作者：代涛
出版社：人民卫生出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
卫生信息利用与决策支持——理论研究与国内实践试读：
前言
卫生信息具有数量庞大、应用广泛、时效性强、标准化程度低、处理困难等特点，必须经过全面收集、有序整理、系统分析、合理利用才能达到决策支持的目的。卫生信息的分析和利用，是以定性和定量研究方法为手段，结合计算机科学、医学、认知科学、管理科学等学科的知识和技术，通过对卫生信息的收集、整理、鉴别、评价、分析、综合等加工过程，形成新的、增值的卫生信息产品，为卫生信息利用者和决策者解决各种难题提供快速、高效和不同层次的决策支持服务。卫生决策支持系统是卫生信息系统发展的高级阶段，是信息系统和决策支持技术相互融合的产物，可以辅助卫生管理者科学制定卫生政策、合理配置卫生资源，有助于医生作出准确的诊断、选择有效的治疗方案，也可以为公共卫生、医疗保险等相关工作者提供帮助。
卫生信息是制定卫生政策规划和卫生事业科学管理的重要基础，在提高卫生决策与管理水平中发挥着不可替代的重要作用。2009年4月，《中共中央国务院关于深化医药卫生体制改革的意见》明确提出大力推进医药卫生信息化建设和建立实用共享的医药卫生信息系统的目标。信息技术的快速发展促进了卫生信息的广泛利用，卫生决策方法日趋复杂，如何利用卫生信息支持科学决策面临理论与实践的挑战。构建卫生决策支持系统，建设以信息利用和服务决策为导向的卫生信息化发展模式，为卫生决策提供实用工具，对提高科学管理水平具有重要现实意义。
国家自然科学基金项目“我国卫生决策支持系统理论与实证研究”课题组经过全面调研与系统开发，以决策支持相关理论为基础，在梳理国内卫生决策支持系统发展状况的基础上，形成了卫生决策支持系统设计框架，初步构建了面向卫生决策主题的数据库、模型库、方法库等；并从新农合分析评价、公立医院绩效考核、卫生信息化综合评价、卫生统计数据分析和卫生总费用预测等方面进行了决策支持系统的实证研究，对辅助卫生决策进行了有益尝试。本书第一章至第四章介绍了卫生决策支持系统的相关理论，主要包括卫生决策支持系统的体系结构、需求分析、系统设计、构建方法与工具等；第五章至第六章介绍了我国卫生决策支持系统的发展状况与策略、应用案例等。
本书编写过程中，得到了国家自然科学基金委、国家卫生和计划生育委员会相关司局、部分省（区、市）卫生和计划生育委员会等机构领导的无私帮助和大力支持，以及国内相关领域专家学者的指导和帮助，谨致以衷心的感谢。期望本书能为我国卫生信息利用与决策支持研究与实践提供借鉴。由于本人水平所限，加之作为探索性研究，一些观点与分析定有不够成熟和完善之处，敬请同行专家和读者不吝指正。代 涛2017年9月第一章 决策支持与卫生决策支持系统第一节 决策支持一、决策（一）概念
决策是指个人或集体为了达到或实现某一目标，借助一定的科学手段和方法，从若干备选方案中选择或综合成一个满意合理的方案，并付诸实施的过程。把决策看成一个过程，是因为人们对于行动方案的确定要经过提出问题、确定目标、收集信息、制定方案、评估方案、作出决策等一系列的组织实施过程。在实施以后，还要检查和监督决策的执行情况，以便发现偏差，加以纠正，决策就是这一系列活动的全过程。
每一个决策都以决策陈述、一批替代方案和一套决策准则为特征。清晰的决策陈述对于明智的决策来说十分重要，它能使人们把思维集中在明确的主题上，从而远离毫不相干的枝节问题。替代方案是人们能作出的可能决策。决策准则是在一个决策中希望优化的对象。（二）决策过程
决策的过程包括：信息收集、方案设计、方案选择和方案实现等内容。
1.信息收集（又称为情报收集）
它用于寻求要求决策的条件，要进行“情报”的收集和处理、研究决策环境、分析和确定影响决策的因素或条件，具体包括：发现问题、问题分类、问题分解、问题归属。
2.方案设计
用于发现、制定和分析可能的用于解决问题的行动方案，包括：理解问题、产生方案、建立模型、测试方案的可行性等活动。
3.方案选择
用于从那些可行方案中选择一个满意的行动方案，决策者要评价设计阶段开发的各种方案的利弊，评估每种方案可能的实施结果，并依据具体的选择原则进行方案的选择，需要说明的是：对于不同的选择原则，可能有不同的选择结果。一般来说有两种选择原则，即规范性原则和描述性原则。规范性原则是力图在允许条件内选择一个最优的或是局部最优的方案，而描述性原则强调能否得到一个足够好的或者说是满意的方案。
4.方案实现
就是执行选中的方案，检测实施的结果，并作出必要的调整。
一般来说，决策过程的各个阶段不必非要遵循从信息收集到方案设计、方案选择和方案实现的固定路线，在任何一个决策阶段都可回溯到前面的阶段。但对决策者来说，科学的决策程序一般都包括：发现问题、确定目标、收集情报、探索方案、方案选定和决策执行等几个阶段。（三）决策分类
决策问题的研究范围很广，计划、调度、政策、法规、发展战略、体制结构、系统目标等都属于决策范畴。决策的分类主要涉及决策问题的性质、重要程度、研究方法等，目前没有统一标准，可从不同的角度对其进行分类。常见的分类方法有：
1.按决策问题的性质分类
决策问题常分为结构化决策、非结构化决策和半结构化决策。
结构化决策：
指那些问题的本质和结构十分明确，能用明确的语言和模型（数学的或逻辑学的、形式的或非形式的、定量的或推理的）加以描述，解决这些问题的基本方法和步骤是确定的，其问题有确定的解，可以实现决策自动化。
非结构化决策：
指那些以前未曾出现过的问题，或者问题的本质和结构十分复杂而难以确切描述，解决问题的方法没有固定的规律可循，是难以处理的一类决策问题，这类问题的决策往往依赖决策者的主观行为（如决策者的直觉、经验、学识、判断力、洞察力、个人偏好和决策风格等）。
半结构化决策：
