《Discover Public Health》:A data-driven governance framework for co-creation healthcare quality in public hospitals
编辑推荐:
本研究旨在开发一种数据驱动治理框架,以支持公立医院医疗质量的数据知情治理,将患者体验(Patient Experience, PX)定位为患者生成的数据,从中可提取与治理相关的运营信号。研究人员采用探索性混合方法设计,结合概念性治理框架与实证分析,对越南一家公
本研究旨在开发一种数据驱动治理框架,以支持公立医院医疗质量的数据知情治理,将患者体验(Patient Experience, PX)定位为患者生成的数据,从中可提取与治理相关的运营信号。研究人员采用探索性混合方法设计,结合概念性治理框架与实证分析,对越南一家公立医院2024 noteworthy 季度至2025年第三季度期间从Google Maps收集的450条公开患者评论进行分析。主题建模采用BERTopic模型(基于PhoBERT词嵌入、UMAP降维、HDBSCAN聚类),基于方面的情感分析(Aspect-Based Sentiment Transmission, ABSA)则采用基于提示词的大型语言模型完成。提取的方面通过基于规则的字典方法映射至SERVQUAL维度,并借助Donabedian框架进行解读。研究结果表明,PX衍生信号可转化为结构化、可解释且与决策相关的洞察,形成一种与服务质量维度及系统层面质量域相一致的、潜在的治理导向型公共卫生情报形式。本研究通过将患者生成数据重新定义为与治理相关的输入,并重构数据驱动方法,为公共卫生系统研究做出贡献。研究结论具有探索性和情境特异性,但揭示了一条利用PX分析支持医疗治理中持续监测与优先级设定的结构化路径。
## 一、研究背景与问题提出
随着医疗系统的持续现代化,以患者为中心的医疗服务和价值导向医疗日益受到重视,包括在中低收入国家(Low- and Middle-Income Countries, LMICs)亦不例外。公共医疗系统不仅需要扩大服务可及性,还需增强运营能力和治理机制。然而,现有针对LMICs公共医疗系统中患者体验的研究,大多仍局限于传统方法,如结构化问卷或孤立的技术分析。这些方法往往与既有的医疗质量框架联系薄弱,且很少嵌入治理导向型模型中。因此,患者体验融入日常公共医疗治理的程度十分有限,制约了其在持续监测、优先级设定和决策制定中的应用。这一现状凸显了数据生成与其转化为治理流程中可行动力之间的关键鸿沟。
在此背景下,本研究明确将患者体验(Patient Experience, PX)定义为反映就医经历的非结构化患者生成数据,而非分析性构建或治理工具本身。患者体验构成首要数据层,通过分析处理可系统性地提取出与治理相关的运营信号。这些衍生信号被阐释为一种潜在的公共卫生情报(Public Health Intelligence)形式,因其能够提供结构化、可解释且与决策相关的洞察,以支持医疗治理中的监测锁定、优先级设定和问责制。本研究以越南一家公立医院为实证场景,旨在说明此类数据如何在真实情境中得以操作化,并由此提出一种连接非结构化经验数据与治理导向型决策支持的分析-操作路径。
## 二、研究设计与方法概述
本研究采用以框架为引领的探索性设计,融合概念性治理框架与实证数据分析。研究数据来源为越南一家公立医院,该机构具有服务需求高、资源受限、患者期望不断提升等LMICs典型特征。数据集包含2024年第四季度至2025年第三季度期间从Google Maps收集的450条非结构化患者评论,涵盖评论文本、评分及时间戳信息。纳入标准为包含有效文本内容及对应元数据的越南语评论。
研究所用的关键技术方法包括:第一,采用BERTopic模型进行主题建模,配置PhoBERT词嵌入、UMAP降维(参数设置:n
_neighbors=15,n
components=5,min
