​​研究結果顯示，在僅採用軟性介面設計、且不含任何硬性干預機制的狀態下，DxPrime好完診改善了臨床工作上游流程的診斷決策與病歷記錄，這些改善更進一步轉化成可量化的下游效益：全院病例組合指標 ( CMI ) 提升3.4%，更準確地反映病人狀況實際的嚴重程度。
​
本研究亦發現，即使在資訊密集、充滿各種功能按鈕的EHR介面中，醫師仍會注意並回應DxPrime按鈕的變化，且在實際開啟DxPrime之後，也會進一步採納其建議，顯示DxPrime是一套在進行診斷決策過程中具實用性的協助型工具，能在日常臨床實務中獲得醫師的信任與採用，而非傳統以警示為導向且容易被忽略的提醒型工具。

​在所有手術錯誤的類型中，最常發生的是手術部位錯誤，包括在錯誤的身體部位(site)或是錯誤的一側(side，如左側或右側)施行手術，而且非常容易造成患者嚴重的永久性心理或身體傷害，甚至死亡。根據美國最具代表性的醫療照護標準制定與認證機構- The Joint Commission 所發佈的病安警訊事件統計，2023年1,411件通報案件中，有112件手術錯誤，比2022年的89件增加了26％、手術部位錯誤佔其中62％。
 

亦有研究指出，最常發生手術部位錯誤的科別為骨科、神經外科和泌尿科；最常見的手術錯誤類型包括脊椎和椎間盤手術、關節鏡手術和肌肉/肌腱手術。對病人造成的傷害包括須承受額外手術、疼痛惡化、失能及死亡等；只有60%的案例能夠達成和解。
 

造成手術部位錯誤的主要原因包括：

• 未遵循政策/流程
• 未閱讀病歷記錄
• 手術的選擇/管理
• 病歷記錄不一致
• 已知的併發症或技術問題
• 醫護人員之間的溝通

 

不過有時候，病歷紀錄的不一致，不一定代表紀錄錯誤。有些通用型未指定身體部位的診斷名稱，或是名稱上有指定身體部位但未指定左右側的診斷，如果可以用來解釋特定手術的合理性，那麽就算診斷與手術名稱紀錄不一致，實際上仍然是正確的病歷紀錄，例如未指定部位或左右側的糖尿病診斷與開放性右側小腿中位截肢手術。
 

為了進一步瞭解此問題，我們初步回朔了美國聯邦醫療保險CMS 2020年的 893萬份住院病歷，根據診斷和手術紀錄是否涉及相同或不同的身體部位，以及手術和診斷紀錄是否指定在右側、左側或兩側都有加以分類，特別針對其中在部位與左右側紀錄不一致的類別深入分析，共歸類出1 ,064 件有右側手術並且有左側診斷紀錄的病歷、1,106件有右側診斷並且有左側手術紀錄，由醫師逐一檢視病歷紀錄，並根據以下標準評估紀錄不一致的病歷，實際上是否具有臨床合理性，或確實是紀錄錯誤：

1. 所有診斷均不足以證明需要執行該手術
2. 診斷和手術的人體構造區域不相同、不鄰近或不相關
3. 人體構造區域相似，但左右側相反

 
 
結果發現，在右手術左診斷的病歷中，儘管診斷與手術紀錄不一致，但在臨床意義上確實合理的案件佔49％，其餘的51％則確實為紀錄錯誤。而在右診斷左手術的病歷中，確實合理的案件佔45％，其餘的55％確實為紀錄錯誤。
 
 
這樣的結果不免令人擔心，究竟是單純文件紀錄上的錯誤，或是真的已經發生在病人身上？！衛福部統計2023年全臺灣手術約達232萬人次，也就是每 13.6 秒就有一個手術執行，這麼高的頻率提醒我們需要用更好的方法才能有效防止手術錯誤。
 
 
WHO世界衛生組織在2024年全球病安報告中提到，目前全世界僅有38％國家，針對這類可預防且高毀滅性的嚴重醫療錯誤(又稱為Never Event：不可接受或不該發生的醫療事件)建立通報管理系統機制，仍有許多錯誤問題被低估忽視。
 