指介于上述两者之间，其问题的本质、结构及解决方法有一定规律可循，但又不能完全确定，即有所了解但不全面，有所分析但不确切，有所估计但不确定，这类问题一般可适当建立模型，但无法确定最优方案。
2.按决策问题的重要性分类
决策问题可以分为战略决策、策略决策和执行决策。
战略决策：
指有关全局或重大问题的决策。
策略决策：
也称为战术决策，是指为实现战略决策服务的一些局部问题的决策。
执行决策：
指一些经常性的事务处理等。
3.按决策问题的认识程度分类
决策问题可分为确定性决策、风险性决策和不确定性决策。
确定性决策：
指决策问题的结构可以用数学模型表示，有明确定义的目标函数，有能求出最优解的数学表达式。
风险性决策：
指方案执行可能存在一定风险的决策，这种决策所需的客观状态是未知的，是不可控的，但发生的概率是能够知道的。
不确定性决策：
指有关系统的全部状态不能准确列举的决策，所需的客观状态不知道，出现的概率也不知道。
4.按决策目标分类
决策问题可分为单目标决策和多目标决策。
单目标决策：
指决策所要达到的目标只有一个的决策。
多目标决策：
指所要达到的目标有多个，即方案有多个评价准则，这类决策必须按多个评价准则体系进行综合评价。
5.按决策方法分类
决策问题可分为定性决策、定量决策和模糊决策。
定性决策：
主要是依靠决策者分析判断作出的决策，其核心是直接利益决策者或专家的知识、经验和能力，是一种主观决策方法。
定量决策：
采用定量方法作出的决策，是建立在数学工具基础上的决策方法，其核心是建立数学模型，然后根据决策条件通过复杂计算来解决问题。
模糊决策：
利用模糊数学的概念，把定性信息通过“模糊集”的“量”转化为定量信息的决策。
6.按决策者数量分类
决策问题可分为单人决策和群体决策。
单人决策：
指所有方案只与同一个决策者的利益相关，因而只由这单一决策者进行方案选择的决策。
群体决策：
又称多人决策，即同一个方案与多个决策者的利益相关，因而必须由多个决策者采用协商对策方式，来选择共同满意方案的决策。（四）决策信息
决策的关键是充分掌握信息并根据信息作出正确的判断，因此采集、整理和分析信息是决策过程中的首要任务。决策信息是对决策过程发生作用的消息、情报和知识的总称。决策者只有快速准确地获得信息，有效地利用信息，适时把握决策时机，才能获得较好的决策效益。信息与决策具有相互支持和相互依赖的关系，按信息对决策功能的适用程度分类，有两类信息。
1.描述性信息
为了符合决策需要，必须全面、及时、准确地将某一组织内部发生量最大的信息反映出来。
2.控制性信息
这类信息因组织目标而异，根据某一组织的既定目标，有计划地产生并使用这类信息，因此这类信息对决策十分重要。二、决策支持（一）概念
决策支持是在管理科学和运筹学的基础上发展起来的，其目的在于运用模型辅助决策。
Keen和Morton认为，决策支持是指利用计算机来达到以下目的：①帮助决策者在非结构化任务中作出决策；②支持而不是代替决策者的判断能力；③改进决策的效能而不是提高它的效率。
随着时代的发展和需要解决问题的日渐复杂，达到上述三个目的并不是一件轻而易举的事情，决策所需建立的模型越来越多，已经无法单纯依靠人力来解决模型的联合与协调问题。于是人们开始研究各种决策分析方法，通过多学科交叉，同时结合新近发展的人工智能技术、网络技术、通信技术和信息处理技术，实现多模型的自动协调和对数据库、模型库的高效管理，使决策支持朝着规范化、科学化的方向发展，不仅大大提高了辅助决策能力，同时促进了决策支持系统的形成和发展。（二）决策支持的形式
1.模型的决策支持
模型是对客观事物的特征和变化规律的一种科学抽象，通过研究模型来揭示决策问题原型的形状、特征和本质。模型方法是制定各类决策问题的基本方法和主要工具。该方法的途径是：在探索一些较复杂的现象和过程时，根据已经掌握的事实材料，首先建立一个适当的模型加以描述，从而认识和掌握其变化规律，分析各种因素对决策问题的影响程度，为确定最优决策问题提供定量依据。管理科学/运筹学就是这种决策支持方式。
按照模型的表现可以分为物理模型、数学模型、结构模型和仿真模型。其中，数学模型用得最多，也用得最广，是用字母、数字和数学符号构成的等式或不等式，或用图表、图像、框图等对系统内部特征与外界联系进行描述的模型。数学模型又可分为原理性模型、系统学模型、规划模型、预测模型、管理决策模型、仿真模型和计量经济模型等。
2.“如果，将怎样（what-if）”分析的决策支持
对决策问题已建立的模型进行分析，即对模型中的方程、变量、参数做各种各样的假设，并通过模型计算后，对各种结果进行对比分析，研究最优解会有怎样的变化，这种分析称为“如果，将怎样（what-if）”分析。决策支持系统的初期是采用这种决策支持方式。
3.决策问题方案的决策支持
模型是决策支持的重要手段，多模型组合形成决策问题方案能扩大单模型的决策支持能力。对于难以运用单模型辅助决策的比较复杂的决策问题，就需要用多模型组合形成决策方案来实现辅助决策。决策支持系统基本上是属于这种决策支持方式。
为决策问题建立决策方案，有两种情况：①按照标准数学模型的数学结构要求，分析当前决策问题的数学结构并获取所需数据，形成决策方案；②利用标准数学模型组合成实际问题方案，这种情况包括模型并行组合方案的决策支持与模型串行组合方案的决策支持。
4.自动生成决策问题方案的决策支持
把所有模型和各类数据都作为决策资源存入模型库与数据库中，即模型库中既有数学模型，也有数据处理模型和人机交互模型等，数据库中既有公用数据也有私有数据。决策问题则是将模型资源和数据资源作为积木块进行组合，搭建成系统方案的处理过程。利用计算机系统快速原型法自动生成这一决策支持系统的控制程序，实现控制模型程序运行、数据库数据存取及人机对话，这样决策问题方案就自动生成了。
