信息技术采购策略与医院绩效的两个维度:供应商更替率与应用集中度
《Health Care Management Review》:Two dimensions of information technology sourcing strategies and hospital performance: Vendor turnover and application concentration
【字体:
大
中
小
】
时间:2026年07月02日
来源:Health Care Management Review 2.6
编辑推荐:
摘要
背景:健康信息技术领域的投资持续增长,但关于技术采购策略对医院运营绩效影响的研究却相对有限。本研究旨在构建一个二维评估框架,通过供应商更替频率及应用在供应商间的集中程度来分析医院的IT采购策略,并探讨这些因素对医院成本与服务质量等绩效指标的影响。方法:我们利用来自医疗信
摘要
背景:健康信息技术领域的投资持续增长,但关于技术采购策略对医院运营绩效影响的研究却相对有限。本研究旨在构建一个二维评估框架,通过供应商更替频率及应用在供应商间的集中程度来分析医院的IT采购策略,并探讨这些因素对医院成本与服务质量等绩效指标的影响。方法:我们利用来自医疗信息管理协会数据库、医疗保险和医疗补助服务中心的医院比较数据以及美国医院协会的年度调查数据,共2,500家美国医院的资料,运用普通最小二乘法和两阶段最小二乘法,分析供应商更替频率与应用集中程度对医院评级、再入院率、IT运营成本及总运营成本的影响。研究发现:应用集中在少数供应商手中且供应商数量减少,有助于降低再入院率和运营成本;而增加供应商数量则会提升运营成本。这些结果表明,整合供应商可以提高效率并改善某些质量指标,而频繁更换供应商则可能增加财务和运营负担。实践意义:管理者应采取战略性策略进行IT采购。注重应用集中并有效管理供应商更替,能够提升质量和效率。尽管多源采购具有灵活性,但现有证据表明,为获得更好绩效,集中采购更为有效。未来研究应进一步探讨采购策略对创新、患者治疗效果以及不断变化的医疗环境中的健康信息技术适应能力的更广泛影响。过去20年来,健康信息技术领域的投资大幅增加,但其对质量和成本的影响则不尽相同。在电子健康记录、日程安排、计费、医疗决策、影像诊断以及患者沟通等诸多方面,如何更有效地利用健康信息技术已成为现代医疗体系的重要课题。2009年的《HITECH法案》提供了300亿美元的联邦激励资金,通过补贴采购成本、医疗保险报销和技术支持等方式,推动健康信息技术及电子健康记录的普及与应用(Bronsoler等人,2020年)。到2014年,97%的美国医院已采用符合国家健康信息技术协调办公室标准的认证电子健康记录系统,目前估计有90%至99%的医院使用了具备核心患者数据记录功能的基本电子健康记录系统(国家健康信息技术协调办公室,2018年)。总体而言,健康信息技术的投资规模预计将超过1200亿美元(Qi与Han,2020年),并且85%的医疗机构计划在2024年增加相关预算(Guidehouse,2023年)。以往研究虽已深入探讨了健康信息技术的普及过程及其对医院运营绩效的影响,但往往忽视了采购策略在管理技术组合、供应商关系以及调整供应商和应用数量方面的作用(Angst等人,2017年)。研究表明,尽管投入巨大,但健康信息技术的广泛应用往往会导致更高的支出,短期内在生产力与质量提升方面效果有限且存在滞后(Bronsoler等人,2020年)。不同医院的特点、供应商选择方式以及供应商与医院之间的合作关系,都会显著影响健康信息技术对成本和质量的影响程度(Holmgren等人,2018年)。Diana(2009年)研究了医院将健康信息技术系统外包的决策行为,探讨这些决策是出于成本效益考虑还是战略管理需要。