背景: 在推行医疗质量管理的过程中,越来越多的质管工作者发现一个令人不安的现象——为了完成某个指标,临床端会出现边缘性、试探性、甚至突破底线的应对行为。跌倒坠床瞒报、日间手术”压时间”出院、临床路径”塞人”、单病种”换诊断”……这些不是个别案例,而是系统性的”指标异化”。

方法/资料: 本文以古德哈特定律(Goodhart’s Law)与坎贝尔定律(Campbell’s Law)为理论框架,结合国际 30 余篇权威文献(NHS、Health Affairs、JAMA、Lancet、PLOS Medicine、BMC Health Services Research)、国家卫健委三级公立医院绩效考核操作手册(2019-2025 版)、以及国内三甲医院的公开报道,对医疗质管中的”指标异化”现象进行系统性剖析。

结果: 现象背后存在三个层次的根源——系统设计根源(单一指标激励的结构性陷阱)、文化心理根源(目标替代与道德解耦)、技术治理根源(数据治理能力的缺失)。要避免这种现象,必须从制度、文化、技术三个层面进行系统性重构。

意义: “指标异化”不是某个医院、某个科室的问题,而是医疗质管体系本身的结构性问题。2023 年国家三级公立医院绩效考核首次取消公开排名、2025 年更名为”绩效监测”,正是对这一问题的政策回应。本文为质管从业者提供了一个从”看现象”到”看机制”再到”建系统”的完整认知框架。

1. 引言

1.1 一个质管员的真实困惑

我在医院推行质量管理工作的过程中,发现了一个让我夜不能寐的根本性问题——为了某个指标,临床端会想出各种边缘性、试探性,甚至是突破底线的办法去完成工作。

这不是我的凭空推测,而是真实发生在日常质管工作中的一个又一个具体案例:

案例一:护理单元为了”跌倒坠床发生率”这个指标不要升高,在不良事件上报系统中瞒报跌倒坠床事件,或者把以前报过的删除掉。结果是系统显示的指标”很美”,但实际上跌倒预防流程是否真的得到落实、护士是否真的在高危患者身上花了时间,反而没人说得清。

案例二:日间手术中心为了把平均住院时间压到 24 小时以内,把一些尚未达到出院标准的患者”催”出院。结果是日间手术的”时间达标率”很好看,但术后再入院、术后并发症、甚至是术后患者在家里出现意外的风险都被悄悄转嫁给了患者和家属。

案例三:临床路径管理为了”入径率”这个指标,把一些存在严重合并症、明显不适合进入标准路径的患者也硬塞进临床路径里。结果是入径率数字漂亮,但路径里的变异率、出径率、并发症率全部失真,临床路径作为”规范诊疗行为”工具的真实价值被掏空。

案例四:单病种质量管理为了让”住院费用”和”住院日”低下去,医务人员在主要诊断上做文章——把那些入了 ICU、高费用、住院时间长的患者,通过调整主要诊断的方式”剔除”出这个病种。结果是单病种的指标一片大好,但患者的真实诊疗过程被扭曲,病案首页的真实性受到系统性侵蚀。

类似的案例,我能举出几十个。这不是个别医院、个别科室、个别医务人员的问题。这是一个结构性问题。

1.2 这个问题不只是中国医院的”特产”

让我先纠正一个常见的误解——这种现象并不是中国医院的”本土特产”,而是一个全球性的医疗治理难题。

在英国国家医疗服务体系(NHS),为了减少医院的等待时间(waiting time),政府引入了一系列强约束的绩效指标。结果呢?英格兰的医院等待时间确实大幅下降,但伴随而来的是一连串”非预期后果”:医生开始”挑选病人”(cream-skimming)、数据被美化(game the numbers)、临床医生的工作满意度断崖式下降。

在美国纽约州,1990 年代开始公开报告心脏外科医生的风险调整后死亡率(RAMR),目的是让患者”用脚投票”选择好医生。结果呢?Schneider 和 Epstein 在 1996 年的经典研究中发现——63% 的外科医生因为这份报告卡,变得不愿意为重患做手术;59% 的心脏科医生反映更难为重症患者找到愿意接手的外科医生。表面上”死亡率”指标下降了,但实际上是高风险患者被系统性地”推出去”了。

在美国 Medicare 的 DRG 付费体系下,医院的”高编码”(upcoding)问题已经成为一个庞大的灰色产业。2024 年 Health Affairs 的研究显示,2011-2019 年间,美国 5 个州最高强度 MS-DRG 编码的出院病例增长了 41%,其中高达 2/3 的增长可以归因于编码行为的改变(而非真实的患者病情加重)。这一”高编码”现象每年为医院带来约 146 亿美元的额外支付——其中 58 亿来自私人保险、46 亿来自 Medicare、18 亿来自 Medicaid。

这不是某一家医院、某一个国家的个别现象——这是医疗质管体系的系统性病灶。

1.3 问题的理论坐标:古德哈特定律与坎贝尔定律

如果要给这种现象找到一个理论上的”姓名”,最贴切的是两个近亲:

古德哈特定律(Goodhart’s Law) 由英国经济学家 Charles Goodhart 在 1975 年提出,原话是:”当一个指标变成目标时,它就不再是一个好指标(When a measure becomes a target, it ceases to be a good measure)。”1997 年,人类学家 Mary Strathern 将其通俗化为我们今天更熟悉的那个版本。

坎贝尔定律(Campbell’s Law) 由美国社会学家 Donald T. Campbell 在 1979 年提出:”量化指标被用作决策依据时,会腐化和扭曲它本要监测的过程(The more any quantitative social indicator is used for social decision-making, the more subject it will be to corruption pressures and the more apt it will be to distort and corrupt the processes it is intended to monitor.)”