5.知识推理与智能技术的决策支持
知识推理是决策支持的定性分析手段。决策问题求解是从开始状态（概念）通过对知识的推理，建立从开始状态（概念）到目标状态（概念）的推理链。以知识推理为核心的人工智能技术，如专家系统、神经网络、遗传算法等也从不同角度达到决策支持的作用。第二节 决策支持系统
在没有计算机的时代，决策信息主要由人手工收集、整理和分析。随着计算机的诞生及广泛应用，社会、经济和科技的信息高速增长，决策过程中面临的问题变得更加多样性和复杂化，这就增加了决策者们信息分析的难度，导致他们不能准确高效地对这些海量而复杂的信息进行分析和决策处理，因此为保证决策的正确性，迫切需要借助于一定的手段和工具进行定量分析，实现决策的数字化。一、产生和发展（一）决策支持系统的产生
决策支持系统（decision support system，DSS）是在管理信息系统和管理科学/运筹学的基础上发展起来的。20世纪70年代初期，Scott Morton首次提出了DSS的概念。DSS的产生是学术界对于应用系统分析、传统运筹学、管理信息系统（management information system，MIS）进行认真反思后提出的。人们在应用系统分析、传统运筹学解决现实世界问题时遇到了不少障碍，发现其中的许多模型、方法往往不能进行实际应用。其原因主要是系统分析人员与决策者之间缺乏必要的沟通，而传统系统分析方法对系统中人的因素和作用考虑不够是造成上述现象的直接原因。此外，MIS由于技术及方法论上固有的缺陷也难以适应多变的外部及内部管理环境。这种反思催生了一个重要结论：决策系统分析人员和信息系统本身都不要企图取代决策者作出决策，支持决策者才是正确定位。正是基于这种期望产生了一种新的用于管理的信息系统：决策支持系统，标志着利用计算机与信息支持决策的研究与应用进入了一个新阶段。（二）决策支持系统的发展
DSS从20世纪70年代概念形成发展到现在，从最初的单模型辅助决策到交互建模、组合模型的DSS，再到智能的DSS，已在理论探讨、系统开发和实际应用多方面取得了令人瞩目的进步，呈现出多元化的发展态势。从系统构成原理可把DSS的发展划为三个阶段。
1.数据库阶段
数据库阶段是DSS发展的初始阶段，它以数据库为基础，构成了传统DSS。这种形式的DSS在20世纪80年代初期形成，并在80年代中、后期得到发展，产生了智能化决策支持系统（intelligent decision support system，IDSS）、群体决策支持系统（group decision support system，GDSS）。人工神经元网络及机器学习等技术为应用知识的学习与获取开辟了新的途径。充分利用专家系统定性分析与DSS定量分析的优点，结合专家系统与DSS就形成了智能决策支持系统。
2.数据仓库阶段
数据仓库阶段是DSS发展的中期阶段，它的特点是以数据仓库为基础构成DSS，在20世纪90年代初形成，并在90年代得到发展与成长。数据仓库的多维特征满足了DSS对数据的分析要求，并克服了数据库的数据组织性差、利用率低的缺点。基于数据仓库的DSS决策技术包括联机分析处理（on-line analytical processing，OLAP）和数据挖掘（data mining，DM）。
3.商务智能阶段
商务智能阶段自20世纪90年代末期形成至今已构成一个成熟的体系与学科，它是以智能DSS的结构为基础所形成的系统。它集成了现代计算机技术多个领域的最新成果，能为管理决策提供有力支持。二、任务和功能
DSS用于半结构化或者非结构化的决策领域，主要用于解决上层管理人员经常面临的结构化程度不高、说明不够充分的问题。其目的是支持而不是代替决策者，仅是一个辅助性工具，力求扩展决策者的能力。DSS通过交互式、友好的用户界面为决策者提高辅助功能，着重于决策制定过程的效果而非效率。DSS由模型和决策者共同驱动，强调决策过程的动态性，因而能有效支持不同层次、不同类型以及不同水平决策者的决策活动，具有对环境及用户决策方法改变的灵活性及适应性。（一）决策支持系统的任务
DSS的主要任务有：①分析和识别问题；②描述和表达决策问题以及决策知识；③形成候选的决策方案，即目标、规则、方法和途径等；④构造决策问题的求解模型，如数学模型、运筹学模型、程序模型、经验模型等；⑤建立评价决策问题的各种准则，如价值准则、科学准则、效益准则等；⑥多方案、多目标、多准则情况下的比较和优化；⑦综合分析，包括把决策结果或方案放到特定的环境中所做的“情景分析”，决策结果或方案对实际问题可能产生的作用和影响的分析等。（二）决策支持系统的功能
DSS具有如下功能：①管理并随时提供与决策问题有关的组织内部信息；②管理并提供与决策问题有关的组织外部信息；③数据挖掘和数据分析；④在DSS的各模块数据基础上组织分析数据，通过抽样、探索、修改、建模、评估等步骤，结合标准的运筹学、数理统计分析算法等，帮助决策者制定重大决策；⑤收集、管理并提供各项决策方案执行情况的反馈信息；⑥能以一定的方式存储和管理与决策问题有关的各种数学模型；⑦能灵活地运用模型与方法对数据进行加工、汇总、分析、预测，得出所需的综合信息与预测信息；⑧提供DSS数据分析图表；⑨具有方便的人机对话和图像输出功能，能满足随机的数据查询要求，回答“如果…则…”之类的问题。三、决策支持系统的类型
决策支持系统按其不同的侧重有多种分类方式，不同分类之间存在相互交叉。（一）Alter的分类
Alter根据各个组成部件对决策的直接影响程度，以及系统的功能、运行方式和决策内容及系统规模等将DSS分为7大类，该分类假定各类组件都是独立的系统，包括文件抽屉系统、数据分析系统、信息分析系统、财务模型系统、表达性模型系统、最佳模型系统和建议模型系统。
1.文件抽屉系统
