡率、并發癥率和排名等，這反映的是“平均患者”在某位醫生或某家醫院接受治療后的表現。然而，在真實醫療場景中，患者之間存在明顯差異，例如年齡、基礎疾病、病情嚴重程度和身體狀況不同，他們從同一位醫生那里獲得的收益也可能不同。因此，僅依靠平均質量信息，可能會高估或低估某位醫生對具體患者的實際價值，也可能導致患者無法找到最適合自己的醫療服務。

換言之，作者認為不是所有患者都適合去找“主任醫師”看病。所以應該找誰看病呢？

本文以二尖瓣手術為研究背景，關注患者在選擇外科醫生時如何利用質量信息。二尖瓣手術具有較強的專業性，不同醫生在手術結果，尤其是瓣膜修復率方面可能存在顯著差異。

2. 模型與方法

本文采用基于計量經濟學的優化模型來解決該問題。

2.1 醫生質量模型：多層Probit模型

論文首先要解決的問題是：怎么判斷一個醫生是真的水平高，而不是因為他接診的患者更健康，所以結果看起來更好？因此作者建立了一個多層Probit模型，用來估計患者接受手術后的結果。自變量包括：患者的年齡、種族與基礎病等個體化質量信息；預測變量是二元的，例如，表示第個患者在第家醫院的第個醫生做二尖瓣修復手術是否成功/是否出現并發癥/是否 30 天內再入院。論文把手術結果看成由患者、醫生和醫院共同決定。具體的計量模型如下：

下標表示第個患者，下標表示第個醫生，下標表示第家醫院。表示醫院層面的影響，表示醫生層面的影響。

2.2 QALE模型：把手術結果轉化為患者真實收益

論文引入了一個綜合指標：QALE，quality-adjusted life expectancy，質量調整預期壽命。作者使用該指標來計算患者完成二尖瓣手術后可以收獲多少益處。公式如下：

其中，是生存函數，是時刻的生活質量（在第個患者在第個醫生做二尖瓣修復手術后）。

2.3 患者選擇模型：患者如何選擇醫生？

選擇模型如下，效用是質量調整預期壽命減去成本（醫院與家之間距離與手術等候時間的代價）。選擇模型如下，選擇使得效用最大的醫生。

2.4 三個模型的搭建邏輯

作者先用多層Probit模型估計不同醫生對不同患者的治療質量，再用QALE模型把治療結果轉化為患者健康收益，最后用患者選擇和排隊模型模擬患者在質量、距離和等待時間之間如何權衡，從而比較平均質量信息和個體化質量信息哪一種更能提升整體醫療效果。

3. 多層Probit模型的估計結果

作者采用極大似然估計來估計計量模型。結果如下。顯然，并不是所有估計量都擁有***。

結果顯示，隨著患者年齡增長，二尖瓣修復率顯著下降，而死亡率、并發癥發生率和再入院率則相應上升。與男性患者相比，女性患者接受二尖瓣修復（Repair）的可能性較低，且死亡風險更高。與白人患者相比，西班牙裔患者接受二尖瓣修復的可能性也較低，并且更容易發生并發癥（Complication）。此外，合并房顫、慢性肺病或腎功能衰竭等疾病的患者，其二尖瓣修復率明顯較低。房顫、慢性肺病等合并癥也會影響其他質量指標，但其影響方向、影響程度和顯著性水平會因具體指標不同而有所差異。

除患者特征外，手術量同樣會影響治療結果。對于二尖瓣修復（Repair）而言，醫院手術量和外科醫生手術量的系數均為正，并且在0.05顯著性水平上具有統計學意義，表明手術量越高，患者接受二尖瓣修復（Repair）的可能性越大。對于并發癥（Complication）和再入院結果（Readmission），模型顯示，隨著外科醫生手術量的增加，并發癥發生率會下降；而隨著醫院手術量的增加，患者再入院率會下降。這些結果與既有文獻關于手術量和治療質量關系的發現一致。

4. 患者選擇模型的優勢

為評估患者個體化質量信息的價值，論文進一步構建了患者選擇與排隊模擬模型。作者將188名外科醫生視為188個并行服務隊列，每位醫生具有有限的手術服務能力，患者則按照一定到達率陸續進入系統。每位患者到達后，會在所有醫生之間進行選擇，其選擇不僅取決于醫生帶來的預期治療收益，還受到出行距離和等待時間的影響。在總體平均質量信息情境下，所有患者依據醫生對“平均患者”的表現進行判斷，即使用同一套醫生質量排名；而在患者個體化質量信息情境下，患者會根據自身年齡、病情和基礎病等特征，獲得針對自己的醫生質量預測。模擬通過比較這兩種信息情境下的修復數量、總質量調整壽命、平均出行距離和平均等待時間，評估個體化信息是否能夠改善患者—醫生匹配。結果表明，個體化質量信息能夠在不顯著增加患者出行和等待成本的情況下，提高整體治療收益，其作用主要來自更精準地將患者匹配給適合他們的醫生。