这两个定律描述的是同一种机制的不同侧面——指标一旦被赋予”决策权重”,就会被有意识地博弈和扭曲。

医疗质管领域对此并不陌生。Mattson、Bushardt 和 Artino 在 2021 年 Journal of Graduate Medical Education 发表的经典评论文章,标题就是《When a Measure Becomes a Target, It Ceises to be a Good Measure》——直译就是古德哈特的那句话。文中明确指出:住院医师培训中的工作量指标、临床操作数量、患者满意度分数,都在不同程度上被博弈、扭曲或彻底造假。

1.4 本文要回答的问题

那么,这种现象在中国医院的具体语境下,有怎样的呈现形态?它的根源到底是什么?我们到底该怎么避免?

这不是一个可以用”加强管理”四个字糊弄过去的问题,也不是一个可以靠”提高觉悟”解决的思想问题。它需要我们穿透现象看机制,穿透机制看系统。

本文试图回答三个层层递进的问题:

  1. 是什么:医疗质管中的”指标异化”现象有哪几种典型形态?它们各自是怎样发生的?
  2. 为什么:这些现象背后的根源是什么?是个人道德问题?是管理水平问题?还是制度设计问题?
  3. 怎么办:面对这种系统性扭曲,我们应该建立怎样的系统性防御机制?

2. 方法与资料来源

2.1 资料来源

本文采用”三角验证”(triangulation)的研究策略,综合三类资料:

第一类:国际权威学术文献(30+ 篇)

  • Health Affairs、Lancet、JAMA、NEJM、BMJ Quality & Safety、PLOS Medicine、BMC Health Services Research 等同行评议期刊;
  • 涵盖指标异化(Goodhart’s Law)、绩效测量非预期后果(performance measurement unintended consequences)、DRG 高编码(DRG upcoding)、防御性医疗(defensive medicine)、患者安全文化(patient safety culture)五大主题;
  • 重点文献包括 Mannion & Braithwaite(2012)关于 NHS 绩效测量 20 个非预期后果的经典综述、Crespin et al.(2024)关于美国 DRG upcoding 的 Health Affairs 研究、Schneider & Epstein(1996)关于纽约州 CABG 报告卡对外科医生行为影响的开创性研究等。

第二类:中国国家政策文件与官方操作手册

  • 《国务院办公厅关于加强三级公立医院绩效考核工作的意见》(国办发〔2019〕4 号);
  • 《国家三级公立医院绩效考核操作手册》(2022 版、2023 版、2024 版、2025 版);
  • 《关于启动 2024 年度二级和三级公立医院绩效监测有关工作的通知》(2025 年”绩效考核”改”绩效监测”);
  • 《关于开展”公立医疗机构经济管理年”活动的通知》(国卫财务函〔2020〕262 号)等。

第三类:国内三甲医院的公开报道与质管实务案例

  • 健康界、医学界、华夏医界网等垂直媒体的深度报道;
  • 国家卫健委公布的 1588 家三级公立医院绩效考核结果分析;
  • 公立医院 DRG/DIP 付费改革下的临床实践案例。

2.2 分析框架

本文采用”现象—机制—系统”的三层分析框架:

  • 现象层:识别具体的”指标异化”行为(护理瞒报、日间手术压时间、临床路径塞人、单病种换诊断、CMI 高编码等);
  • 机制层:剖析这些行为背后的激励结构、心理机制、信息结构(系统设计根源、文化心理根源、技术治理根源);
  • 系统层:提出从制度、文化、技术三个层面构建系统性防御机制的对策建议。

2.3 研究立场声明

本文作者为医院质量管理从业者,长期在国内三甲医院从事质管实务工作。文中的部分案例来源于国内质管实践的具体观察,经脱敏处理后呈现。本文无意对任何具体医院、具体医务人员进行评价,而是试图从”现象—机制—系统”的视角,推动质管工作者对这一结构性问题建立更深的认知。

AI 辅助研究披露:本文在文献检索、文献综述、文本校对环节使用了 AI 辅助工具。所有引用文献均经过独立验证,所有数据均标注原始来源,所有观点与价值判断均由作者独立完成。

3. 结果:三类根源与五种典型形态

3.1 三类根源:一个整合性分析框架

通过梳理国际文献并结合国内质管实践,我将”指标异化”的根源归纳为三类——它们不是孤立存在的,而是相互嵌套、彼此放大的:

3.1.1 系统设计根源:单一指标激励的结构性陷阱

这是最直接的根源。任何绩效管理体系,只要满足以下三个条件,就一定会出现博弈和扭曲:

  1. 指标单一或权重过于集中(比如某一项指标占考核总分 30% 以上);
  2. 指标结果与重大利益强绑定(与财政投入、绩效工资、医院评级、领导任免直接挂钩);
  3. 指标测量具有主观判断空间(在主要诊断选择、病情严重程度判断、并发症认定等”灰色地带”)。

三级公立医院绩效考核(俗称”国考”)的 55 个指标中,虽然表面上是综合考核,但实际操作中,CMI(病例组合指数)、时间消耗指数、费用消耗指数、四级手术占比等少数指标的”显示度”极高,往往成为医院实际工作的”指挥棒”。而这些指标恰恰都具有”主观判断空间大”的特点——主要诊断的选择、主要手术的选择、并发症的认定,都存在灰色地带。

更糟糕的是,这些指标直接与院长的”帽子”、医院的”票子”、医院发展的”路子”挂钩——这是国家政策文件自己写明的:”绩效考核结果作为选拔任用公立医院党组织书记、院长和领导班子成员的重要参考”。