该系统是最简单的DSS，只是把文件存起来备查，决策者可从中检索想要得到的信息以帮助作出决策。如库存信息查询系统等。
2.数据分析系统
该系统的功能是分解和汇总，用于分析当前数据和历史数据。
3.信息分析系统
这类系统提供可存取的一系列数据库和小模型，可以从多个文件中合并信息。
4.财务模型系统
这类系统包含许多财务模型，财务模型指的是不带任何不确定性的模型，其中每一个时段的计算仅取决于该时期的其他数据。如每月的预算、短期经费开支计划。
5.表达性模型系统
表达性模型被广泛地应用于预测决策的未来影响，如用模拟模型进行风险分析，经常在个人或集体的行为中反映不确定因素。
6.最佳模型系统
该系统可根据目标和约束条件提出最佳解，对决策行动提供指导，可用于有数学描述并且有特定目标的重复性决策。
7.建议模型系统
这类系统以决策规则、优化计算公式或其他数学方法为基础产生一种建议性的方案，可用于完全结构化的重复决策。（二）Holsapple和Whinston的分类
Holsapple和Whinston将DSS分为6类。
1.面向文本的DSS
信息常以文本形式存储，信息量的指数增长使得高效率地表示和处理文本文件成为必要。面向文本的DSS通过跟踪决策需要的文本形式的信息，为决策者提供支持，允许根据需要创建、修改和阅读文件。
2.面向数据库的DSS
面向数据库的DSS将数据组织成高度结构化的形式（关系的或面向对象的），其特点是具有很强的报告生成和查询功能。
3.面向表格软件的DSS
表格软件是一种建模语言，它允许用户编写模型和执行DSS的分析，不仅可以创建、观察和修改过程知识，而且可指导系统执行自带的指令。
4.面向求解器的DSS
求解器是一个可描述为计算机程序的算法或过程，可用于进行特定类型问题的求解。面向求解器的DSS可灵活地根据需要改变、增加和删除求解器。
5.面向规则的DSS
DSS的知识部件通常包含在专家系统的过程和推理规则中，这些规则可以是定性的或定量的。
6.组合DSS
组合DSS是一个混合系统，它包含了上述5种系统的两种或两种以上的功能。（三）根据DSS支持决策情况的性质来分类
根据DSS所支持决策情况的性质，可将DSS分为日常DSS和特殊DSS两类。
1.日常DSS
它主要处理运筹操作和管理控制问题中具有循环特性的决策。
2.特殊DSS
它用来处理那些通常不能预见或非循环的特殊情况。（四）根据DSS提供的支持不同来分类
根据DSS所提供的支持不同，可以将其分为3个类型：
1.个人支持系统
其重点集中在单个用户（或一组用户），他们在独立的任务或决策中完成同一活动。
2.群体支持系统
其重点集中在一组人，其中的每个人致力于单独的任务，但所有的任务又是紧密相连的。
3.组织支持系统
其重点集中在整个组织的任务或活动上，它涉及一系列顺序操作、不同职能领域和需要的资源。（五）按使用DSS的最终用户或操作模式划分
1.个人型DSS
它是目前大多数DSS的使用模式，往往是在决策辅助时使用，使用人员只限于一人。
2.群体DSS
它支持一个群体制定同一个决策，其基本方式是群体决策会议。
3.领导DSS
它是专门为最高层管理者提供实时信息支持的系统，其使用者是企业的最高层管理者。
4.分布式DSS
它是由多个逻辑上联系而物理上分离的信息处理节点组成的计算机应用系统网络，其中的每一个节点至少含有一个DSS或具有若干独立辅助决策的功能。（六）按DSS是否具有智能特征来分类
按DSS是否具有智能特征即有无知识库，将DSS分为传统DSS和智能DSS。
1.传统DSS
传统DSS是由数据库系统、模型库系统、方法库系统与人机对话系统4部分组成，是一种具有模型功能的常规DSS。
2.智能DSS
智能DSS又称为广义专家系统，是DSS与专家系统技术的集成与结合。智能DSS中包含知识库，用来存放各种规则、专家的经验以及有关的知识及因果关系等。第三节 卫生决策支持系统一、卫生决策与信息（一）卫生决策的概念
决策存在于人类生活的各个领域，如军事上的指挥、医疗上的诊断、企业的经营管理、政府的政策制定等，都离不开决策。决策过程离不开信息，信息是科学决策的原材料，只有充分掌握信息并根据信息作出判断才能确保决策的正确性。
卫生决策是指作出与治疗方案、医学处置和公共卫生政策等有关的一些重要的决定。在我国，医疗卫生决策包括卫生技术人员在提供具体医疗卫生服务时的决策和卫生管理人员在履行管理职能、发挥领导作用时的决策。前者主要指临床决策，后者则是指包括医院管理、应急指挥、卫生管理等在内的一切医疗卫生行政管理决策。
随着计算机信息技术的渗透、医疗科技的进步和卫生管理事业的发展，医药卫生决策问题成为卫生领域广为关注的问题之一，各级决策者和卫生技术人员对信息的需求与日俱增。尽管数字化的医学信息日益增多，但卫生决策过程所涉及的因素也日趋多样化和复杂化，决策者们很难及时处理海量而复杂的信息，信息分析的难度增大，如何有效利用这些信息来提高医疗卫生服务的质量，改善卫生系统整体绩效，成为众多医疗卫生决策者和医务工作者关注的热点。（二）卫生决策信息
医疗卫生决策的信息来源种类繁多复杂。网络、杂志、报纸等媒体上记录有很多与医学有关的文字、声音、图片信息；医疗仪器可以从人类的基因、蛋白质和细胞中获取生物信息；各种医疗影像设备可以获取人类各种组织和器官的医学图像信息；从医院信息系统和个人健康档案里可以获得临床信息；从社区医疗服务和各种公共卫生服务机构可以获得公共卫生信息等。这些信息的分析和利用，需要结合计算机科学、医学科学、认知科学、管理科学等各种学科的知识和技术。如图1-1。图1-1 医疗卫生信息和分析利用
由于医疗卫生系统的特殊性，其卫生信息具有如下特征：（1）数量庞大，复杂性高：
卫生信息是以人为中心的信息，因此涉及的数据是海量的，数据的类型、属性、表达方式也是错综复杂的。（2）应用广泛、与人密切相关：
