质效精研 P30 | 负性指标:深挖死亡率、重返率背后的「系统缺陷」

发表于2026-06-24|更新于2026-06-22|质效精研

|浏览量:

assets/2026-05-30-质效精研-系列预告_2026-06-01_09-49-25.jpg

[!ABSTRACT] 核心摘要
项目编号:质效精研 · P30
专业领域:医疗质量安全管理 / 负性指标体系 / RCA2 根因分析
核心问题:死亡率飙升、再入院率抬头、并发症卷土重来——这些「负性指标」的背后,到底是「个案问题」还是「系统缺陷」?质管办如何「拎出真问题、改对真根因」?
三条战线:

🟢 基础扫盲:什么是「负性指标」?死亡率、再入院率、并发症率、不良事件率四大经典指标的「分层逻辑」与「罗恩线」边界

🟡 实战进阶:8 类负性指标管控 SOP + 12 项质控核查 Checklist

🔴 极客升维:风险调整模型(Charlson / Elixhauser)、RCA2、AI 不良事件早期识别、负性指标实时仪表盘
目标篇幅:9,000-11,000 字

前言:某科室 30 天再入院率突然飙到 18%,质管办凌晨 2 点的紧急会议

2025 年 11 月 17 日,凌晨 2 点 15 分。

深圳市某三甲医院质管办的值班电话响了——电话那头是医务科主任压抑着怒意的声音:

「老王,你看看这个数——心内科 30 天再入院率,上个月 12%,这个月飙到 18%!医保飞检下周就到,这数要是被揪出来,咱们今年的国考分数全完了!」

王主任披上外套,打开笔记本电脑。心内科的指标大屏上,「急性心衰 30 天再入院」曲线像一条突然翘起的毒蛇——从年初的 8%,到 9 月的 11%,到 10 月的 12%,到 11 月上旬的 18%。

这不是一个「突然事件」,这是一条「缓慢爬升的曲线」。

王主任脑子里的第一个问题不是「怎么办」,而是「为什么 9 月份 8% 的时候没人报警?」

答案,他心里清楚:那时候所有人都在追 CMI、追 DRG 入组率、追四级手术占比,这种「负向指标」的「缓慢爬升」被「正向指标」的「快速提升」淹没了——等看到蛇头时,蛇身已经盘了三圈。

这就是「负性指标」管理的经典困局:

正向指标(CMI、四级手术占比、DRG 入组率)每天有人盯;
负性指标(死亡率、再入院率、并发症率)只有「爆雷」时才被看见;
等看见时,往往已经晚了。

这一篇,我们讲清楚四件事:

什么是「负性指标」?死亡率 / 再入院率 / 并发症率 / 不良事件率怎么分层?
8 类负性指标的「管控 SOP」——定义、计算公式、数据源、阈值、根因分析、改进措施,一套带走;
极客层面:Charlson 合并症指数、Elixhauser 指数、RCA2、AI 早期识别怎么用?
真实案例:某医院心脏外科死亡率从 4.5% 降到 2.1% 的 18 个月实战。

不绕弯子,我们开始。

Part 1:基础扫盲层——什么是「负性指标」?为什么「它比正向指标更值钱」?

负性指标(Negative Indicator),也叫「逆向指标」「结局不良指标」「哨兵事件指标」,指的是 反映「不该发生但发生了」的事件的指标。

和正向指标(越多越好、越高越好)相反,负性指标追求的是「越低越好、越稳越好、可解释的越少越好」。

一、为什么「负性指标」比「正向指标」更值钱?

维度	正向指标	负性指标
管理者关注度	高(院长天天追)	低(出事才看)
改进难度	相对容易(培训 / 激励即可)	极难(涉及系统、流程、文化)
社会影响	中(同行评议)	高(医疗纠纷、舆情、监管)
真伪识别难度	中(数据相对好验证)	极高(报喜不报忧、漏报、瞒报)
改进回报	短期可见	长期才能见效

一句话总结:正向指标是「锦上添花」,负性指标是「生死底线」—— 锦上添花做得好,只是「优秀」;生死底线守不住,直接「出局」。

二、四大经典负性指标

在医疗质量管理领域,有四类「必看」的负性指标:

1. 死亡率(Mortality Rate)

定义:住院期间或特定时间内死亡的患者占比。

死亡率的分层逻辑(这是质管办最容易踩坑的地方):

分层	定义	用途	阈值参考(三级公立医院)
全因死亡率(All-Cause Mortality)	住院期间所有原因导致的死亡 / 出院人次	总死亡率	0.5-1.5%(全院基线)
术后死亡率(Postoperative Mortality)	术后 30 天内死亡 / 同期手术患者	外科系统	围手术期 ≤ 1.5%
可避免死亡率(Avoidable Mortality)	理论上可通过改进医疗质量避免的死亡	医院改进重点	越低越好
低风险组死亡率(Low-Risk Mortality)	入院时评估为低死亡风险的患者中实际死亡率	系统性失误的「哨兵」	< 0.05%(几乎应为零)
标准化死亡率(SMR)(Standardized Mortality Ratio)	实际死亡率 / 预期死亡率(经风险调整)	跨医院 / 跨科室比较	越接近 1.0 越好

[!WARNING] 「低风险组死亡率」是最重要的「系统缺陷信号灯」
一家医院「全因死亡率」2% 可能「看起来正常」,但「低风险组死亡率」如果 > 0.05%,说明这家医院存在「本不该死的人死了」——这是医疗质量「系统性失误」的最强证据。
「低风险组死亡率」每发生 1 例,必须启动 RCA2 根因分析。

2. 再入院率(Readmission Rate)

定义:出院后特定时间内因相同或相关疾病再次入院的患者占比。

再入院率的分层:

分层	时间窗	用途
30 天再入院率	出院后 30 天内	最常用,国家三级公立医院绩效考核硬指标
7 天再入院率	出院后 7 天内	「出院质量」早期信号,反映「没好就放」
15 天再入院率	出院后 15 天内	7 天与 30 天之间的折中
同病种再入院率	出院后 30 天因相同 ICD-10 前 3 位入院	「真复发 / 真并发症」,排除新发疾病
计划外再入院率	不含化疗、康复、定期复查等计划内入院	「不该来又来了」