这就构成了博弈的温床。当博弈的收益极高、博弈的成本极低、博弈的空间极大时,博弈就一定会发生——这不是道德问题,这是经济学的基本原理。

3.1.2 文化心理根源:目标替代与道德解耦

第二个根源更隐蔽——它藏在医务人员的认知里。

行为经济学的研究发现,当人们被赋予一个明确的”目标数字”时,会出现两种典型的认知扭曲:

第一种:目标替代(Goal Substitution)。心理学家发现,当人们面对一个具体目标时,会倾向于把”实现这个目标”当作”实现最终目的”的等价物。比如:”让跌倒坠床率下降”的真实目的是”减少患者伤害”,但在高压考核下,医务人员很容易把”让指标数字下降”当作等价物——于是出现了瞒报。

第二种:道德解耦(Moral Disengagement)。心理学家 Bandura 提出的概念,指的是人们通过一系列心理机制(责任转移、结果扭曲、道德辩护、去人性化等),让自己在做出违背道德的行为时,内心不产生强烈的负罪感。具体到医疗场景——“这是医院的要求”、”大家都这么做”、”反正只是数字”、”对患者实际没有影响”——这些都是典型的道德解耦话语。

更麻烦的是,质管文化中的”指责文化”(Shame-and-Blame Culture) 在加剧这种扭曲。在很多医院,出现了不良事件的第一反应不是”我们怎么改进系统”,而是”谁干的”、”怎么避免被质管办查到”、”上报了会不会影响绩效”。这种文化氛围会系统性地压制真实数据的上报。

患者安全运动的开创性研究早就指出——一个医院的不良事件上报数量,不是越多越坏,而是越多越好。因为真实的上报数据恰恰是医院安全文化的”温度计”:上报数量多,反而说明这家医院的安全文化好(医务人员敢于说真话);上报数量少,往往意味着瞒报盛行。

3.1.3 技术治理根源:数据治理能力的缺失

第三个根源是最容易被忽视的,但可能是最根本的——数据治理能力。

很多医院的”指标异化”问题,本质上不是”不想做对”,而是”做不到做对”。原因很简单:

  • 病案首页质量不高:编码员业务能力参差不齐,临床医师对病案首页填写不重视;
  • 信息化系统割裂:HIS、EMR、LIS、PACS、护理系统、手术麻醉系统之间数据不通,无法实现”同一数据只录一次”的源头治理;
  • 缺乏数据校验规则:没有建立起指标的”内部一致性校验”、”时序校验”、”极端值校验”等基础规则;
  • 缺乏数据审计能力:没有专门的数据审计岗位,无法对异常数据分布进行及时发现和干预。

技术治理能力的缺失,会让前两类根源(制度激励、文化心理)更容易转化为具体的扭曲行为。因为没有数据治理的”硬约束”,所有博弈行为都可以逃避系统的自动检测。

3.2 五种典型形态:从”理论”到”实操”

基于国内三甲医院的公开报道和质管实践观察,我梳理出五种最典型的”指标异化”形态:

形态 1:不良事件瞒报(以护理跌倒坠床为例)

典型表现:

  • 不良事件发生后,科室内部”私了”,不上报系统;
  • 已经上报的事件,在上级检查前被删除;
  • 把跌倒坠床事件”重新定义”为”病情变化”或”意外事件”,规避质控统计;
  • 把院内跌倒”算成”院外跌倒,把工作时间跌倒”算成”非工作时间跌倒。

背后的机制:

  • 跌倒坠床发生率是护理质量敏感指标(NQI)之一,直接影响护理质量排名;
  • 部分医院将该指标与护理单元绩效、个人评优挂钩;
  • 跌倒事件本身存在”归因模糊”——是护理不到位,还是患者高风险?这给了瞒报空间。

国际对照:英国 NHS 的”重大事件上报”(Serious Incident reporting)系统也经历过类似的博弈期——NHS 在 2000 年代引入了强制上报 + 公开报告制度,结果前几年上报数量不升反降,后来通过建立”Just Culture”(公正文化)和去名化上报机制才扭转。

形态 2:日间手术”压时间”出院

典型表现:

  • 患者术后尚未完全清醒、疼痛未完全控制、引流管未拔除,但被”动员”出院;
  • 出院医嘱模糊,随访机制不健全;
  • 术后 24-48 小时再入院率、术后并发症发生率上升,但这些数据往往不进入”日间手术考核体系”;
  • 患者实际承担了术后风险,但医院账面上”很好看”。

背后的机制:

  • 日间手术占比是国考和等级评审的重要指标;
  • “24 小时内出院”是核心数字化指标,系统可以直接抓取;
  • 术后再入院、术后并发症的数据获取滞后且容易”被消化”(在 30 天内不发生就不被发现)。

国际对照:美国 Dartmouth-Hitchcock 医疗中心 2019 年发表的研究显示,在实施 CMS 的”日间手术 bundled payment”政策后,部分医院出现了”在 30 天观察期内不再出现并发症就算成功”的博弈行为,导致术后真实的并发症发生率被低估。

形态 3:临床路径”塞人”

典型表现:

  • 把存在严重合并症、明显不适合标准化路径的患者”硬塞”进路径;
  • 在路径执行过程中,通过各种方式”出径”,但不出现在入径—出径的统计口径中;
  • 在路径表单上”补填”已经实际偏离的标准操作,让变异率数据”美化”;
  • 把简单病例反复入径,提升入径率的同时降低变异率。

背后的机制:

  • 临床路径入径率、完成率是等级评审和绩效考核的常规指标;
  • 入径标准看似清晰,但”是否符合路径”在临床实践中存在巨大的判断空间;
  • 变异率、出径率往往不被同等重视,导致”重入径轻变异”的扭曲。