卫生信息于个人和社会都有很大的作用和意义，如流行病、公共卫生等信息的采集、处理和发布涉及千家万户，对提高卫生和医疗工作的水平也具有指导意义。（3）卫生信息的私密性强：
卫生信息牵涉个人、家庭、民族、地方甚至国家的相关信息，尤其个人诊疗信息具有法律意义，是医疗纠纷、司法鉴定的佐证，因此卫生信息的安全保密工作尤为重要。（4）卫生信息的连续性和时效性显著：
就个人健康信息来说，它是伴随个人全生命周期的健康档案，记录了个人从出生到死亡的连续医疗保健行为和健康状态。同时，在抢救生命的危急关头，准确实时地传递医疗信息，突显了医学信息时效的重要性。（5）卫生信息的处理难度大：
卫生信息系统处理的信息对象种类繁多、流程复杂，涉及各种健康信息流、诊疗信息流、财务信息流、综合管理与分析统计信息流等，其开发、管理和维护的难度巨大。（三）卫生决策信息分析方法
信息分析（information research）起源于20世纪中叶，起初是为了应对信息激增的需要，适应现代管理技术的科学化需求而产生、发展起来的。信息分析以社会用户为依托，以定性和定量研究方法为手段，通过对社会信息的收集、整理、鉴别、评价、分析、综合等系列化加工过程，形成新的、增值的信息产品，最终为不同层次的科学决策服务。信息分析的目的可以归纳为以下四点：（1）提取有用信息：
从混乱的信息中捕捉并提取出有针对性的、对解决问题有价值的信息，是信息分析最需要的。（2）发现隐蔽信息：
从表面信息发现深层信息，从离散的信息中识别出聚类的信息。（3）预测未来信息：
根据已往的和现在的信息进行推演和预测。（4）推算总体信息：
从点滴的、不完整或不充分的局部信息推知整体信息。
信息分析的基本步骤包括：①针对用户的信息需求，制定研究课题；②通过文献查阅和社会调查，广泛搜集课题相关信息；③对搜集到的信息进行加工整理、评价和分析研究，使得信息内容达到系统化、有序化，以此来揭示客观事物的运动规律；④在此基础之上，运用科学的理论、方法和技术对未来的信息进行合理预测；⑤将分析成果形成信息产品，传递给不同的用户，指导并影响用户作出决策，最终应用到社会实践中来。这其中的每一个步骤均是后一个步骤的基础，同时也是前一个步骤的拓展和深化。如图1-2所示。图1-2 信息分析的基本步骤
信息分析方法的主要特征是综合性，表现在方法的来源、性质和结构等多方面。作为一个新兴领域，信息分析采用的方法在不断发展，应用其他学科和领域的方法尤为突出，主要包括逻辑方法、系统分析方法、图书情报学方法、社会科学方法、统计学方法、预测学方法等6个领域方法，但信息分析的方法来源并不局限于此。目前计算机辅助技术正在信息分析领域内兴起，软件技术和计算机应用技术的革新对计算机辅助信息分析（computer-assisted information analysis，CAIA）会产生重大影响。
常用的卫生信息分析方法包括：常用逻辑法、专家调查法、信息计量学方法、系统分析方法等。
1.常用逻辑方法
逻辑方法是人类把握思维规律和客观规律的基本方法，卫生信息分析中主要用到的逻辑方法有比较法、分析和综合法、推理法。（1）比较法（comparison）：
即对比法，就是对照各研究对象，以确定其间差异性和同一性的一种逻辑思维方法。比较通常有时间上的比较和空间上的比较，前者是一种纵向比较，主要是同一事物在不同时期的某一（或某些）指标进行对比，以动态地认识和把握该事物发展变化的历史、现状和走势；后者是一种横向比较，即某一时期不同国家、地区、部门的同类事物进行比较，以找出差距，判明优劣。实际上，两种比较往往结合使用，比如，在疾病研究中，经常是通过对比某疾病患者在不同病程的不同临床表现以及同一疾病不同患者的相同症状来发现疾病规律的。此外，在医学文献计量中也常用到比较法。（2）分析和综合法：
分析法（analysis）是将研究对象的整体分解为各个部分、要素、单元、环节或层次，并分别加以研究的一种思维方法，包括问题分析、比较分析、相关分析、因果分析、类比分析等。综合法（synthesis）是和分析法对立的一种方法，是把构成事物的各个要素、部分、因素、方面、层次、环节等综合起来加以研究的一种逻辑方法。分析和综合是辩证统一的关系，既互相矛盾又相互联系。二者在一定的条件下又可以相互转化，分析之后的思维活动往往会逐步偏向综合，把分析的结果结合起来考虑，综合之后的认识又会引起新的分析活动。在医学界，许多生理、病理理论都是通过分析与综合提出的，美国生殖免疫学家西格尔（I.Seagle）就是将大量、不同层次的实验结果进行分析、综合、归纳后提出了红细胞免疫系统假说。（3）推理法（reasoning）：
是从一个或几个已知的判断中得出新的判断的思维过程。推理由前提和结论两部分组成，都包含已知判断、新的判断和一定的推理过程这三个要素。根据推理的前提和结论的关系，可以将推理分为归纳（induction）推理和演绎（deduction）推理两种，前者是从个别事物推导出一般原理，后者是从一般原理推算出个别事物的发展。归纳与演绎相互渗透，互为补充。演绎必须以归纳为前提，归纳又要以演绎为指导，用演绎来证明。生理学中著名的血液循环理论就是推理的完整过程：哈维（Harvey）通过大量的动物解剖实验归纳出血液是单向流动的，从而驳斥了先前的理论，又通过后来的血管结扎实验证明了动脉和静脉的血液流向，从而提出了血液循环理论。
2.专家调查法
专家调查法是以专家作为调查对象，依靠专家的知识和智慧，为收集资料、分析问题、调查研究、评估和预测作出判断的一种方法。专家调查法的种类很多，形式多样。（1）同行评议法（peerpreview）：
是为了给某项决策提供依据，针对涉及该决策的某项事物，组织从事该领域和相近领域工作的专家根据自己的专业修养来评定其学术水平或重要性的一种定性的评价方法，也称专家评审法。（2）头脑风暴法（brainstorming）：