在更广泛的背景下,有关IT采购的研究通常通过分类方式比较单一采购与多源采购的差异(Bapna等人,2022年;Bhattacharya等人,2018年;Ford等人,2013年;Handley等人,2022年)。然而,这些离散分类之间实际上存在诸多差异,而这些差异可能对绩效产生重要影响。现有研究的不足表明,有必要更深入地理解健康信息技术采购策略如何影响医院绩效并实现最大价值。本研究重点分析健康信息技术采购策略对医院运营绩效的影响,强调供应商更替频率与应用集中程度这两个维度在制定有效采购策略中的作用。由于大多数医院依赖外部供应商提供健康信息技术解决方案,而非自行开发,因此明确了解采购策略对绩效的影响至关重要(Angst等人,2017年)。管理者需要在是否选择从单一供应商处获取所有健康信息技术应用,还是在多个供应商中挑选最佳方案之间做出决策。医院的健康信息技术采购策略涉及供应商选择、管理及整合等方面的决策,这些决策会显著影响医院的运营绩效、成本以及患者治疗效果(Wowak等人,2024年)。虽然更换供应商可能较为复杂,但这种情况十分普遍——医院会根据技术需求变化、互操作性难题、财政限制以及服务质量要求等因素,不断调整其供应商组合(Angst等人,2017年;Wowak等人,2024年)。健康信息技术的应用并非一劳永逸,而是一个持续发展的动态过程,会受到供应商关系、能力、技术及使用模式变化的影响(Angst等人,2017年)。为探究健康信息技术采购策略如何随时间影响质量和成本,本研究提出了以下问题:在2012年至2017年的五年期间,健康信息技术供应商的更替频率以及应用在供应商间的集中程度,对医院运营绩效产生了怎样的影响?理论基础与假设构建:我们的研究基于四类相关研究成果:(1)交易成本经济学与组织能力的相关概念;(2)健康信息技术价值的驱动因素;(3)IT系统的单一采购与多源采购对比;(4)健康信息技术应用面临的障碍。交易成本经济学与健康信息技术采购:交易成本经济学是一种广泛用于解释组织边界以及组织如何在采购过程中高效管理关系的理论框架(Ketokivi与Mahoney,2020年)。本研究的分析以交易成本经济学的核心概念——治理结构、资产专用性、交易频率和不确定性为基础。该理论的核心观点是,交易各方会建立相应的治理机制,以实现高效、经济的互利交换,而治理过程既包含事前准备成本,也包含事后执行成本——详细内容可参阅Williamson(1985年、1996年)的相关论述。交易成本经济学认为,存在两种促使治理机制产生的行为特征:一是机会主义,即各方会出于自身利益采取欺诈行为;二是理性受限,即决策受到复杂性、认知能力和时间限制的影响(Ketokivi与Mahoney,2020年)。理性受限和信息不对称会增加机会主义行为的概率,为此,组织会通过合同设计、监督等治理机制来应对,同时尽量降低生产和治理的总成本(Ketokivi与Mahoney,2020年)。资产专用性、不确定性和交易频率是用来描述交易特征及其易受机会主义影响的三个关键维度(Williamson,1985年)。资产专用性指的是某种资源在特定交易中的独特价值,一旦脱离该交易,这种价值就会丧失(Williamson,1996年)。常见的资产专用性类型包括:一是地点专用性,指资源需位于同一地点;二是实物资产专用性,指工具和设备的设计特点;三是人力资本专用性,指员工的技能、知识和经验;四是专用资产专用性,指专门用于某项任务的固定资源。无论是外部还是内部存在的不确定性,都会增加治理成本,比如应急计划和适应性调整的成本,而组织目标、战略重点及利益相关者的差异则会进一步加剧这一问题(Borys与Jemison,1989年)。高频交易意味着较大的交易量,从而需要较高的治理成本,但同时也因为未来可能有大量交易发生,降低了因机会主义行为导致关系破裂的风险。