国际对照:英国 NHS 的”循证医学路径”(Evidence-based pathways)实施过程中也出现过类似问题,曼彻斯特大学 2018 年的研究指出,英国部分医院为了让”路径覆盖率”达标,出现”先入径后变异”的现象——名义上路径覆盖了 80% 的患者,实际上真正按路径走的可能只有 40%。

形态 4:单病种”换诊断”

典型表现:

  • 通过调整主要诊断,把那些进入 ICU、住院时间长、费用高的患者”剔除”出特定病种;
  • 把并发症作为主要诊断,让基础疾病作为其他诊断;
  • 通过”诊断升级”(diagnosis upcoding)让 CMI 虚高。

背后的机制:

  • 单病种的住院日、住院费用、死亡率等指标直接与医院绩效挂钩;
  • 主要诊断的选择是”灰色地带”——同一份病历,不同医师可能选出不同的主要诊断;
  • CMI(病例组合指数)是国考的硬指标,与医院的”医疗能力等级”挂钩;
  • DRG/DIP 付费改革后,CMI 还直接影响医院的收入。

国际对照:Crespin et al.(2024)在 Health Affairs 发表的研究显示,2011-2019 年间,美国 5 个州最高强度 MS-DRG 编码的出院病例增长中,高达 41% 中的 2/3 可以归因于编码行为的改变而非真实病情加重。这个”高编码”现象每年带来 146 亿美元的额外支付——本质上是同一类扭曲的不同表现。

形态 5:整体考核的”应试化”

典型表现:

  • 医院内部成立”国考办”、”数据办”等专门机构,目标就是”考好”国考;
  • 财务部门调整”结算差额”的入账方式,美化”医疗盈余率”;
  • 医务部门调整”门诊人次”统计口径,把体检、核酸检测纳入;
  • 人事部门调整”人员经费占比”的分母分子,美化人员配置指标。

背后的机制:

  • 国考结果与院领导任免、医院财政投入、绩效工资总量、医保政策调整直接挂钩;
  • 55 个指标中相当一部分的内涵界定存在”灰色地带”;
  • 数据填报依赖医院自查,缺乏独立审计。

国内实证:2023 年国家三级公立医院绩效考核的最大变化是取消公开排名,仅保留评级(如 A++、A+等)。这一政策调整背后,正是对原有排名机制引发”应试化”行为的反思。健康界、腾讯新闻等多个专业媒体在 2025 年 3 月的报道中明确指出:取消排名的核心动因之一是”原有排名机制下,医院为追求指标提升,可能采取短期行为,甚至出现数据造假”。

4. 讨论:与现有研究的对比及局限性

4.1 与国际研究的对比

Mannion 和 Braithwaite 在 2012 年发表于 Internal Medicine Journal 的经典综述《Unintended consequences of performance measurement in healthcare: 20 salutary lessons from the English National Health Service》中,系统总结了 NHS 绩效测量体系的 20 种不良后果,分为四大类:

  1. 测量失灵(poor measurement):测量固恋(measurement fixation)、隧道视野(tunnel vision)、短视(myopia)、僵化(ossification)、过时(anachronism)、量化特权(quantification privileging);
  2. 激励错位(misplaced incentives and sanctions):自满(complacency)、孤岛化(silo-creation)、过度补偿(overcompensation)、补偿不足(undercompensation)、不敏感性(insensitivity)、不平等加剧(increased inequality);
  3. 信任破坏(breach of trust):失实陈述(misrepresentation)、博弈(gaming)、曲解(misinterpretation)、欺凌(bullying)、信任侵蚀(erosion of trust)、员工士气下降(reduced staff morale);
  4. 政治化(politicization):政治表演(political grandstanding)、转移视线(creating a diversion)。

本文梳理的中国医院”指标异化”五种形态,几乎可以在 Mannion & Braithwaite 的 20 种不良后果中找到对应——这进一步印证了:指标异化是医疗绩效管理的全球性通病,不是中国医院独有。

Chhabra 在 2026 年发表于 Academic Emergency Medicine 的论文《When Metrics Replace Values: Ethical Concerns in Healthcare Performance Measures》以美国急诊科的 LWBS(Left Without Being Seen,未经诊疗即离开)指标为例,生动展示了”当一个指标变成目标”时,医院会做出何种扭曲行为:在候诊区派医生”快速看一眼”患者以满足”已被诊疗”的定义、优先处理轻症患者以加快 LWBS 数字下降、把医生资源从重症患者身上转移到轻症患者身上以完成”指标任务”——这些扭曲行为全部指向同一个结论:指标失灵的根本原因是激励错位,不是医务人员道德问题。

4.2 与”指标异化”理论框架的对话

PLOS Medicine 在 2015 年发表的《Care that Matters: Quality Measurement and Health Care》一文提出,当前的医疗质量测量体系存在一个根本性的”虚拟质量”(virtual quality)陷阱——我们测量的是容易测量的指标,而非真正重要的结局。这种”代理指标偏好”(proxy metric preference)在医疗领域非常普遍:医院感染率、再入院率、住院日、患者满意度——这些都是容易测量的代理指标,但都不等同于”患者真实结局”。

本文提出的”三个根源”框架与 PLOS Medicine 的”虚拟质量”概念高度契合——当我们用”虚拟指标”驱动”真实行为”时,中间一定会出现扭曲。这种扭曲不是道德问题,而是测量学问题——我们要么测量得不对,要么激励得不对,要么治理得不对。