重点提示:

国家三级公立医院绩效考核用的是「30 天同病种再入院率」;
美国 CMS(Centers for Medicare & Medicaid Services)用的是「30 天全因再入院率」,会「误伤」很多计划内入院;
「同病种」+「计划外」叠加,是最严格的「再入院率」口径。

3. 并发症率(Complication Rate)

定义:住院或术后发生特定并发症的患者占比。

常见并发症分类:

类型	例子	关注科室
手术并发症	术后出血、吻合口瘘、术后感染	外科系统
操作并发症	穿刺损伤、插管损伤、麻醉意外	内科系统、麻醉科
药物并发症	药物不良反应、过敏性休克	全院
院内感染并发症	手术部位感染、肺炎、尿路感染	感控科

[!TIP] 并发症率与「不良事件率」的区别

并发症(Complication):医学上可预期、可识别、有明确诊断标准的疾病发展过程(如术后出血、切口感染);

不良事件(Adverse Event):医疗过程中非预期、可能可避免的事件(如跌倒、用药差错、误诊误治);

并发症是「医学的锅」,不良事件是「系统的锅」——并发症难免,不良事件必须降。

4. 不良事件率(Adverse Event Rate)

定义:住院期间发生非预期、可能可避免的医疗事件占比。

中国医院常用的不良事件分类(参考中国医院协会《医疗安全(不良)事件报告系统》):

类别	例子
跌倒 / 坠床	院内跌倒、坠床
压疮	院内新发压疮
用药差错	错发、漏发、剂量错误
手术差错	手术患者 / 部位错误、异物遗留
管路滑脱	静脉管、引流管、导尿管、气管插管非计划拔管
输血反应	严重输血不良反应
医院感染暴发	同科室短时间内 ≥ 3 例同源感染
医疗设备故障	设备失效导致患者伤害

[!DANGER] 不良事件上报的「文化陷阱」
中国医院的不良事件上报率长期偏低(平均 0.5-2%),美国 JCI 认证医院通常 5-10%。上报率低 ≠ 不良事件少,可能是「报喜不报忧」文化——质管办必须把「鼓励上报」放到「零惩罚」层面。

三、「罗恩线」——可避免与不可避免的边界

负性指标里有一个核心概念: 「罗恩线」(Rohn Line)——指「可避免」与「不可避免」之间的边界。

举例说明:

场景	是否可避免	处理方式
90 岁老人多器官衰竭死亡	不可避免	不计入「医疗差错」,但纳入「安宁疗护质量」评估
30 岁急性心梗入院 2 小时死亡	可能可避免(看是否及时 PCI)	启动 RCA2 根因分析
30 岁急性阑尾炎术后正常死亡(麻醉意外)	极少数可避免	启动 RCA2,但定性为「系统问题」而非「个人问题」
30 岁择期手术因护士用错药死亡	明确可避免	启动 RCA2 + 责任追究 + 系统改进

「罗恩线」的实操价值:

避免「负性指标考核 = 一刀切」:把所有死亡都当「医疗差错」追责,会导致「推诿重症患者」——谁都不愿收「高风险」患者,谁都不愿做「高风险」手术;
聚焦「真问题」:把资源聚焦在「可避免」的负性事件上,而不是「不可避免」的自然结局;
建立「学习型」文化:把「罗恩线」作为「质控讨论的标准话术」,让临床敢于上报、敢于分析、敢于改进。

到这里,「负性指标」的基础概念就讲清楚了。下一步,进入「怎么管」——8 类负性指标的「实战 SOP」。

Part 2:实战进阶层——8 类负性指标的「管控 SOP」+ 12 项质控 Checklist

这一节是「工具箱」——把负性指标拆成 8 类,每类给出「定义 + 公式 + 数据源 + 阈值 + 根因方法 + 改进措施」6 要素 SOP,然后给出一张「12 项质控核查 Checklist」。

一、住院死亡率

要素	内容
定义	住院期间死亡患者数 / 同期出院患者总数 × 100%
计算公式	住院死亡率 = 住院死亡人数 / 出院总人次 × 100%
数据源	HIS 出院主诊断 + 出院方式(死亡)、病案首页
阈值参考	全院基线 0.5-1.5%;ICU 5-15%;CCU 3-8%
分层	全因 / 术后 / 可避免 / 低风险组 / SMR
根因方法	「低风险组死亡率」> 0 启动 RCA2;SMR 持续 > 1.2 启动系统 review
改进措施	1) 风险调整后横向对比;2) 按科室 / 病种分层 review;3) 可避免死亡强制 RCA2;4) 安宁疗护流程优化(减少「无效抢救」)

二、围手术期死亡率

要素	内容
定义	术后 30 天内死亡患者数 / 同期手术患者总数 × 100%
计算公式	围手术期死亡率 = 术后 30 天内死亡 / 手术患者数 × 100%
数据源	手麻系统 + HIS + 病案首页 + 随访系统(术后 30 天)
阈值参考	三级公立医院 ≤ 1.5%;四级手术 ≤ 5%;心脏手术 ≤ 3%
分层	按手术分级(一级 / 二级 / 三级 / 四级)、按 ASA(American Society of Anesthesiologists,美国麻醉医师协会)分级、按科室
根因方法	每例死亡启动 RCA2;围手术期死亡 100% 病例讨论
改进措施	1) 术前讨论 + 麻醉风险评估;2) 术中安全核查(Times Out);3) 术后 ICU 监测;4) 30 天随访闭环

三、30 天再入院率

要素	内容
定义	出院后 30 天内因相同或相关疾病再次入院患者数 / 同期出院患者总数 × 100%
计算公式	30 天再入院率 = 30 天内再次入院患者 / 同期出院患者 × 100%
数据源	HIS 出院记录 + 二次入院记录(身份证 / 病案号关联)
阈值参考	心衰 ≤ 20%;肺炎 ≤ 17%;COPD ≤ 20%;髋关节置换 ≤ 5%;急性心梗 ≤ 15%(参考 CMS)
分层	7 天 / 15 天 / 30 天 / 同病种 / 计划外
根因方法	超阈值科室启动 RCA2;单月飙升 ≥ 30% 启动紧急分析
改进措施	1) 出院前评估到位;2) 出院带药 + 用药指导;3) 7 天内电话 / 微信随访;4) 30 天门诊复查预约;5) 高风险患者「出院准备服务」