​
除了事後回朔檢討，我們更應該思考如何運用新科技即時預防難解的手術錯誤，在醫生實際動刀前做好層層把關，甚至在更早之前有相關診斷陸續出來時就即時主動預測分析，提醒醫生適當的手術項目並協助做好病歷紀錄，以及後續手術執行計畫。若能突破傳統法則式(Rule-based)系統僅做到簡單的字面上比對，進一步在字意模糊的狀態下，或甚至診斷項目不是很完整、名稱中未明確說明部位(site)或是左右哪一側(side)，也能正確根據其他證據分析臨床合理性，判斷該手術是否為手術部位錯誤或/及手術側錯誤，將會是醫療ＡＩ的一大進展。

|  Reference  |

1. Sentinel Event Data 2023 Annual Review, The Joint Commission, 2024
2. Study Analyzes Wrong-Site Surgery Data in Medical Malpractice Complaints
3. A contemporary analysis of closed claims related to wrong-site surgery
4. Inpatient Surgery, National Center for Health Statistics, CDC
5. Trauma of major surgery: A global problem that is not going away
6. 臺灣112年醫事機構服務量統計年報
7. Global Patient Safety Report 2024, World Health Organization​

當醫生面對從來沒有接觸過的患者，要瞭解其整體的健康狀態，像是曾經生過什麼病、做過哪些治療、治療反應如何、復原狀態如何、這次生病跟過去的疾病有沒有關係、患者本身已有的共存疾病等風險因子會不會影響治療成效等，都需要藉由過去的病歷資訊綜合評估。前提是這些病歷資訊的「完整」，但誰能讓內容完整？又對誰有利？這些行政作業真的只是為了保險申報？
 
醫守從內部資料庫比較台灣與美國的健保住院病歷記錄狀況，在兩千萬筆資料中發現：在住院案件平均診斷數量上，台灣為3.5個、美國則為16個。在高風險住院比率方面，台灣發生高血鉀的比率為0.5%、美國則為7.1%；而發生低血鉀的比率，台灣為1.2%、美國則為11.5%。在共病及併發症比率方面，台灣發生高滲壓及高血鈉比率為0.1%、美國則為3.7%；而發生低滲壓及低血鈉的比率，台灣為1.1%、美國則為9.9%(詳見下圖)。在這三項重要指標範例中，台灣的數據皆低於美國，甚至低於盛行率，難道是台灣人體質優異，所以生的病都不嚴重？！

​
​我們進一步釐清後發現，台灣人只是在帳面上看起來比較健康，而造成此現象的主要原因，則在於台灣與美國健保支付制度設計上的差異。

美國的All Patient Refined Disease Related Group(APR-DRG) 制度特別重視疾病嚴重度、死亡風險。再加上近幾年知名媒體「美國新聞與世界報導(U.S. News & World Report）」所發布的「最佳醫院排名」大受歡迎，各家醫院也越來越重視其評比項目，如風險因子與治療成效類別的共病指標Elixhauser’s Comorbidity Measure (台灣常用共病指標則為Charlson Comorbidity Index; CCI)、出院後30天死亡率、30天再入院率等。這些因素皆大幅提高了美國醫院紀錄完整診斷的誘因。相較之下，台灣在這方面的誘因比較少，也因此影響了紀錄鉅細靡遺的程度。

診斷記錄完整與否，不但影響病安品質、保險給付、照護延續性、醫院收入，也影響了國家整體健康狀態與疾病分布的真實呈現程度，牽動著後續臨床研究發展、健保預算分配與相關健康政策成效。
 
然而實務上，想要完整記錄病歷並不是一件容易的事，尤其是在台灣，共病指標幾乎不被重視，往往拖到流程的最後段，或因為醫院評鑑又快到了，才想辦法事後補齊。

​在疾病與資訊科技越來越複雜的未來，如何在第一時間有效完成病歷內容，從源頭促進診斷記錄與資訊溝通即時正確，減少醫師、病歷改善小組和疾病分類師事後來回修改確認，提高病歷資訊溝通品質與整體作業效率，將是不容忽視的關鍵需求。

|  References  |

1. Rate of Correction of Hypernatremia and Health Outcomes in Critically Ill Patients
2. Prevalence of hyponatremia among older inpatients in a general hospital
3. Severe hyperkalemia requiring hospitalization: predictors of mortality
4. ​Hypokalemia: a clinical update