是借助专家的创造性思维来获取信息的一种直观预测方法。其原理是让专家们通过信息交流和相互启发，产生思维的“共振”、“组合效应”。其种类包括直接法和质疑法，前者是利用专家在头脑风暴会议中进行群体决策时激发创造性，后者则是对前者的解决方案进行质疑、辩论，讨论其可行性。（3）德尔菲法：
德尔菲法（Delphi）又称专家集体预测法，是美国兰德公司于1964年发明的一种科学预测的定性信息分析法。此方法是在预测领导小组的主持下，就某个科学技术课题向有关专家发出征询意见的调查表，把整理结果作为参考意见再发给这些专家，供进一步分析判断，提出新的论证，如此多次反复，按意见收集情况作出预测。
该方法具有匿名、反馈和统计的特点，主要用于4个方面：
完成时间的预测，方案所占最佳比重的预测，方案预测及方案重要性评估，最优方案预测性评估。在卫生领域中，德尔菲法常用于卫生政策的制定与评估。
该方法有较为成熟的程序步骤：
①确定评价（预测）目标；②选择被调查对象。专家的选择也有要求，代表面要广，权威程度要高，人数以20～50人为宜；③设计调查评估意见征询表。表格中思考判断的问题要多，而应答填写的问题要尽量少；④专家征询和信息反馈。经典德尔菲法一般经过3～4轮征询：第一轮是事件征询，发给专家征询表，专家回函后整理出第二轮的征询表发给专家；第二轮是事件评估，专家作出详细的评估预测后再回函，回函后马上计算出专家意见的概率分布，连同第三轮征询表发给专家；第三轮是轮间信息反馈和再征询，专家根据总体意见倾向修改自己的意见；第四轮是对落选的意见再给予一次评估。
3.信息计量学方法
信息计量学（informetrics）是采用定量方法来描述和研究信息（情报）的现象、过程和规律的一门科学。一般认为，信息计量学的逻辑发展过程为：统计书目学→文献计量学→科学计量学→信息计量学，随着计算机网络的发展，又诞生了网络计量学。信息计量学方法也是由多种方法构成，下面主要介绍文献计量学方法和网络计量学方法。（1）文献计量学方法（bibliometrics）：
是采用数学、统计学等计量方法，研究文献情报的分布结构、数量关系、变化规律和定量管理，并进而探讨科学技术的某些结构、特征和规律的一门学科。其主要理论基础是经典的三大基本定律（布拉德福定律、洛特卡定律和齐普夫定律）和两个规律（文献信息增长规律、文献信息老化规律），主要研究对象包括3个方面：文献的外部特征指标、文献的内部特征指标以及与文献相关的服务指标。文献计量学主要应用于医学文献研究，以及和医学文献相关的信息统计、期刊筛选、需求分析、人才评价、数据挖掘、科学预测等工作，其方法众多，包括描述统计分析方法、数据模型法、引文分析法、内容分析法、数据挖掘法等方法。（2）网络计量学方法（webometrics）：
是采用数学、统计学等各种定量研究方法，对网上信息的组织、存储、分布、传递、相互引证和开发利用等进行定量描述和统计分析，以便揭示其数量特征和内部规律的一门新兴学科。其研究目的是通过对网上信息的计量研究，为网络信息的有序化组织和合理分布以及网络信息资源的优化配置和有效利用提供定量依据。从理论来说，互联网上的信息都可以是网络计量的研究对象，包含以下三个层次：①网络信息的直接计量，包括对文字、图像、声音、视频、网页等不同信息载体在数量、流量、时间等直观指标的计量；②网络文献、文献信息及相关特征的计量，如电子期刊、论文、图书、报告等各类电子文献的分布结构、著者信息、出版地、关键词等信息的计量；③网络结构单元（站点）的信息计量，包括布告栏、聊天室、讨论组、电子邮件等的信息增长、老化、学科分布、传递、相互引证等的计量。
网络计量学的研究可分为四类：应用统计方法对数据进行统计分析；运用图论的方法对数据进行可视化研究；运用揭示数据聚簇和分散的工具进行数据挖掘研究；运用解释和模拟网络结构和增长理论工具进行模拟研究。目前，网络计量在卫生领域的主要应用包括：跟踪卫生相关新闻热点，评价网络健康信息和建设数字图书馆等方面。
4.系统分析方法
系统分析（system analysis）是把研究对象看成一个整体、一个系统，从整体、系统的角度出发来研究系统内各部分之间的有机联系，以及和系统外部的相互关系，是一个综合的研究方法。系统分析的目的是通过对诸多领域的研究对象进行定量的或定性与定量相结合的综合分析和综合比较，根据不同事物的共同规律来建立一般性的数学模型，从而对客观世界的各种系统进行精确描述。
系统分析方法有很多，包括鱼骨图法（因果分析图）、排列图法（帕累托图）、关联树分析法、投入产出分析法、规划方法、层次分析法、系统动力学方法、价值分析法等。此处只介绍规划方法和层次分析法。（1）规划方法
线性规划（liner programming）：
主要研究线性约束条件下线性目标函数的极值问题，即在现实中研究如何恰当地使用有限资源来达到最大效益或一定条件下的最优设计。在医院管理中，选购药品、设备问题，医院扩张问题，各科室的病床分配问题等都可以利用线性规划来解决。
动态规划（dynamic programming）：
是在动态条件下，使用多重决定或多级问题的解来实现最优化的数学方法。其处理对象是含有时间因素的决策问题，包括动态决策问题和人为引进“时间”因素的静态决策问题。在求解最短路径、库存管理、资源分配、设备更新、排序、装载等问题上，动态规划方法比其他方法更为有效、简便。（2）层次分析法（analytic hierarchy process，AHP）：
形成于20世纪70年代，是一种定性与定量相结合的半定量方法，可以将人的主观判断用数量形式表达和处理。其基本思想是把一个复杂的研究对象划分为递阶层次，并根据客观事实的判断，就每一层各元素两两之间相互重要性进行定量表示，然后综合判断，确定决策因素的相对重要性以及对上层的影响。