四、ICU 再入住率

要素	内容
定义	出 ICU 后 48 小时内因相同或相关原因再次入住 ICU 的患者数 / 同期出 ICU 患者总数 × 100%
计算公式	ICU 再入住率 = 48h 内重返 ICU / 出 ICU 人数 × 100%
数据源	ICU 转入转出记录 + HIS
阈值参考	≤ 5%
分层	24h / 48h / 72h 内重返
根因方法	每次重返 ICU 必须 review:① 出 ICU 决策是否过早?② 转入普通病房后监测是否到位?③ 病情恶化是否及时发现?
改进措施	1) 出 ICU 标准(MEWS 评分、NEWS 评分)严格;2) 出 ICU 后 24h 高频监测;3) 快速反应团队(RRT)24h 待命;4) 病情恶化早期预警系统(详见 Part 3)

五、手术部位感染(SSI,Surgical Site Infection)

要素	内容
定义	术后 30 天 / 90 天(植入物)内发生的手术切口或深部组织感染
计算公式	SSI 发生率 = SSI 病例数 / 同期手术患者数 × 100%
数据源	院感监测系统 + 病案首页(ICD 感染代码) + 30 天 / 90 天随访
阈值参考	I 类切口 ≤ 1.5%;II 类切口 ≤ 3%;髋关节置换 ≤ 2%;冠脉搭桥 ≤ 3%(参考 NHSN/NICE)
分层	浅表 / 深部 / 器官腔隙;按手术类型
根因方法	每例 SSI 启动感控科 + 手术科室联合 RCA2;聚集性事件启动暴发调查
改进措施	1) 术前预防性抗菌药物 30-60min 给药;2) 术中无菌操作;3) 术中血糖 / 体温控制;4) 术后切口管理;5) SSI bundle 集束化执行

六、呼吸机相关肺炎(VAP,Ventilator-Associated Pneumonia)

要素	内容
定义	机械通气 48 小时后发生的肺炎
计算公式	VAP 发生率 = VAP 病例数 / 同期机械通气日数 × 1000‰(千日率)
数据源	ICU 院感监测 + 微生物检验
阈值参考	≤ 5‰(千日机械通气日数)
分层	早发(< 5 天) / 晚发(≥ 5 天);MDR(多重耐药菌) / 非 MDR
根因方法	每例 VAP 启动 ICU + 感控科联合 RCA2;按 VAP bundle 执行率追因
改进措施	1) VAP bundle:抬高床头 30-45°、每日镇静唤醒、消化道溃疡预防、深静脉血栓预防、口腔护理;2) 每日评估拔管指征;3) 声门下分泌物吸引;4) 呼吸机管路管理

要素	内容
定义	留置中心静脉导管 48 小时后发生的血流感染
计算公式	CRBSI 发生率 = CRBSI 病例数 / 同期导管留置日数 × 1000‰(千日率)
数据源	ICU 院感监测 + 血培养 + 导管尖端培养
阈值参考	≤ 2‰(千日导管留置日数)
分层	CVC(中心静脉导管) / PICC(经外周穿刺中心静脉置管) / 透析导管;ICU / 普通病房
根因方法	每例 CRBSI 启动 RCA2;重点查:① 穿刺时无菌屏障;② 敷料管理;③ 导管留置必要性
改进措施	1) 穿刺最大无菌屏障;2) CHG(氯己定)皮肤消毒;3) 每日评估导管必要性;4) 敷料定期更换;5) 输液管路管理

八、压疮 / 跌倒

8.1 院内压疮(Hospital-Acquired Pressure Injury)

要素	内容
定义	住院期间新发的压疮(Braden 评分下降伴随皮肤损伤)
计算公式	院内压疮发生率 = 院内新发压疮例数 / 同期住院患者床日数 × 1000‰
数据源	护理不良事件上报 + 病历记录 + Braden 评分
阈值参考	≤ 0.5‰(千床日);2 期及以上压疮零容忍
根因方法	2 期及以上院内压疮强制 RCA2;重点查:① Braden 评分是否及时;② 翻身是否到位;③ 营养支持是否到位
改进措施	1) 入院 8h 内 Braden 评分;2) 高危患者(< 12 分)每 2h 翻身;3) 减压床垫;4) 营养支持;5) 皮肤交接班

8.2 住院跌倒 / 坠床

要素	内容
定义	住院期间发生的非计划跌倒或坠床事件
计算公式	跌倒发生率 = 跌倒例数 / 同期住院患者床日数 × 1000‰
数据源	护理不良事件上报 + 病历记录 + Morse 评分
阈值参考	≤ 0.5‰(千床日);跌倒伤害率 ≤ 0.1‰(造成伤害的)
根因方法	跌倒伤害 ≥ 2 级启动 RCA2;重点查:① Morse 评分是否到位;② 警示标识;③ 陪护到位
改进措施	1) 入院 Morse 评分;2) 高危患者(≥ 45 分)警示标识 + 床栏 + 陪护;3) 卫生间扶手 + 防滑垫;4) 夜间巡视;5) 跌倒高危药物管理(镇静、降压、利尿)

九、质控核查 Checklist(12 项)

把这 8 类负性指标落地到日常质控,需要一张「12 项核查 Checklist」:

序号	核查项	数据来源	责任人	频率
1	8 类负性指标的「指标覆盖率」(全院 / 重点科室)	指标库台账	质管办	季度
2	原始数据准确率(抽查 ≥ 10 份病历,核对手工 vs 系统)	病历抽查	质管办 + 病案室	月度
3	风险调整后指标值(SMR、调整后死亡率)	BI 平台	质管办 + 信息科	月度
4	指标阈值超标率(超过阈值的指标数 / 总指标数)	BI 平台	质管办	月度
5	根因分析完成率(应启动 RCA2 的事件中实际完成比例)	RCA2 工作台	质管办	月度
6	改进措施落地率(RCA2 输出的改进措施实际落地比例)	工单系统	质管办	月度
7	年度趋势分析(同比 / 环比)	BI 平台	质管办	季度
8	不良事件上报率(每月上报数 / 应上报数)	不良事件系统	质管办 + 护理部	月度
9	RCA2 完成及时性(从事件发生到 RCA2 输出 ≤ 45 天)	RCA2 工作台	质管办	月度
10	改进措施有效性验证(6 个月后验证指标是否改善)	BI 平台	质管办 + 临床科室	半年度
11	跨部门协同(手术科室 + 麻醉 + ICU + 感控 + 护理)	联席会议	医务科	季度
12	公开通报(院周会 / 院务公开)	月度通报	质管办主任	月度