健康信息技术价值的驱动因素:Bronsoler等人(2020年)总结了有关健康信息技术应用对系统性能影响的文献,发现其效果表现为:生产力与质量提升幅度较小且存在滞后;初期成本较高,长期支出效果不一;不同医院之间的差异较大。已有研究试图通过分析医院和供应商的能力、专业水平及相互关系等驱动因素,来解释这些差异和混合结果(Bapna等人,2022年)。Qi与Han(2020年)发现,临床和业务相关的IT支出能够增加患者的净收入。Kruse与Beane(2018年)则指出,81%的研究表明,健康信息技术的应用能够改善医疗效果。我们的研究不仅分析了健康信息技术应用的影响,还探讨了如何通过合理管理应用和供应商组合,实现健康信息技术的长期价值最大化。单一采购与多源采购:越来越多的研究开始比较IT服务的单一采购与多源采购模式。在其他行业中,多源采购模式越来越普遍(Bapna等人,2022年),而医院,尤其是规模较大、较新且诊疗项目较少的医院,则倾向于采用单一采购模式(Angst等人,2017年)。Ford等人(2013年)发现,在三种不同的健康信息技术采购策略下——即单一供应商采购、选择最佳专业解决方案的混合采购以及选择最佳综合解决方案的混合采购——健康信息技术采购策略会影响组织所需的技术变革程度,但不会影响技术效率或全要素生产率。单一采购能够简化IT系统的集成和互操作性(Bhattacharya等人,2018年;Ford等人,2013年)。它还有助于推动共同设计、联合创新,以及为采购方定制个性化的IT解决方案(Angst等人,2017年)。此外,单一采购还能让医院和供应商都享受到学习曲线效应和规模经济优势(Angst等人,2017年;Ford等人,2010年)。不过,单一采购也会提高供应商更换成本、增强供应商的议价能力,同时增加服务中断的风险和影响范围(Ford等人,2010年;Bhattacharya等人,2018年)。多源采购则有利于推动数字化创新、提升灵活性,并促进供应商之间的竞争(Handley等人,2022年)。它使医院能够从与更多供应商的合作中汲取经验,构建最优解决方案的组合(Angst等人,2017年;Bapna等人,2022年)。此外,多源采购还能帮助医院多样化供应商组合,降低单一供应商的影响力,同时减少供应商更换成本(Costantino与Pellegrino,2010年;Ford等人,2010年)。它还能让组织在更频繁地升级或替换组件和应用程序时,保持更高的IT灵活性(Angst等人,2017年;Ford等人,2010年)。不过,多源采购也会增加维护、治理和管理成本,同时增加系统集成的难度(Bhattacharya等人,2018年)。我们的研究将采购策略视为一个二维梯度,而非静态的分类变量,同时将其视为影响绩效的一系列解释变量,而非被解释变量,从而为现有研究做出了贡献。健康信息技术应用与普及的障碍:Gnanlet等人(2019年)指出了健康信息技术在实施、整合及持续运营各个阶段所面临的障碍。Bronsoler等人(2020年)又补充了劳动力方面的影响。由于供应商更替频繁,多源采购和“最佳专业解决方案”策略也面临着类似的挑战。我们将主要障碍归纳为三类:一是对变革的抵制,二是风险规避心理,三是基础设施限制。对变革的抵制源于时间压力以及临床环境的复杂性。健康信息技术系统会给临床工作人员带来过多的文档工作、频繁的重新培训以及警报疲劳等问题,迫使他们采取一些变通措施,反而降低了系统的有效性(Sutton等人,2020年;Appleton,2018年;Drexler,2020年)。此外,医护人员也可能抵制那些会削弱其自主权的系统(Bronsoler等人,2020年)。要克服这种抵制,就需要让临床工作人员参与系统设计并积极提供意见。风险规避心理则源于对患者安全、法律责任以及网络安全的担忧。尽管健康信息技术有望带来长期的安全改善,但短期内的错误和责任归属问题仍可能阻碍其应用(Bronsoler等人,2020年)。