AHP的基本步骤是根据人类的辩证思维过程，先将一个复杂的研究对象划分为递阶层次结构，同一层的各元素具有大致相等的地位，不同层次元素间具有某种联系；再对单层次元素构造判断矩阵以得出层次单排序，并进行一致性检验；最后通过逐层叠加的方法计算层次总排序。AHP的独到之处在于递阶层次结构、判断矩阵和一致性检验。层次分析的操作步骤如图1-3所示。图1-3 层次分析操作步骤
AHP在卫生领域的应用十分广泛，可以用来解决医院绩效考核体系研究，医院信息系统建设方案选择，区域卫生资源分配等问题。
5.回归与相关分析方法
客观世界中变量间存在确定和不确定的关系，前者用函数关系可以表达，后者则不能。相关和回归分析法正是针对这些有一定联系但关系不确定的变量进行统计描述的一种研究方法，主要应用于医学统计分析，比如分析实验室数据中温度对反应产物的影响，预测统计数据中肥胖和高血压之间的关系等。（1）相关分析（correlation analysis）：
是研究两个或两个以上变量之间相关程度大小以及用函数对这种相关关系进行表示的方法。其中，相关关系是研究对象，函数是研究工具。在进行两个变量的相关分析时，做散点图是最常用的方法。（2）回归分析（regression analysis）：
是研究变量与变量之间的关系，分析一些变量对某个变量的影响并进行预测或控制的一种数理统计方法。一般步骤为：①用适当的数学模型对变量观测值进行统计处理和计算，利用最小二乘法原理确定最优关系式，即回归方程；②对回归方程进行假设检验，看其是否具有统计学意义；③根据有统计学意义的回归方程对因变量进行预测或对自变量进行控制，并指出如此做的可信程度；④多重回归还要对偏回归系数进行假设检验，分辨主次要因素。
6.聚类分析法
聚类分析就是根据不同研究对象存在不同程度的相似性，把相似程度高的对象聚合为一类，再把相似程度低的聚合为另一类，反复聚合数次后将相似的聚合到小类里，不相似的聚合到大类里，最终形成一个大类，这样就形成一个由近及远、从小到大的分类关系。
聚类分析的方法很多，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。其中系统聚类法（systematic cluster method）是在实际工作中使用最多的一种方法，在聚类过程中只有两个基本过程：把类间距相近的两类合成一个新类，重新计算各类之间的距离；最后把聚类过程做成聚类树图，按聚类树图特征选择恰当的分类。
聚类分析可以和引文分析联合使用，对医学文献进行同被引聚类分析，得出当前的研究热点；在医院管理中，可以对指标进行聚类分析，并结合主成因分析法抽提出主要指标。
7.时间序列分析法
时间序列是指被观察到的某种统计指标，按照时间先后顺序排列的数据序列。时间序列分析（time series analysis）是通过对历史数据变化的分析，来评价事物的现状和估计事物的未来发展趋势的分析方法，在医学统计和预测技术中有很重要的地位。时间序列分析在卫生领域的应用非常广泛，比如预测某医院下一季度的门诊量、某药厂下一个年度的出货量。
分析时间序列的步骤一般是先把时间序列绘制成历史数据曲线图，然后求出时间序列的基本发展趋势，分析可能存在的季节或循环变动，再通过对随即变动的分析确定一个合理区间进行预测。根据对历史数据的处理方式，可以将时间序列分析分成三大类，如图1-4所示。图1-4 时间序列分析方法体系
8.循证医学方法
循证医学（evidence-based medicine，EBM）是提出疑问，检索并评价相关数据，并将信息应用于临床实践的一种方法。其研究主要包括两方面：一是对医学研究成果二次开发，二是医学证据的传播以及临床应用。研究的基本步骤可概括为“5A”，即提出问题（ask）→寻找证据（acquire）→评价证据（appraise）→应用证据（apply）→评价应用证据的效果（assess）。
循证医学的方法有很多，其中Meta分析可以将多个相互独立的研究成果进行定量合成分析，从而获得一个综合性结论，其基本步骤如图1-5所示。Meta分析不只是一种统计方法，本质上是利用二手资料的观察性研究，在增大样本量的同时也增加了统计分析的检验效能，尤其适用于对随机对照试验结果的综合。目前，Meta分析在医学领域中主要应用于以下方面：人群重大健康问题，病因研究中因果关系的强度和特异性，预防、治疗或干预等措施影响的强度和特异性，临床研究手段问题，疾病治疗的成本效益问题以及卫生策略效果评价等。图1-5 Meta分析基本步骤二、卫生决策支持系统概述（一）概念
健康是人类不断追求的共同目标。国民营养与健康状况是反映一个国家或地区经济与社会发展、卫生保健水平和人口素质的重要指标。作为国家“软实力”的国民健康是社会和谐的稳定器、经济发展的原动力、国际交流与合作的通行证、履行国际责任的新要求。
21世纪医疗卫生工作者所面临的首要问题将不再是“我们是否提供了高质量高效率的服务？”或是“我们是否提供了应该提供的服务？”，而是“我们是否高质量高效率地提供了应该提供的服务？”就是说，我们是否做好了应该做的事。“做好应该做的事”已经成为21世纪医疗卫生管理所应追求的新理念、新目标。在医疗卫生领域，正确的医疗处置和政策制定需要在准确的信息分析基础上作出。医疗卫生决策不再仅凭经验和直觉，而是经过相关信息分析后所作出的决策。计算机技术在医学领域的快速渗透，使得大量医疗卫生数据被计算机准确地记录下来，在信息技术的支持下，这些数据资源几乎涵盖了医疗卫生领域的各个方面，已成为医疗卫生领域开展医疗服务、实施科学研究、制定卫生政策的重要资源。医疗各部门纷纷规划将这些海量数据资源转化为决策信息，并利用计算机技术实现对医疗卫生决策的支持作用。