[!TIP] 把 Checklist 嵌入 BI 平台
把这张 12 项表嵌入医院 BI 平台,设置 月度自动核查 + 不达标项红色告警,从「人盯」升级到「系统盯」。任何一项连续 2 月不达标,自动升级到分管院长。

到这里,8 类负性指标的「实战 SOP」+「12 项质控 Checklist」就摆齐了。但要做到「真改进、真见效」,光靠 SOP 还不够——下一节,我们看极客层面,怎么用「风险调整 + RCA2 + AI 早期识别」把负性指标管理升级到「系统智能」。

Part 3:极客升维层——风险调整 + RCA2 + AI 早期识别

前面讲的 8 类 SOP,底层逻辑都是「指标 + 阈值 + 责任人 + 改进」。但要真正做到「系统改进」,光靠「事后统计」不够——这一节,我们看三件事:

风险调整模型:怎么用 Charlson 合并症指数、Elixhauser 指数把「不同患者不同病情」拉平?
RCA2:「Root Cause Analysis and Action」,参考 P11 提到的 RCA2 框架,讲清楚「根因 + 行动」怎么落地?
AI 不良事件早期识别:怎么用机器学习 + 电子病历实时抓「高风险信号」?

一、风险调整模型:把「不同患者不同病情」拉平

为什么需要风险调整?

某医院心内科死亡率 2.5%,某医院心内科死亡率 1.5%——哪家做得更好?

答案是:不知道。因为两家医院收治的患者「基线病情」可能差很多——一家收的多是 80 岁多器官衰竭的,一家收的多是 50 岁稳定型心绞痛的。

风险调整,就是用统计模型「把不同病情拉平」,让死亡率等指标可比较。

1. Charlson 合并症指数(Charlson Comorbidity Index,CCI)

Charlson 指数是 1987 年由 Mary Charlson 提出的,包含 17 类合并症,按权重 1-6 分计分:

权重	合并症
1 分	心肌梗死、充血性心衰、周围血管病、脑血管病、痴呆、慢性肺病、结缔组织病、消化性溃疡、轻度肝病、糖尿病
2 分	偏瘫、中重度肾病、糖尿病伴器官损伤、肿瘤、白血病、淋巴瘤
3 分	中重度肝病
6 分	转移性肿瘤、艾滋病

总分 = 各类合并症权重之和(同一种病只计一次)。

应用:

Charlson 评分 ≥ 3 分的患者,1 年死亡率显著升高(基线约 25% / 年);
在医院内部,可用于「死亡风险分层」和「医疗资源分配」;
在医院之间,可用于「死亡率风险调整」的协变量。

2. Elixhauser 合并症指数(Elixhauser Comorbidity Index)

Elixhauser 指数是 1998 年由 Anne Elixhauser 提出的,包含 30 类合并症(比 Charlson 更细):

类别	例子
心血管	充血性心衰、心律失常、瓣膜病、肺循环障碍
神经系统	瘫痪、其他神经系统疾病
呼吸	慢性肺病
消化	肝硬化、消化性溃疡
内分泌	糖尿病(有 / 无并发症)、甲状腺功能减退
肾脏	肾功能衰竭
肿瘤	实体瘤、转移癌、淋巴瘤
其他	肥胖、贫血、电解质紊乱、精神疾病等

应用:

比 Charlson 更「全」,能反映更多合并症对结局的影响;
现代医院管理更倾向于用 Elixhauser 指数做风险调整;
通常转化为 van Walraven 权重(Elixhauser 的加权版)用于死亡率预测。

3. 用 Python 实现 Charlson 风险调整后的死亡率比较

class MortalityRiskAdjuster:
    """死亡率风险调整器"""
    
    def __init__(self):
        # Charlson 合并症权重
        self.charlson_weights = {
            'mi': 1, 'chf': 1, 'pvd': 1, 'cvd': 1, 'dementia': 1,
            'copd': 1, 'ctd': 1, 'pud': 1, 'mild_liver': 1, 'dm': 1,
            'hemiplegia': 2, 'mod_renal': 2, 'dm_with_complication': 2,
            'tumor': 2, 'leukemia': 2, 'lymphoma': 2,
            'mod_liver': 3, 'metastatic': 6, 'aids': 6
        }
    
    def calc_charlson(self, patient):
        """计算 Charlson 评分"""
        score = 0
        for comorbidity, has in patient['comorbidities'].items():
            if has and comorbidity in self.charlson_weights:
                score += self.charlson_weights[comorbidity]
        return score
    
    def calc_smr(self, hospital_data):
        """计算标准化死亡率(SMR)"""
        # SMR = 实际死亡数 / 预期死亡数
        # 预期死亡数 = sum(各类患者的预期死亡率 × 各类患者数)
        
        total_actual = 0
        total_expected = 0
        
        for charlson_group, patients in hospital_data.items():
            # charlson_group: 0, 1, 2, 3+ 分组
            n = len(patients)
            actual_deaths = sum(1 for p in patients if p['died'])
            # 用基线死亡率(从大样本获取)作为预期死亡率
            baseline_rate = self.baseline_rates[charlson_group]
            expected_deaths = n * baseline_rate
            
            total_actual += actual_deaths
            total_expected += expected_deaths
        
        smr = total_actual / total_expected if total_expected > 0 else 0
        return {
            'actual_deaths': total_actual,
            'expected_deaths': round(total_expected, 1),
            'smr': round(smr, 2),
            'interpretation': self._interpret_smr(smr)
        }
    
    def _interpret_smr(self, smr):
        if smr < 0.8:
            return '明显优于基线(可能存在编码不全或患者选择)'
        elif smr < 1.0:
            return '略优于基线'
        elif smr == 1.0:
            return '与基线一致'
        elif smr <= 1.2:
            return '略差于基线'
        else:
            return '明显差于基线(建议启动系统 review)'