DataField.Dev 平台在 2026 年发表的案例研究《When Hospital Ratings Kill Patients》通过一个虚拟但高度现实的案例,精准地揭示了”风险选择”(risk selection)这一最危险的扭曲形态——当一个心脏外科医生因为”死亡率指标”被公开报告而拒绝为重症患者手术时,她其实是在做一个”理性”的选择(保护自己的排名),但这个”理性选择”的代价是患者的生命。这种扭曲之所以危险,是因为它发生在”个体理性”的层面——每一个具体的医生做出的是”理性”决策,但所有医生的”理性”汇总起来,会导致一个”集体非理性”的结果。

4.3 优势与局限性

本文的优势在于:

  1. 跨学科整合:跨越卫生政策、医院管理、行为经济学、患者安全、信息技术五个学科;
  2. 国际国内对照:既有国际经典文献支撑,又有国内具体案例落地;
  3. 从现象到系统:不只描述”是什么”,更剖析”为什么”和”怎么办”;
  4. 政策嵌入:与国家三级公立医院绩效考核改革的最新动态紧密呼应。

本文的局限性在于:

  1. 部分案例脱敏处理:出于职业伦理考虑,文中部分国内案例经过脱敏,可能损失了一些具体细节;
  2. 缺乏一手定量数据:本文主要是定性分析,未对国内”指标异化”的发生率、严重程度进行定量测量,未来研究可以通过医院匿名问卷、编码审计等方式获取一手数据;
  3. 政策落地的不确定性:本文提出的部分对策(如数据治理体系重构、复合指标设计)在落地层面仍面临技术、资金、利益的复杂性,效果有待实践检验;
  4. 国际经验的可移植性:NHS、CMS 等国际经验对中国医院的适用性需要本土化验证,不能简单照搬。

4.4 未来研究方向

基于本文的分析,以下方向值得进一步研究:

  1. “指标异化”的实证测量:开发敏感的行为测量工具,对医院内部的指标博弈行为进行匿名量化调查;
  2. 复合指标体系的中国实践:探索适合中国医院的”复合指标 + 随机审计 + 患者结局导向”三维质量管理体系;
  3. 数据治理能力的成熟度模型:构建医院数据治理能力评估框架,推动医院从”信息化”向”数据治理”升级;
  4. 质管文化评估工具本土化:引进或开发适合中国医院文化的”Just Culture”评估工具,系统测量医院的安全文化水平;
  5. AI 辅助质管的边界与伦理:探索 AI 在质管中的应用场景(异常数据自动检测、行为模式识别等),同时划定 AI 在质管决策中的伦理边界。

5. 系统性避免方案:制度、文化、技术三个层面

要避免”指标异化”,单一层面的努力注定失败——制度再完善也挡不住文化失灵,文化再好也弥补不了技术落后,技术再强也救不了制度缺陷。必须从制度、文化、技术三个层面同时发力、系统耦合。

5.1 制度层:从”单一指标”到”复合指标 + 行为审计”

第一,建立复合指标体系,降低单一指标的决策权重。

国家三级公立医院绩效考核的 2024 版操作手册已经引入了部分复合指标的设计思路,但仍然有相当一部分指标的权重过高,给了博弈者太大的操作空间。建议:

  • 强制规定任何单一指标的考核权重不超过 15%——这一阈值参考了世界银行对公共部门绩效评估的建议;
  • 建立指标族体系——把”医疗质量”作为一个指标族,族内再细分为过程指标、结局指标、患者体验指标,任何一个单一指标的失真都会被其他指标的异常所牵制;
  • 增加”指标可信度”评估维度——对每一个指标评估其”博弈风险”(gaming risk)和”测量误差”(measurement error),高风险指标的权重自动降低;
  • 引入”反向指标”——比如在考核”日间手术占比”的同时,考核”日间手术后 30 天再入院率”,让正向激励与负向约束同步存在。

第二,建立独立的数据审计机制,打破”自查自报”的信息不对称。

当前国考数据的填报高度依赖医院自查,审计主要采用”现场复核 + 数据校验”的方式,覆盖面有限。建议:

  • 建立国家级的医疗数据审计中心,引入第三方审计机构对医院的考核数据进行独立审计;
  • 推行”飞行检查 + 编码盲审”机制——由第三方编码专家对医院的病案首页进行随机抽审;
  • 建立”数据异常自动预警”机制——通过大数据分析,对指标的异常分布(如某医院 CMI 突然上升 20%、某病种住院日突然下降 30%)进行自动预警;
  • 推行”可信数据医院”认证——对数据治理能力强、数据可信度高的医院,在考核中获得”数据可信度加权”。

第三,优化激励结构,把”零和博弈”变成”正和博弈”。

部分指标的设计在激励层面就是”零和博弈”——指标好=医院受益,指标差=医院受损。这种激励结构天然鼓励博弈。建议:

  • 把”绝对值指标”改为”进步度指标”——比如跌倒坠床率从 0.8% 下降到 0.5%,即使是 0.5% 仍然高于全国平均,但因为是进步,也应该得到正向激励;
  • 把”医院间排名”改为”医院自比 + 同类医院对标”——2023 年国考取消公开排名是积极信号,但仍需建立更精细的对标机制;
  • 把”扣分制”改为”加分制”——对主动暴露问题、主动改进流程的行为给予正向激励,减少”藏问题”的动机;
  • 延长考核周期——从年度考核改为 3 年滚动考核,减少”短期应试”的动力。

5.2 文化层:从”指责文化”到”公正文化 + 持续改进文化”

第一,建立”Just Culture”(公正文化),让医务人员敢于说真话。

“Just Culture” 是患者安全运动的核心理念——对于因为系统缺陷导致的不良事件,组织应该承担改进系统的责任;对于因为冒险创新导致的失败,组织应该给予理解和支持;只有对于故意违规、漠视规则的行为,才进行追责。

建立”Just Culture” 的具体建议:

  • 引入”事件分级处理机制”——把不良事件分为”系统问题”、”冒险创新”、”故意违规”三类,不同类别采用不同的处理方式;
  • 建立”去名化上报”机制——上报不要求填写责任人,改为填写”事件经过”和”改进建议”;
  • 把”上报率”作为安全文化的正向指标——上报数量越多,反而加分;
  • 对”主动暴露问题”的科室给予正向激励,而对”瞒报”的科室给予负面评价。

第二,推动质管队伍专业化,避免”质管 = 找茬”的认知错位。

部分医院的质管办被定位为”找茬部门”,与临床科室处于对立面。这种定位会让临床科室本能地把质管指标当作”敌人”,而不是”改进的工具”。

建议:

  • 质管岗位专业化——质管人员需要具备临床背景 + 管理学训练 + 数据分析能力的三栖素质;
  • 质管职能从”检查”转向”赋能”——质管办的核心价值不是”抓到几个问题”,而是”帮助科室改进几个流程”;
  • 建立”质管伙伴制”——质管员与临床科室建立长期对接关系,共同分析问题、共同设计改进方案。

第三,推动”以患者为中心”的价值观重新校准。

指标异化的根本原因是**”指标”和”患者”在医务人员心中变成了两件事**。当医务人员把”完成指标”当作”工作的目的”时,他们就开始对患者做出不该做的事。

建议:

  • 在每一次重大指标考核前,组织”以患者为中心”的价值重塑活动——让医务人员重新思考指标的真实目的是什么;
  • 在医院的醒目位置展示”我们的患者”——展示患者的故事、患者的反馈、患者的真实结局,而不是只展示数字;
  • 把”患者结局”作为终极指标——所有的过程指标都应该指向患者结局,而不是独立的数字游戏。

5.3 技术层:从”信息化”到”数据治理”

第一,建立医院数据治理委员会,把数据治理提升到医院战略层面。

当前很多医院的”信息化”停留在”系统上线”层面——HIS 有了、EMR 有了、LIS 有了、PACS 有了,但数据治理仍然是空白。

建议:

  • 成立由院长直接领导的”数据治理委员会”——把数据治理作为医院的核心战略,而不是信息科的边缘工作;
  • 设立首席数据官(CDO)岗位——统筹医院的数据战略、数据质量、数据安全、数据应用;
  • 制定医院数据治理战略规划——明确数据治理的目标、路径、阶段、责任人。

第二,建立全院统一的”数据资产目录”和”数据标准”。

“数据治理”的核心是”数据标准化”——同一个指标,在 HIS、EMR、病案首页、统计报表中应该完全一致。

建议:

  • 建立全院统一的”数据元标准”——每一个数据字段都有明确的定义、取值范围、责任部门;
  • 推行”主数据管理”(MDM)——患者主数据、医务人员主数据、科室主数据、设备主数据、药品主数据等核心数据全院统一;
  • 建立”数据血缘”机制——任何一个指标都能追溯到原始数据,任何数据修改都能追溯到责任人。

第三,建立指标的”内部一致性校验”和”异常自动检测”机制。

数据治理的核心能力之一是”自动化校验”——通过规则引擎对数据进行实时校验,自动发现异常。

建议:

  • 建立指标间的内部一致性校验规则——比如”门诊量”与”门诊收入”、”出院人数”与”住院日”、”手术例数”与”手术并发症”之间的逻辑关系应该自动校验;
  • 建立”极端值校验”机制——对任何超出合理范围的数据(如住院日 0 天、住院费用 0 元)进行自动标记;
  • 建立”时序校验”机制——对任何指标的同比、环比异常波动进行自动预警;
  • 建立”分布校验”机制——对任何指标的科室分布、医师分布、患者分布进行自动分析,发现异常聚集。

第四,探索 AI 辅助的质管异常检测。

随着大语言模型和机器学习技术的发展,AI 在质管领域的应用场景越来越丰富。建议:

  • 用 AI 检测异常数据模式——比如某科室的 CMI 突然上升,AI 可以自动分析是真实的患者病情变化,还是编码行为的改变;
  • 用 AI 识别编码异常——通过自然语言处理技术,自动比对病历文书与病案首页的一致性;
  • 用 AI 预测指标失真风险——通过历史数据分析,预测哪些指标、哪些科室、哪些时段最可能出现失真;
  • 明确 AI 在质管中的伦理边界——AI 只能作为辅助决策工具,不能替代人类的最终判断,所有的质管决策都必须有临床和管理人员的最终把关。

6. 结论与未来方向

6.1 核心结论

“指标异化”不是某个医院、某个科室、某个医务人员的道德问题,而是医疗质管体系的结构性问题。它的出现有三个相互嵌套的根源——系统设计根源(单一指标激励的结构性陷阱)、文化心理根源(目标替代与道德解耦)、技术治理根源(数据治理能力的缺失)。

要避免这种现象,不能寄希望于”加强管理”或”提高觉悟”——这些修辞性的口号掩盖了问题的真正复杂性。必须从制度、文化、技术三个层面同时发力、系统耦合,才能建立起真正能够抵御”指标异化”的系统性防御机制。

国家三级公立医院绩效考核在 2023 年取消公开排名、2025 年更名为”绩效监测”、2024 版操作手册引入更多复合指标——这些政策调整都体现了对”指标异化”问题的深刻反思。但这只是开始,真正的质管体系重构仍然任重道远。

6.2 行动建议(质管工作者可立即着手)

对医院管理者:

  1. 审视本院当前的绩效考核体系,识别”高博弈风险”指标;
  2. 建立独立的数据审计机制,打破”自查自报”的信息不对称;
  3. 把数据治理提升到医院战略层面,设立首席数据官岗位。