Table 5展示了患者個體化質量信息相對于總體平均質量信息所帶來的增量價值。表中的行表示患者對出行距離的敏感程度，列表示患者對等待時間的敏感程度，二者都被分為低、中、高三個水平。Table 5主要報告四類差異：第一，二尖瓣修復數量的增加；第二，總質量調整壽命的增加；第三，平均出行距離的變化；第四，平均等待時間的變化。結果顯示，在不同參數設定下，使用個體化質量信息可以額外增加42至70例二尖瓣修復，并使總質量調整壽命增加56至105年。同時，患者的平均出行距離幾乎沒有增加，平均等待時間也基本沒有上升，有些情況下甚至略有下降。

5. 總結

本文以二尖瓣手術為研究場景，考察紐約州35家醫院中188名心臟外科醫生在多項質量指標上的表現，并引入質量調整預期壽命（QALE）這一綜合指標，以整合短期和長期治療結果。作者進一步結合患者選擇模型和排隊模型，分析總體平均質量信息與患者個體化質量信息在改善患者結果方面的相對價值。研究發現，不同人口特征和病情嚴重程度的患者，從高水平外科醫生處獲得的收益并不相同。

推文的最后，附上論文摘要。

問題定義：本文關注患者、醫生和政策制定者面臨的兩個關鍵問題：（1）不同類型的患者如何從精英外科醫生那里獲得不同程度的收益？（2）如何利用醫療結果數據，在個體和社會層面實現更好的醫療服務？

學術與實踐相關性：現有的醫療服務提供者質量信息幾乎完全基于總體平均水平，因此無法識別具有不同特征或不同醫療狀況的患者在“外科醫生效應”上的差異。結果是，這類信息可能會低估或高估某位個體患者尋求精英醫生治療所能獲得的收益。本文開發了生成患者特異性質量信息的方法，并分析了這類信息在幫助患者獲得更優醫療服務方面的影響。

方法：本文以二尖瓣手術為臨床研究場景，研究了紐約州35家醫院中188名心臟外科醫生在不同質量指標上的表現。其中包括一種新的質量調整預期壽命（quality-adjusted life expectancy，QALE）指標，該指標綜合了傳統指標中的多種短期和長期影響。通過將一個考慮治療結果質量、旅行距離和手術排期等待時間的患者選擇模型，與一個患者等待時間的排隊模型相結合，本文將實證結果轉化為對“總體平均質量信息”和“患者特異性質量信息”在改善總體患者結果方面相對價值的估計。我們將患者對外科醫生的選擇建模為一個排隊系統，以比較使用總體平均信息和患者特異性質量信息幫助患者獲得更好醫療服務的價值。

結果：研究發現，不同人口統計特征和不同病情嚴重程度的患者，從精英外科醫生那里獲得的收益并不相同。我們估計，使用患者特異性信息所帶來的社會收益，即患者總效用的提升，與在使用總體平均信息的情況下，讓最佳外科醫生多治療10%至20%的患者所能實現的收益相當。

管理啟示：患者特異性質量信息通過根據患者的人口統計特征和病情嚴重程度校準醫療結果統計數據，可以幫助患者獲得更好的醫療服務，幫助醫生做出更好的轉診決策，幫助管理者更有針對性地開展質量改進工作，并幫助支付方更好地設計激勵機制。

「運籌OR帷幄」原創的《魯棒優化入門》電子書正在GitHub更新中，歡迎復制鏈接閱讀

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

加群：加入全球華人OR|AI|DS社區碩博微信學術群

資料：免費獲得大量運籌學相關學習資料

人才庫：加入運籌精英人才庫，獲得獨家職位推薦

電子書：免費獲取平臺小編獨家創作的優化理論、運籌實踐和數據科學電子書，持續更新中ing...

加入我們：加入「運籌OR帷幄」，參與內容創作平臺運營

知識星球：加入「運籌OR帷幄」數據算法社區，免費參與每周「領讀計劃」、「行業inTalk」、「OR會客廳」等直播活動，與數百位簽約大V進行在線交流

文章須知

論文解讀：運籌OR帷幄