关键解读:

SMR < 1.0:实际死亡率 < 预期死亡率,表现优于基线;
SMR = 1.0:与基线一致;
SMR > 1.2:明显差于基线,需要系统 review。

[!WARNING] 风险调整的两大陷阱

「编码不全」陷阱:有些医院「主诊断写得轻、合并症写得少」,Charlson 评分被人为压低,SMR 看起来「好」——其实是「病历没写全」,不是「真的做得好」。质管办必须抽查病历,核对合并症记录。

「死亡转移」陷阱:有些医院「快死的患者转院」,把死亡「挪出去」——风险调整后「死亡率下降」,其实是「病人跑了」。质管办必须追踪「出院方式 = 转院」的患者去向。

二、RCA2:根因分析 + 行动

RCA2(Root Cause Analysis and Action)是美国医疗质量与安全研究所(IHI,Institute for Healthcare Improvement)在传统 RCA 基础上升级的版本,核心是「不仅要找根因,更要落地行动 + 验证有效性」。

RCA2 的 6 步流程:

┌──────────────────────────────────────────────────────────┐
│  Step 1:事件识别 (Identify Event)                         │
│  - 选择事件:严重不良事件 / 哨兵事件 / 阈值超标             │
└──────────────────────────────────────────────────────────┘
                            ↓
┌──────────────────────────────────────────────────────────┐
│  Step 2:组建团队 (Organize Team)                          │
│  - 跨学科:当事科室 + 质管办 + 医务科 + 护理 + 院感        │
│  - 4-6 人,1 名 leader,1 名 facilitator                   │
└──────────────────────────────────────────────────────────┘
                            ↓
┌──────────────────────────────────────────────────────────┐
│  Step 3:事件重建 (Reconstruct Event)                      │
│  - 时间线:从入院到事件发生的完整时间线                     │
│  - 人员:每个关键节点的当事人                               │
│  - 信息系统:HIS / 医嘱 / 病程 / 检验 / 检查               │
└──────────────────────────────────────────────────────────┘
                            ↓
┌──────────────────────────────────────────────────────────┐
│  Step 4:根因识别 (Identify Root Causes)                   │
│  - 5Why 分析:连问 5 次「为什么」                          │
│  - 鱼骨图:人 / 机 / 料 / 法 / 环 / 测                    │
│  - 故障树:从「顶上事件」反推「根因事件」                  │
└──────────────────────────────────────────────────────────┘
                            ↓
┌──────────────────────────────────────────────────────────┐
│  Step 5:行动计划 (Develop Action Plan)                    │
│  - 强措施 vs 弱措施:                                       │
│    ★★★ 强:标准化、强制执行、系统拦截                      │
│    ★★  中:培训、SOP、双人核对                            │
│    ★  弱:警示、提醒、公告                                  │
│  - 责任人 + 完成时间 + 验证标准                          │
└──────────────────────────────────────────────────────────┘
                            ↓
┌──────────────────────────────────────────────────────────┐
│  Step 6:验证有效性 (Verify Effectiveness)                 │
│  - 6 个月后追踪:改进措施是否落地?指标是否改善?            │
│  - 失败则:再分析、再行动                                  │
└──────────────────────────────────────────────────────────┘

[!TIP] RCA2 的「强措施」原则
IHI 的研究显示,「强措施」比「弱措施」有效 10 倍以上:

★ 弱措施(「请注意」「请加强」)效果 < 10%;

★★ 中措施(培训、SOP)效果 30-50%;

★★★ 强措施(系统拦截、强制执行、标准化)效果 80-90%。

质管办在 review RCA2 时,要重点看「强措施占比」——「强措施」< 50% 的 RCA2,基本是「走过场」。

三、AI 不良事件早期识别:从「事后统计」到「实时预警」

传统的负性指标管理是「事后统计」——死亡 / 并发症发生后再分析,再改进,代价已经付出去。

AI 早期识别的核心是「事前预警」——在不良事件发生前几小时甚至几天,从电子病历的「数据流」中识别「高风险信号」,提前介入。

1. 实时死亡率预测模型(参考 Epic Deterioration Index)

class DeteriorationPredictor:
    """病情恶化早期预警模型(参考 Epic Deterioration Index)"""
    
    def __init__(self):
        self.window = '6h'  # 滑动窗口
        self.threshold = 0.7  # 预警阈值
    
    def predict(self, patient_vitals_lab_stream):
        """实时预测患者未来 6-12 小时的死亡率风险"""
        
        features = {
            # 生命体征趋势
            'hr_trend': self._calc_trend([v['hr'] for v in patient_vitals_lab_stream]),
            'sbp_trend': self._calc_trend([v['sbp'] for v in patient_vitals_lab_stream]),
            'spo2_trend': self._calc_trend([v['spo2'] for v in patient_vitals_lab_stream]),
            'rr_trend': self._calc_trend([v['rr'] for v in patient_vitals_lab_stream]),
            
            # 实验室异常
            'lactate_max': max([v['lactate'] for v in patient_vitals_lab_stream]),
            'creatinine_rising': self._calc_rising([v['creatinine'] for v in patient_vitals_lab_stream]),
            'bilirubin_rising': self._calc_rising([v['bilirubin'] for v in patient_vitals_lab_stream]),
            'platelet_dropping': self._calc_dropping([v['platelet'] for v in patient_vitals_lab_stream]),
            
            # 临床评估
            'gcs_dropping': self._calc_dropping([v['gcs'] for v in patient_vitals_lab_stream]),
            'urine_output_dropping': self._calc_dropping([v['urine_output'] for v in patient_vitals_lab_stream]),
            
            # 用药信号
            'vasopressor_use': any(v['vasopressor'] for v in patient_vitals_lab_stream),
            'sedation_increase': self._calc_rising([v['sedation_dose'] for v in patient_vitals_lab_stream])
        }
        