对质管办:

  1. 推动质管职能从”检查”转向”赋能”;
  2. 建立”Just Culture” 评估工具,定期评估本院的安全文化水平;
  3. 建立指标的”内部一致性校验”和”异常自动检测”机制。

对临床医务人员:

  1. 重新审视自己的质管指标行为,识别是否存在”目标替代”心理;
  2. 在遇到”指标 vs 患者”的两难选择时,始终把患者放在第一位;
  3. 主动参与医院的质管改进,而不是被动应对。

对患者和公众:

  1. 理解医院的质管指标不是冰冷的数字,而是关乎每一个具体患者的安全;
  2. 在选择医院时,不要只盯着”排名”,更要看”医院是否敢于说真话”;
  3. 参与医院的患者满意度调查和患者安全文化建设。

6.3 未来研究方向

本文认为,以下三个方向值得在未来的质管研究中重点突破:

  1. “指标异化”的中国本土化实证研究——开发适合中国医院文化的指标博弈行为测量工具,获取一手数据;
  2. “复合指标 + 行为审计”的中国实践探索——在国家层面建立可落地的复合指标体系和独立审计机制;
  3. AI 辅助质管的边界与伦理研究——探索 AI 在质管中的应用场景,同时划定 AI 在质管决策中的伦理边界。

参考文献

  1. Goodhart CAE. Monetary Theory and Practice: The UK Experience. London: Macmillan; 1984.
  2. Campbell DT. Assessing the impact of planned social change. Evaluation and Program Planning. 1979;2(1):67-90.
  3. Strathern M. ‘Improving ratings’: audit in the British University system. European Review. 1997;5(3):305-321.
  4. Mannion R, Braithwaite J. Unintended consequences of performance measurement in healthcare: 20 salutary lessons from the English National Health Service. Internal Medicine Journal. 2012;42(5):569-574. doi:10.1111/j.1445-5994.2012.02766.x
  5. Chhabra N. When Metrics Replace Values: Ethical Concerns in Healthcare Performance Measures. Academic Emergency Medicine. 2026. doi:10.1111/acem.70330
  6. Mattson C, Bushardt RL, Artino AR Jr. When a Measure Becomes a Target, It Ceases to be a Good Measure. Journal of Graduate Medical Education. 2021;13(1):2-5. doi:10.4300/JGME-D-20-01492.1
  7. Casalino LP, et al. Care that Matters: Quality Measurement and Health Care. PLOS Medicine. 2015;12(11):e1001902. doi:10.1371/journal.pmed.1001902
  8. Bevan G, Hood C. What’s measured is what matters: targets and gaming in the English public health care system. Public Administration Review. 2006;66(4):518-531. doi:10.1111/j.1540-6210.2006.00600.x
  9. Zhang K. Strategic Physician Responses to Performance Monitoring: Evidence from Hospital Report Cards. Working Paper, University of North Carolina. 2025.
  10. Crespin D, Dworsky M, Levin J, Ruder T, Whaley C. Upcoding Linked To Up To Two-Thirds Of Growth In Highest-Intensity Hospital Discharges In 5 States, 2011-19. Health Affairs. 2024. doi:10.1377/hlthaff.2024.00596
  11. US Department of Health and Human Services, Office of Inspector General. Trend Toward More Expensive Inpatient Hospital Stays in Medicare Emerged Before COVID-19 and Warrants Further Scrutiny. OEI-02-18-00380. 2021.
  12. Dafny LS. How do hospitals respond to price changes? American Economic Review. 2005;95(5):1525-1547.
  13. Dafny LS, Gruber J. Public insurance and private hospital investment: evidence from the Medicare payment reform. Working Paper, Harvard Business School.
  14. Schneider EC, Epstein AM. Influence of cardiac-surgery performance reports on referral practices and access to care. New England Journal of Medicine. 1996;335(4):251-256.
  15. Dranove D, Kessler D, McClellan M, Satterthwaite M. Is more information better? The effects of report cards on health care providers. Journal of Political Economy. 2003;111(3):555-588.
  16. Lindenauer PK, et al. Public reporting and pay for performance in hospital quality improvement. New England Journal of Medicine. 2007;356(5):486-496.
  17. Werner RM, Bradlow ET. Public reporting and hospital quality: evidence from a cluster-randomized trial. Annals of Internal Medicine. 2006;145(7):505-512.
  18. Cook A, Averett SL. Do hospitals respond to changing incentive structures? Evidence from Medicare’s 2007 DRG restructuring. Journal of Health Economics. 2020;73:102319. doi:10.1016/j.jhealeco.2020.102319
  19. Ho V, Tapaneeyakul S, Russell HV. Price Increases Versus Upcoding As Drivers Of Emergency Department Spending Increases, 2012-19. Health Affairs. 2023;42(8):1119-1127. doi:10.1377/hlthaff.2022.01287
  20. Joiner KA, Lin J, Pantano J. Upcoding in medicare: where does it matter most? Health Economics Review. 2024;14(1):1. doi:10.1186/s13561-023-00465-4
  21. Dalleur O, et al. The trade-off between cost containment and quality enhancement under the DRG payment model. BMC Health Services Research. 2026. doi:10.1186/s12913-026-14006-2
  22. Building Less Flawed Metrics: Dodging Goodhart and Campbell’s Laws. MPRA Paper 98288, University of Munich. 2019.
  23. When Hospital Ratings Kill Patients. DataField.Dev Case Study. 2026.
  24. 国务院办公厅. 关于加强三级公立医院绩效考核工作的意见(国办发〔2019〕4 号). 2019.
  25. 国家卫生健康委员会. 国家三级公立医院绩效考核操作手册(2024 版). 2024.
  26. 国家卫生健康委员会. 国家三级公立医院绩效监测操作手册(2025 版). 2025.
  27. 健康界. 2023 年绩效国考揭榜:最大变化取消成绩排名. 2025-03-19. https://www.cn-healthcare.com/articlewm/20250319/wap-content-1647054.html
  28. 华夏医界网. 公立医院绩效考核”备考交卷”五点思考. 2022. https://zl.hxyjw.com/arc_45255
  29. 我国三级公立医院绩效考核指标评分方法分析. 中国卫生质量管理. 2021;28(3):68-72.
  30. 新华网. “国考”五年带来哪些改变. 2024-01-10. http://www.news.cn/health/20240110/456760da6c274230b707edc566290910/c.html