dist=0.0,余弦度量)及HDBSCAN密度聚类(min
clustersize=7,欧氏度量),并使用包含领域特定停用词、n-gram范围1-3的定制向量化器以增强语义连贯性;第二,采用基于提示词的大型语言模型(Gemini 1.5 Flash)进行基于方面的情感分析(ABSA),通过受控提示词、JSON约束输出及自动重试机制提取结构化方面-情感对;第三,构建基于规则的字典映射机制,将提取的方面先映射至SERVQUAL五维度(有形性、可靠性、响应性、保证性、移情性),再经层级解读规则关联至Donabedian三域(结构-过程-结果),实现经验数据向系统层面质量洞察的转化;第四,以c
v指标评估主题连贯性,以映射覆盖率(即归入"其他"残差类别的方面比例)评估规则映射的有效性,并基于方面出现频率及情感极性与强度建立优先级判定机制,识别需干预的高优先级领域。
## 三、研究结果
### 3.1 非结构化患者生成经验概览
表1呈现了基于BERTopic分析从450条非结构化患者评论中识别出的五大高频主题。这些主题涵盖了服务交付中的沟通、员工行为、等待时间及服务有效性等关键维度,同时捕捉了积极与消极的患者体验模式。主题连贯性评估显示整体c
v=0.37,表明非结构化越南语患者生成数据具有适度的语义连贯性,这与研究的探索性质相符。映射覆盖率方面,SERVQUAL映射中仅8.88%的方面被归入"其他"类别,Donabedian映射中该比例为12.47%,表明提取的方面与预设维度的整体对齐程度良好。
### 3.2 关键患者体验模式识别
表2列出了基于方面-情感分析识别出的五大高频患者体验方面,包括等待时间、医生、员工态度、服务及缴费流程。其中等待时间是最常被提及的方面(n=98),凸显其在患者叙事中的突出地位。表3展示了按主题划分的情感分布:员工态度与服务相关主题中负面情感占比最高(78.3%),沟通主题次之(70.1%),等待时间主题中负面情感占63.6%;而服务有效性与物理设施相关主题则以积极信号为主(77.8%)。
### 3.3 基于SERVQUAL与Donabedian框架的解读
表4和表5分别呈现了ABSA结果经SERVQUAL和Donabedian框架映射后的情感分布。两个框架均显示负面情感占主导,其中响应性(Responsiveness)维度负面情感高达86.1%,过程(Process)域负面情感达80.2%,为比例最高的两项。
## 四、讨论与研究意义
### 4.1 关键发现的解读
研究发现,PX衍生信号主要集中于医疗交付的过程相关维度与互动维度,这在响应性和过程域的高负面情感比例中得到体现。沟通、等待时间和服务协调等重复出现的问题在主题建模和ABSA结果中均有识别,这种趋同性表明这些模式可能反映了系统层面的运营挑战而非孤立的服务失败。
2. 公共卫生系统研究。通过将患者生成数据重新定义为与治理相关的输入,本研究为公共卫生系统研究做出贡献,重估了数据驱动方法在资源受限情境下的应用前景。
研究结论指出,本研究提出了面向公共医疗质量治理的数据驱动框架,以概念化方式将患者体验视为可从中提取治理相关运营信号的患者生成数据。通过SERVQUAL与Donabedian框架的结构化映射,研究为非结构化患者生成数据与系统层面质量域之间提供了可解释的关联路径。研究未能直接捕捉患者对共创过程的参与,但揭示了患者生成数据如何作为间接的、数据中介化的输入服务于治理流程。实证应用表明,公开可获取的患者体验数据能够贡献于资源受限情境下对医疗质量的持续性、情境敏感性理解。此类数据并非作为独立分析工具,而是作为治理流程的补充性输入,支撑监测、优先级设定和问责功能。总体而言,研究发现非结构化患者生成数据可被有意义地整合入治理导向型框架,为反思公共医疗系统中的效率(Efficiency)、有效性(Effectiveness)、公平性(Equity)和协同共创(Co-creation)提供了一种可扩展且情境相关的方法路径。