        # 用预训练模型预测
        risk_score = self.model.predict_proba(features)[:, 1][0]
        
        if risk_score >= self.threshold:
            return {
                'alert': True,
                'risk_score': round(risk_score, 2),
                'top_features': self._explain(features),
                'recommended_action': '立即通知 RRT(快速反应团队)+ ICU 会诊'
            }
        return {'alert': False, 'risk_score': round(risk_score, 2)}

关键设计原则:

实时性:数据流每 5-15 分钟更新,模型实时预测;
可解释性:不仅给「风险分」,还要给「主要风险因素」(乳酸升高、血压下降等);
行动联动:高风险预警自动触发「快速反应团队(RRT)」或「ICU 会诊」。

2. 负性指标实时仪表盘

把 AI 模型 + 负性指标 + 风险调整 + 工单系统整合到一张「实时仪表盘」:

graph TB
    subgraph Data["数据层:实时数据流"]
        D1[HIS<br/>生命体征 + 医嘱]
        D2[LIS<br/>检验结果]
        D3[PACS<br/>影像报告]
        D4[护理系统<br/>不良事件 + 评分]
    end
    
    subgraph AI["AI 层:实时预测"]
        A1[死亡率预测模型]
        A2[再入院风险模型]
        A3[并发症预测模型]
        A4[不良事件识别模型]
    end
    
    subgraph Dashboard["仪表盘层:负性指标全景"]
        Top["顶层:战略大屏<br/>8 大类负性指标 + SMR"]
        Mid["中层:战术看板<br/>单指标趋势 + 风险调整后值"]
        Bot["底层:操作大屏<br/>在院高风险患者 + 实时预警"]
    end
    
    subgraph Action["行动层:闭环"]
        AC1[RRT 快速反应]
        AC2[RCA2 启动]
        AC3[工单推送]
        AC4[月度通报]
    end
    
    Data --> AI
    AI --> Dashboard
    Dashboard --> Action
    Action -. 改进反馈 .-> AI

关键设计原则:

一屏三层:顶层 8 大类负性指标(SMR 视角),中层单指标趋势(科室 / 病种视角),底层在院高风险患者(个体视角);
一异常一工单:任何红色报警自动生成工单,责任人 24h 内响应;
一钻到底:任何指标从「院级」下钻到「科室」,再下钻到「患者 / 病历」。

到这里,极客层面的「风险调整 + RCA2 + AI 早期识别」都摆齐了。但这一切要落地,中间还隔着「院长决心 + 临床共识」这道坎——下一节,我们走进一家三甲医院的真实案例,看「负性指标治理」是怎么从「数据问题」跃迁到「系统改进」的。

Part 4:真实案例——某医院心脏外科死亡率从 4.5% 降到 2.1% 的 18 个月实战

2023 年 6 月,粤港澳大湾区某三甲医院(化名「东江医院」,开放床位 1800 张,心脏外科年手术量约 600 台)启动「心脏外科死亡率专项治理」。

起点问题:

心脏外科住院死亡率 4.5%(同期全国三甲医院基线约 2.0-2.5%);
围手术期死亡率 5.8%(基线 2.5-3.0%);
SMR(标准化死亡率)1.85(明显高于基线);
医疗纠纷 2 起(都与死亡相关);
医保飞检发出「死亡率异常预警」。

一、第一阶段:数据治理 + 风险调整(第 1-3 月)

动作 1:历史数据回溯

质管办 + 信息科联合,把 2022 年全年的心脏外科出院病历全部回溯,逐一核对死亡病例的「主诊断 + 合并症 + 手术记录 + 死亡诊断」。

关键发现:

31 例死亡患者中,Charlson 合并症指数 ≥ 3 分的有 22 例(71%);
风险调整后(用同期全国心脏外科基线),SMR 从「粗死亡率 4.5%」调整到「标准化死亡率 1.85」——意味着患者病情确实更重,但仍有改进空间。

动作 2:死亡病例 100% RCA2

对 2022 年所有 31 例死亡患者逐一启动 RCA2,输出:

强措施 12 条(标准化、强制执行、系统拦截);
中措施 28 条(培训、SOP、双人核对);
弱措施 19 条(警示、提醒、公告)。

[!WARNING] 当时的「三个真实问题」

术前评估不充分:有 6 例死亡患者,术前心脏超声显示 EF(射血分数)< 30%,但未走「高危手术多学科讨论(MDT)」流程;

术中失血管理不到位:有 4 例死亡患者,术中失血 > 2000ml,未启动「大输血预案」;

术后 ICU 监测断档:有 8 例死亡患者,出 ICU 后 24h 内出现病情恶化,但「快速反应团队(RRT)」响应延迟 > 30 分钟。

二、第二阶段:系统改造 + 流程优化(第 4-9 月)

动作 3:三道「系统拦截」上线

拦截点	强措施	责任部门
术前	高危手术(EF < 30% / 年龄 > 75 / 二次手术)必须经「心脏外科 MDT」讨论,系统拦截:未讨论无法申请手术	医务科 + 信息科
术中	失血 > 1500ml 自动触发「大输血预案」,输血科 5 分钟到场	麻醉科 + 输血科
术后	出 ICU 后 24h 实行「强化监测」,每 2h 评估;RRT 24h 待命,响应时间 < 15 分钟	ICU + 护理部

动作 4:RCA2 工作流上线

每例死亡患者自动触发 RCA2,45 天内输出报告;
RCA2 输出的「强措施」自动派单到责任人,90 天闭环;
强措施占比 < 50% 的 RCA2,质管办拒收,要求返工。

三、第三阶段:数据治理 + 风险调整(第 10-12 月)

动作 5:Charlson + Elixhauser 自动化评分

信息科开发脚本,病案首页出院时自动计算 Charlson 评分、Elixhauser 评分、van Walraven 权重,自动入 BI 平台。

动作 6:SMR 动态监测

每月自动计算心脏外科 SMR,异常波动 > ±20% 启动专项 review。

动作 7:AI 早期识别试点

在 ICU 试点「病情恶化早期预警模型」(参考 Epic Deterioration Index 思路),6 小时滚动预测患者死亡风险,高风险自动推送 RRT。

四、第四阶段:巩固成果 + 文化建设(第 13-18 月)