附录

附录 A:核心概念对照表

概念 提出者 核心含义 在医疗领域的典型表现
古德哈特定律 Charles Goodhart (1975) 当一个指标变成目标时,它就不再是一个好指标 跌倒率被考核→跌倒瞒报
坎贝尔定律 Donald T. Campbell (1979) 量化指标被用于决策时,会腐化它要监测的过程 CMI 被考核→高编码
目标替代 行为经济学 代理目标取代真实目标 “指标下降”取代”患者安全”
道德解耦 Albert Bandura 通过心理机制减轻违规行为的负罪感 “大家都这么做”
Just Culture 患者安全运动 系统问题归系统,创新失败归创新,故意违规归个人 不良事件去名化上报
Virtual Quality PLOS Medicine (2015) 我们测量的不是真正重要的结局 测量易测而非重要

附录 B:延伸阅读

  1. The Measurement Nightmare: How Metrics Shape Our Lives——关于指标如何重塑人类行为的大众读物
  2. The dangers of ranking (Wendy R. London, BMJ 2019)——关于排名机制对医疗系统的扭曲
  3. Measuring What Matters in Healthcare (AHRQ 系列报告)——美国医疗质量研究与质管局关于”如何测量真正重要的东西”的研究系列

附录 C:本文核心引用文献(可直接下载)

致读者

这篇文章不是要否定指标的价值——指标仍然是医疗质管不可或缺的工具。

我真正想说的是:当我们设计指标、使用指标、考核指标的时候,要时刻警惕古德哈特的那句话——“当一个指标变成目标时,它就不再是一个好指标”。

指标的真正目的,不是让数字好看,而是让患者安全、让医务人员安心、让医院可持续发展。当我们忘记了这一点,数字就开始反过来吞噬我们。

愿每一位质管工作者,都能在与指标的共舞中,保持清醒、保持敬畏、保持温度。

关联阅读

  • 公众号拉家常版:[[2026-07-11-质领未来-公众号-当指标变成目标]] — 这篇用大白话讲清楚同一件事
  • 数据来源:知识星球深度长文(本文)
  • 系列前文:[[2026-06-23-质效精研-P25-药品耗材-基于合理使用的供应链质控与临床对标]]
  • 系列后续:持续更新中

🔗 已拆解为 11 张原子卡片(2026-07-11)

本文已被拆解为以下 11 张 zettelkasten 原子卡片,放在 01-zettelkasten/ 目录下,可通过 wikilink 直接跳转:

Layer zid 卡片标题 核心内容
axiom [[../../01-zettelkasten/20260711193301]] 古德哈特定律 当指标变成目标时,它就不再是好指标
principle [[../../01-zettelkasten/20260711193302]] 坎贝尔定律 量化指标被用于决策时会腐化它监测的过程
principle [[../../01-zettelkasten/20260711193303]] 指标异化的三根源 系统设计 + 文化心理 + 技术治理
principle [[../../01-zettelkasten/20260711193304]] Just Culture 公正文化 文化层解药:从指责到公正
rule [[../../01-zettelkasten/20260711193305]] 跌倒瞒报 形态 1:护理敏感指标博弈
rule [[../../01-zettelkasten/20260711193306]] 日间手术博弈 形态 2:24h 达标率扭曲
rule [[../../01-zettelkasten/20260711193307]] 临床路径博弈 形态 3:入径率掩盖变异率失真
rule [[../../01-zettelkasten/20260711193308]] CMI 高编码 形态 4:单病种换诊断
rule [[../../01-zettelkasten/20260711193309]] 国考应试化 形态 5:数据修饰五种手法
fact [[../../01-zettelkasten/20260711193310]] DRG upcoding 实证 美国 5 州 146 亿美元实证
fact [[../../01-zettelkasten/20260711193311]] 纽约心脏报告卡效应 63% 外科医生不愿为重患手术

双向链接已建立:11 张卡片 frontmatter.source 字段精确指向本文具体章节;卡片正文末尾 📍 来源段反向引用本文。

文中提到的质管工具包、复合指标设计模板、数据治理评估框架及 Just Culture 评估问卷,已上传至个人网站。点击「阅读原文」可直接下载使用。

[[外科质量_非计划再手术防控_2026-05-02]]
[[2026-03-29_医质管进化论_07_正义文化]]
[[2026-06-01-质效精研-P1-序言-重塑医质管知识体系]]
[[2026-04-06_感染性疾病专业质控改进]]
[[2026-06-23-质效精研-P27-指标降维-如何从海量指标中拎出科室的生命线]]
[[2026-04-13-体检异常结果随访率改进]]
[[2026-04-25-降低颈动脉狭窄介入术后卒中-PIT-2026-38实战]]
[[2026-03-29_医质管进化论_08_注射美容质控]]
[[呼吸内科病案首页规范填写实战指南]]
[[病历校验规则]]
[[2026-06-21-质效精研-P18-病历管理-从档案管理到数据资产的价值觉醒]]