健保於2010年開始實施診斷關係群制度(Diagnosis Related Group, DRG)，在此之前，數萬條的疾病分類編碼單純用來記錄疾病；在DRG實施之後，疾病分類碼與健保費用直接相關，開始依病例嚴重程度計算健保支付標準，取代過去依服務計酬的制度，成為醫院經營管理的關鍵，因而衍生出使用電腦輔助編碼的需求，像是DRG編審軟體、病例組合指標管理，或是應用於臨床路徑最佳化管理。

這類系統工具多為半自動化，仍須仰賴編碼人員花費許多精力與時間解讀一本又一本病歷、來回查找疾病分類碼。數萬個與主診斷相關的疾病碼與手術碼，以及上千個合併症或併發症(Comorbidity and Complication, CC)項目，在不同排列組合下，代表著不同的病歷複雜程度。然而人工判讀一直以來最大的缺點，就是編碼品質受經驗、習慣、時間與人力等眾多因素影響，不容易精確管控。越複雜或記錄越不完整的病歷，越可能被同時解讀出有或沒有CC兩種截然不同的結果，影響的保險金額差距可能高達數萬元。

市面上已有些AI能夠自動分析臨床數據所代表的意義，據此推薦疾病分類碼，例如執行DRG編審作業時，可以推薦主診斷與CC 。其中，推薦CC的方法，主要運用過去診斷與常用CC為基礎，再用幾個條件加以篩選。較為進階者，則是以文字探勘或自然語言處理技術，分析病歷中非結構化的文字(Free Text)。

對比歐美常用的方法，則是將臨床診斷指引數位化，根據重要的生理參數推薦疾病編碼，如腎臟醫學會的急性腎衰竭診斷指引，是依據不同時間的血清肌酸酐狀態，推薦相關的疾病診斷碼。此方法雖然客觀，但仍有所侷限，因為指引中通常只收錄最常發生，或是會影響醫療成本的疾病，造成實務應用相當有限。

TW-DRG已經演進到第四版，接下來所有住院病例必須全部採用DRG計價，同時健保給付原則也將同步併重住院與門診的診斷正確性，並且將慢性病與先天疾病納入病例複雜度與給付評估。種種改變將使編碼人員工作增加3-5倍，對管理與資訊科技的負擔亦將更加沈重，讓原本就已吃緊的人力面臨潰堤。

醫守的「DxCode好彙編」編碼推薦系統，幫助醫院為TW-DRG 4.0上線做好準備。其強大的演算能力，即使遇到病歷中有遺漏的診斷，甚至是內容未填寫完全的狀況下，也能充分發揮應用。

不同於市面常見分析Free Text等非結構化資料的做法，DxCode採全面性綜合分析用藥、檢驗檢查、處置﹐與手術項目等結構型資料，因此能夠更加精確分析病歷複雜度，推薦適當的編碼項目，具體改善編碼品質，更有助入院及住院中編審，協助編碼人員在有限時間下正確解讀繁瑣病歷細節，並在編碼上精確反應病歷複雜程度的要求，幫助改善醫院保險帳務品質。

美國曾有機構統計，將近80％的醫療帳單都是錯的(*1,2)！聯邦醫療保險和補助服務中心（Centers for Medicare and Medicaid Services; CMS）2020年底也曾發出警訊表示，現行聯邦保險方案中，有高達9億（Medicare Part D）至865億美金 ( Medicaid ) 的不當支付(*3)。嚴重的醫療浪費、濫用與詐欺等問題，造成病人、醫院、政府三輸的破局。

所謂不當支付，包括多付或少付。形成的原因很多，包括申報文件不夠周全、跟不上法規政策、管理疏漏和醫療編碼錯誤(medical coding)等。前三項相對容易理解，但第四項醫療編碼是什麼？和醫療保險給付又有什麼關係？