动作 8:月度通报 + 季度公开

每月 5 日前,质管办出《心脏外科负性指标月报》,院长办公会 + 心脏外科全员同步通报。

动作 9:不良事件「零惩罚」上报

建立「鼓励上报 + 零惩罚分析」文化:不良事件上报不追责(除故意 / 重大过失),但必须上报 + 必须分析。

动作 10:跨部门联席会议

每季度召开「心脏外科质量联席会」,心脏外科 + 麻醉科 + ICU + 输血科 + 感控科 + 护理部 + 质管办 7 个部门共同 review 死亡病例、并发症、SMR。

五、改革效果(18 个月后)

[!SUCCESS] 实证效果(2023 H1 基线 vs 2024 H2 末)

维度改革前(2023 H1) 改革后(2024 H2) 变化

住院死亡率 4.5% 2.1% -2.4 pp (-53%)

围手术期死亡率 5.8% 2.6% -3.2 pp (-55%)

标准化死亡率(SMR) 1.85 0.95 -0.90

30 天再入院率 8.2% 5.1% -3.1 pp (-38%)

术后大出血发生率 6.5% 2.8% -3.7 pp (-57%)

出 ICU 后 24h 病情恶化率 12.3% 5.1% -7.2 pp (-59%)

RRT 响应时间(中位数) 32 分钟 11 分钟 -21 分钟

医疗纠纷(死亡相关) 2 起 0 起 -2 起

医保飞检预警 1 次 0 次 -1 次

维度	改革前(2023 H1)	改革后(2024 H2)	变化
住院死亡率	4.5%	2.1%	-2.4 pp (-53%)
围手术期死亡率	5.8%	2.6%	-3.2 pp (-55%)
标准化死亡率(SMR)	1.85	0.95	-0.90
30 天再入院率	8.2%	5.1%	-3.1 pp (-38%)
术后大出血发生率	6.5%	2.8%	-3.7 pp (-57%)
出 ICU 后 24h 病情恶化率	12.3%	5.1%	-7.2 pp (-59%)
RRT 响应时间(中位数)	32 分钟	11 分钟	-21 分钟
医疗纠纷(死亡相关)	2 起	0 起	-2 起
医保飞检预警	1 次	0 次	-1 次

七组数字,每一组都不是孤立的:

住院死亡率从 4.5% 降到 2.1%,但 SMR 从 1.85 降到 0.95——意味着改进不是「挑患者」,而是「真改进」;
30 天再入院率从 8.2% 降到 5.1%,意味着出院准备服务和随访系统真正发挥了作用;
RRT 响应时间从 32 分钟缩到 11 分钟,意味着**「系统拦截 + 团队响应」跑通了**;
医疗纠纷从 2 起降到 0 起,意味着质控改进得到了患者和家属的「真认可」;
医保飞检预警 0 次,意味着改进成果得到了「外部验证」。

六、经验教训:三句话留给同行

[!EXAMPLE] 三条经验

风险调整是「真改进」的前提:不调整基线,任何「死亡率下降」都可能是「挑患者」或「编码不全」。SMR 改善,才是真改善。

强措施是 RCA2 的「生命线」:警示、提醒、培训——这些「弱措施」效果 < 10%。系统拦截、强制执行、标准化——这些「强措施」效果 80-90%。质管办在 review RCA2 时,强措施占比 < 50% 的,直接打回。

AI 早期识别是「下一站」:传统负性指标管理是「事后统计」,AI 让「事前预警」成为可能——但 AI 不是「替代人」,是「辅助人」。模型给的「为什么」比「多少分」更重要。

东江医院心脏外科主任后来总结:「死亡率从 4.5% 降到 2.1%,靠的不是「某个英雄」,是「系统拦截 + 团队响应 + 文化转变」三件事——没有系统,英雄也会累;没有文化,系统也会失效。」

到这里,4 个层级都拆完了。最后,我们给出 30 天行动清单 + P31 预告。

结语:负性指标管理,是「从数据问题到系统改进」的范式跃迁

回到凌晨 2 点 15 分的王主任。

面对心内科 30 天再入院率从 12% 飙到 18%,他做对了一件事——不再问「怎么办」,而是先问「为什么 9 月份 8% 的时候没人报警?」

这一问,问出了「负性指标管理」的核心命题:

不要等问题爆发,要在曲线爬升时介入;
不要追求「好看的数」,要追求「经得起风险调整的数」;
不要做「单点改进」,要做「系统拦截 + 团队响应 + 文化转变」。

从今天起,他做三件事:

第一,把 8 类负性指标的 SOP 落地到科室——住院死亡率、围手术期死亡率、30 天再入院、ICU 再入住、SSI、VAP、CRBSI、压疮 / 跌倒,每类指标都有定义、公式、阈值、根因方法、改进措施。

第二,把 RCA2 升级到「强措施占比 ≥ 50%」——所有 RCA2 输出,强措施占比 < 50% 的,直接打回。

第三,把风险调整 + AI 早期识别纳入「下一站规划」——SMR 动态监测 + 病情恶化预警模型,从「事后统计」升级到「事前预警 + 实时干预」。

他不需要再加人,不需要加开会,不需要加报表——他需要的,是「让对的负性指标在对的人手里被盯住」。

全文三句话

[!SUCCESS] 一句话总结

负性指标不是「事后统计」,是「系统缺陷的信号灯」——死亡率、再入院率、并发症率、不良事件率,每一条曲线爬升的背后,都是「系统问题」,不是「个案问题」。

8 类负性指标管控 SOP + 12 项质控 Checklist 不是「选一个」,而是「组合用」——指标覆盖率、原始数据准确率、风险调整后指标值、阈值超标率、RCA2 完成率、改进措施落地率、不良事件上报率,12 项全过,负性指标才「真管」。

从「事后统计」到「事前预警」,是负性指标管理的下一站——风险调整模型(Charlson / Elixhauser)、RCA2 强措施、AI 病情恶化预警,让负性指标管理从「数据问题」升级到「系统智能」。