卫生决策支持是指利用计算机技术，帮助医疗卫生技术人员和管理人员在半结构化或非结构化任务中作出决策，达到支持决策者进行判断、改进决策效能的目的。近年来，全国大力发展卫生领域的信息化建设，在国家层面上建立了公共卫生信息系统，并健全了疾病信息网络体系、疾病预防控制体系和医疗救治体系等；在机构层面上，大多数二级以上医院建立了医院信息系统，部分基层卫生机构实现了业务操作的计算机化。然而，很多信息系统只能满足利用计算机进行日常事务处理工作，不能直接提供决策支持。与此同时，随着计算机技术在医疗卫生领域的广泛应用，卫生行业的分工、业务流程和管理流程均发生着重大的变化。整个环境的变化对医疗卫生决策提出了更高的要求，包括：更高的质量、更快的速度、更复杂的考虑因素、更大的失败代价。面对这些变化，迫切需要一个工具辅助医疗卫生人员进行有效的决策。具有智能性的卫生决策支持系统应运而生，并迅速发展起来。
卫生决策支持系统（health decision support system，HDSS）是面向医学领域的决策支持系统，即是面向医疗卫生领域的半结构化和非结构化决策问题，利用决策支持系统相关理论和技术，支持医疗卫生人员决策活动的具有智能作用的人机交互式信息系统。卫生决策支持系统是在各种管理信息系统的基础上发展起来的，以支持各级卫生技术人员和卫生管理人员辅助决策为目的，例如公共卫生信息系统基础上的公共卫生决策支持系统、社区卫生服务信息系统基础上的社区卫生决策支持系统、临床信息系统基础上的临床决策支持系统等。
卫生决策支持系统的设计方法是以模型驱动为主，重视卫生政策模式的研究与模型、知识的使用，决策需求主要集中在公共卫生、医疗卫生、药品管理、医疗保障、综合管理、基层卫生等业务领域。本书设计了如图1-6所示的卫生决策支持系统概念模型。图1-6 卫生决策支持系统概念模型（二）卫生管理信息系统与卫生决策支持系统
政府和个人卫生保健组织依赖当今强大的信息技术生产、传播多主题的健康信息，包括预防、疾病和伤病管理、资料选择和预后护理等。同时，用户对健康信息的需求越来越高，而且往往要求直接参与到健康保健和生活方式的决策中来，这就需要信息系统对用户健康需求作出快速、有效的反应，为用户提供满足个性化需求的卫生保健信息。应用卫生信息管理的理论和方法，建立能满足多用户需求的信息系统和决策支持系统，是卫生系统控制费用增长、改善服务质量的有效措施。卫生信息管理系统在此种背景下得以迅速发展。
卫生信息管理是对卫生信息资源和相关信息活动的管理。卫生信息管理系统对政府卫生管理部门而言，是对各医疗卫生机构进行管理，为辖区内居民提供各类卫生信息服务的信息系统；对各类医疗卫生机构而言，是根据各机构自身的工作目标和特点，利用各种信息技术，对各自管理和服务的对象进行综合管理的应用系统。卫生信息管理系统能大幅度提高政府机构管理水平、部门间协同工作的能力、社会服务能力。按照信息系统的发展历程和趋势来看，卫生信息管理系统从最初的数据处理系统、事务处理系统，演变为办公自动化系统、管理信息系统、知识管理系统，并逐步发展成现代主流的决策支持系统、专家系统、智能系统等。其发展历程中，具有里程碑意义的是以医院财务管理、人事管理、物流管理等信息系统为代表的卫生管理信息系统，及以突发公共卫生事件应急指挥中心与决策系统、疫情和突发公共卫生事件监测系统等为代表的卫生决策支持系统。
卫生决策支持系统（HDSS）是卫生管理信息系统（HMIS）发展到一定阶段出现的一种新的自成一体的信息管理系统，二者既有明显区别又相互联系。二者区别在于：HDSS追求高效能，以提高卫生决策的能力和效果为目标，HMIS追求高效益，以提高卫生管理水平为目标；HDSS着眼于决策，即着重考虑如何根据决策问题的需要，为决策者提供有价值的信息；HMIS着眼于信息，即着重考虑如何完成例行业务活动中的信息处理任务。HDSS的设计原则是强调充分发挥人的经验、智慧、创造力，努力使系统设计有利于个人或组织决策行为的改善，而HMIS的设计原则是强调系统的客观性，努力使系统设计符合组织的实际情况；HDSS的设计方法是以模型驱动的，重视卫生决策模式的研究与模型、知识的使用，HMIS的设计方法是以数据驱动的，以数据库设计为中心；HDSS通常由人机对话系统、数据库系统、模型库系统、知识库系统组成，而HMIS通常由人机对话系统、数据库系统组成；HDSS能够帮助解决的是半结构化和非结构化的卫生决策问题，并且以人机对话作为系统工作的主要方式，而HMIS只能解决结构化的卫生决策问题，并且人工干预日趋减少。二者联系在于：HMIS收集、存储及提供的大量信息是HDSS工作的基础，而HDSS能够使HMIS提供的信息真正发挥作用；经过HDSS的反复作用，新的数据模式与问题模式将逐步明确起来并逐步结构化，最后纳入HMIS的工作范围；HMIS担负着收集系统的反馈信息的任务，支持HDSS进行效果检验；HDSS的工作包括了对HMIS工作的审计和检查，为HMIS的改善和提高指明了方向。三、卫生决策支持系统体系结构（一）基本部件
20世纪70年代末至80年代初开发的DSS主要由5个部件组成：对话系统、数据库、模型库、知识库和方法库。后来，在这5个部件的基础上又开发了它们各自的管理系统，即对话管理系统、数据库管理系统、模型库管理系统、知识库管理系统和方法库管理系统。一大批现有的DSS都可以认为是这10个基本部件的不同集成或组合。一般来说，这10个部件可以组成支持任何层次和级别的DSS系统。在大多数DSS中，数据库、模型库、知识库和方法库都与各自的管理系统相结合，从而分别构成了数据库系统、模型库系统、知识库系统和方法库系统，一般统称为四库系统，是DSS的主要组成部分。
卫生决策支持系统是面向医疗卫生领域的决策支持系统，是DSS理论与技术在医疗卫生领域的具体应用，因此，其基本部件与系统结
试读结束[说明：试读内容隐藏了图片]