醫療資訊化，方便了管理者卻苦了醫生

早期醫院推動資訊化的目的，是為了會計帳務與營運管理，並不是為了臨床治療而開發，用來服務病人或臨床工作人員。醫療編碼，是將醫療過程中醫生所開立的各項診斷或處置項目、提供或使用的各種醫療行為與設備器材，各別轉譯成一個個由英文字母與數字組成的代碼，這些代碼具有標準化與通用性，不僅代表每個患者就醫歷程的連續性紀錄，更是醫療保險計價的重要依據，幫助保險業者評估被保險人得了什麼病、治療必要性與複雜程度、哪些原因會影響治療結果等。

有品質的醫療編碼，必須結合醫師與疾病分類人員的經驗與智慧才有可能做到。醫生做的每個診斷、處置都必須紀錄在病歷中，再由疾分人員根據解剖學、生理學、治療照護細節與各種保險給付規範，負責為這些診斷與處置分配相對應的代碼，並確保所有代碼的正確性。

在過去手寫病歷的年代，疾分人員還必須具備慧眼，並了解每位醫師的書寫習慣，從醫師潦草又充滿縮寫的字跡中一一判讀轉譯、來回確認。隨著科技與知識發展，治療技術、疾病分類方式與科技資訊化複雜度遽增，讓醫師與疾分人員因為各自專業與立場不同，產生新的醫療編碼轉譯挑戰。

有句老派又耳熟能詳的廣告詞說「斯斯有兩種」，在現代醫療編碼的世界裡，疾病有6萬8千種，處置則約有9萬種，而醫生習慣使用的編碼項目平均只有幾百種，這中間的落差就可能造成後續編碼轉譯結果不夠完善、不夠精確，而衍生保險帳務問題，更影響延續照護品質。


醫院試著從編碼源頭改善，結果卻治標不治本

以外科常見的車禍受傷住院來說，醫生必須在傷者出院後72小時內，將其住院期間接受過的​​所有診斷、處置等醫療過程紀錄到電腦中，形成一份重要的出院病歷。依據臨床經驗與個人習慣，醫師總結其出院診斷為「左小腿挫傷伴隨細胞壞死（Left lower leg crushing injury with necrosis）」，輸入後卻陷入窘境，系統跳出警示：找不到可以直接對應的標準疾病分類碼！進一步搜尋後發現，necrosis細胞壞死有418個選項、crushing injury壓挫傷有231種選項；而手術碼則另有兩個乍看分不出差別的「左小腿組織皮膚切除術（Excision of left lower leg subcutaneous tissue）」與「左小腿組織皮膚拔除術（Extraction of left lower leg subcutaneous tissue）」可以選。

正在評估著該怎麼選時，腦中又浮現院方叮嚀病歷書寫品質與保險給付、營收的關係。面對手邊還有一堆消化不完的病歷要記錄，醫師該如何在臨床合理性與保險給付間取得平衡、避免迷失在過多的選擇中？


醫師的養成訓練是為了治療疾病，不是為了編碼轉譯

為了讓醫生能夠更專注在臨床實務上，醫守科技開發出「DxPrime」，以機器學習深入分析台灣與美國住院及門診資料，打造涵蓋45億筆醫療數據的知識庫，淬煉醫師與疾分人員的智慧結晶，發展出獨家模型。並運用ＡＩ擅長的多重分析，幫助醫師彙整出院診斷，透過分析入院診斷、跨科別問題列表、用藥、檢驗、檢查、處置及手術等結構性資料，提供前5項最佳出院診斷建議組合，包含手術、併發症項目。醫師只須評估DxPrime彙整過的建議，確保臨床合理性，從中做出決策後，DxPrime會自動無痛轉換內建的住院診斷關聯群分析(DGRs)，大幅改善醫療編碼轉換品質與成本，提升保險申報作業效率與成效。


唯有讓醫療AI發揮Facilitator般相輔相成的角色，補足人類與制度的種種限制與盲點，使醫生有效運用大數據中的智慧，才能在醫療決策流程中創造價值，做到真正的data-driven clinical decision support。

|  Reference  |
1. Medical billing errors growing, says Medical Billing Advocates of America
2. Billing Errors Everywhere!
3.2020 Estimated Improper Payment Rates for Centers for Medicare & Medicaid Services (CMS) Programs