30 天行动起点:明天就能做的 16 件事

[!TIP] 给质管办主任的「30 天行动清单」

天数动作输出物责任人

Day 1 盘点本院 8 类负性指标现状,形成《负性指标现状清单 V1.0》现状清单 Excel 质管办 + 信息科

Day 2 院长专题汇报:负性指标的「系统缺陷」本质 + 治理方案 PPT 汇报质管办主任

Day 3 院长办公会拍板:启动「负性指标专项治理」会议纪要院长

Day 4 召开「负性指标治理启动会」,全员通知启动会签到 + PPT 质管办主任

Day 5 信息科 + 病案室核对历史死亡病历的 Charlson / Elixhauser 评分风险调整基线质管办 + 病案室

Day 6 8 类负性指标「计算公式 + 数据源 + 阈值」标准化指标定义文档质管办 + 信息科

Day 7 BI 平台配置 8 类负性指标 + 三色阈值配置文档信息科

Day 8 RCA2 工作流上线(45 天闭环 + 强措施 ≥ 50% 校验) RCA2 工作台质管办

Day 9 红色报警自动工单推送(责任人 24h 响应) 工单配置信息科 + 质管办

Day 10 「鼓励上报 + 零惩罚」不良事件文化宣传通知 + 培训质管办 + 院办

Day 11 重点科室(心内 / ICU / 心脏外科)负性指标专项 review 科室报告质管办 + 科室主任

Day 12 质控员 + 临床科室「8 类 SOP + 12 项 Checklist」培训培训签到 + 录像质管办

Day 13 院长办公会:8 类指标 + 12 项 Checklist + 责任人确认会议纪要院长

Day 14 信息科开发「负性指标实时仪表盘 V1.0」仪表盘原型信息科

Day 15 试点 1 个科室(优先 ICU 或心脏外科)上线新指标体系试点方案质管办 + 试点科室

Day 16-25 试点科室试运行,每日跟进异常 + 调整阈值试运行周报试点科室 + 质管办

Day 26 质管办复盘试点数据,出 1 页改进建议改进建议单质管办

Day 27 院长办公会通报试点效果,启动全院推广会议纪要院长

Day 28 全院科室上线新指标体系上线通知质管办

Day 29 月度负性指标月报 V1.0 上线(8 大类 + SMR) 月报 PDF 质管办

Day 30 30 天复盘:出《P30 30 天落地报告》,规划下一阶段 30 天报告 + 下阶段计划质管办主任

天数	动作	输出物	责任人
Day 1	盘点本院 8 类负性指标现状,形成《负性指标现状清单 V1.0》	现状清单 Excel	质管办 + 信息科
Day 2	院长专题汇报:负性指标的「系统缺陷」本质 + 治理方案	PPT 汇报	质管办主任
Day 3	院长办公会拍板:启动「负性指标专项治理」	会议纪要	院长
Day 4	召开「负性指标治理启动会」,全员通知	启动会签到 + PPT	质管办主任
Day 5	信息科 + 病案室核对历史死亡病历的 Charlson / Elixhauser 评分	风险调整基线	质管办 + 病案室
Day 6	8 类负性指标「计算公式 + 数据源 + 阈值」标准化	指标定义文档	质管办 + 信息科
Day 7	BI 平台配置 8 类负性指标 + 三色阈值	配置文档	信息科
Day 8	RCA2 工作流上线(45 天闭环 + 强措施 ≥ 50% 校验)	RCA2 工作台	质管办
Day 9	红色报警自动工单推送(责任人 24h 响应)	工单配置	信息科 + 质管办
Day 10	「鼓励上报 + 零惩罚」不良事件文化宣传	通知 + 培训	质管办 + 院办
Day 11	重点科室(心内 / ICU / 心脏外科)负性指标专项 review	科室报告	质管办 + 科室主任
Day 12	质控员 + 临床科室「8 类 SOP + 12 项 Checklist」培训	培训签到 + 录像	质管办
Day 13	院长办公会:8 类指标 + 12 项 Checklist + 责任人确认	会议纪要	院长
Day 14	信息科开发「负性指标实时仪表盘 V1.0」	仪表盘原型	信息科
Day 15	试点 1 个科室(优先 ICU 或心脏外科)上线新指标体系	试点方案	质管办 + 试点科室
Day 16-25	试点科室试运行,每日跟进异常 + 调整阈值	试运行周报	试点科室 + 质管办
Day 26	质管办复盘试点数据,出 1 页改进建议	改进建议单	质管办
Day 27	院长办公会通报试点效果,启动全院推广	会议纪要	院长
Day 28	全院科室上线新指标体系	上线通知	质管办
Day 29	月度负性指标月报 V1.0 上线(8 大类 + SMR)	月报 PDF	质管办
Day 30	30 天复盘:出《P30 30 天落地报告》,规划下一阶段	30 天报告 + 下阶段计划	质管办主任

30 天不是空话,是从「负性指标被忽视」到「负性指标被盯住」的硬约束。
Day 1 必须今天完成,Day 30 必须 30 天后交报告——这就是质管办该有的节奏。

[!INFO] 系列预告

P31 病种管理:从「指标管理」到「病种管理」,把负性指标真正沉到「单病种」——心衰、脑梗、髋关节置换、急性心梗 4 个典型病种的「负性指标 + 临床路径 + 质控」一体化设计

P32 围手术期管理:从「术前评估」到「术后 30 天随访」,围手术期全流程的「负性指标零容忍」治理

P33 医疗安全(不良)事件管理:从「零惩罚上报」到「学习型组织」,不良事件管理的「文化 + 系统 + 闭环」三件套

关注「质领未来」,每一篇,都让质管人少走一年弯路。
留言区留下你科室 负性指标管理踩过最深的坑(比如「低风险组死亡率」长期被忽视、RCA2 走过场变成「交差」、风险调整后反而「更难看了」……),狼叔会在 P31-P33 里挑 3 个高频痛点做深度拆解。

《质效精研》P30 · 负性指标:深挖死亡率、重返率背后的「系统缺陷」
深圳市盐田区人民医院质管办 · 2026-06-24

文章作者: 白衣狼

文章链接: http://www.byl-hqm.cn/posts/cuid17P4ELJhU3R7JV3H4520S/

RCA 质效精研负性指标死亡率重返率

坚持原创技术分享，您的支持将鼓励我继续创作！

微信
支付宝