隐私风险、相关法规(如HIPAA)也会限制健康信息技术的互操作性优势。基础设施方面的障碍包括系统碎片化、激励机制不匹配以及竞争不足。众多不同的利益相关者使得系统整合变得极为复杂——包括医疗服务提供者、供应商、保险公司以及政府机构(Bronsoler等人,2020年)。结构上的低效率以及扭曲的激励机制可能导致错误的竞争方向,例如,一些健康信息技术决策可能更侧重于追求更高的报销金额,而非提升医疗效果(Porter与Teisberg,2004年)。在多家医院组成的系统中,集中的健康信息技术决策机制虽然能够提升规模经济和互操作性,但也会限制各医院的自主权和个性化需求,同时增加协调各方利益相关者、确保系统得到有效应用并与其临床工作流程相匹配的难度(Freeman等人,2021年;Scarffe等人,2022年)。这些障碍不仅减缓了新技术的普及速度,还会阻碍医院与健康信息技术供应商之间的协作关系、联合创新以及新系统的共同设计。我们的研究通过分析是否可以通过多源采购带来的灵活性来克服这些障碍,或者通过保持单一采购的一致性来避免这些问题,为这一领域的研究提供了新的视角。健康信息技术采购的二维框架 我们构建了一个二维框架,用于描述各类健康信息技术应用及供应商的采购策略,而非针对特定服务组合。供应商流动率指的是随时间变化的健康信息技术供应商数量。应用集中度则是指不同供应商之间应用的分布情况,这一指标是通过赫芬达尔指数来衡量的。赫芬达尔指数可用于衡量多种应用领域的集中程度,比如行业市场份额与竞争状况(Herfindahl, 1950)。我们用该指数来判断医院在多个供应商之间的健康信息技术应用分布程度:高赫芬达尔指数意味着应用集中在少数供应商手中,而低指数则表示应用在更多供应商间均匀分布。设vi表示第i家医院的供应商总数,即i=1,2,….,则应用集中度AppConci可表示为∑k=1vi除以所有供应商所覆盖的应用总数再乘以100。
图1展示了供应商流动率与应用集中度在制定健康信息技术采购策略时的相互作用。虽然我们是用两个连续变量来定义采购策略,但四个离散的象限有助于直观呈现这些维度与整体战略方向之间的关键关系:(1)“分散式多源采购”策略(右上角)表现为使用众多供应商且应用分布均匀;(2)“主导式多源采购”策略(右下角)也是使用大量供应商,但大部分应用集中在一两个供应商身上;(3)“聚焦式多源采购”策略(左上角)则是选择较少供应商且应用分布均匀;(4)“单一来源采购”策略(左下角)同样是少量供应商,但大部分应用集中在同一或少数几家供应商处。医院可以通过增加或减少供应商、应用,或是调整应用在供应商间的分配方式来改变自身的策略定位。图1中的泪滴形状体现了这两个维度之间的重要互动关系,同时表明左上角和右下角的策略是不可行的。因为不同的供应商组合也可能带来相同的集中程度——例如,某医院中供应商A负责21项应用,而供应商B到J各负责一项应用;另一家医院则由供应商A和B共同承担15项应用。在这两种情况下,总应用数均为30项,应用集中度均为0.5。
图1:健康信息技术采购策略的二维框架。*注:右侧的A、B、C、D和E代表不同供应商;纵轴显示的是每家供应商所负责的应用数量。
假设陈述 我们借助交易成本经济学和组织能力的理论基础来构建相关假设。提高供应商之间的应用集中度或减少供应商数量,能够降低信息技术复杂度与交易成本,进而提升系统集成度、互操作性以及信息技术的整体功能(Ford等,2010;Roskill,2014)。将大量应用集中在少数供应商手中,更有助于实现系统集成与互操作,还能降低交易成本(Ford等,2010),并提升信息技术功能(Roskill,2014)。此外,从较少的供应商处采购,也能降低双方出现机会主义行为的可能性,因为双方都会更加专注、密切关注彼此,而且一旦合作关系终止,各方都可能面临巨大的业务损失(Costantino & Pellegrino,2010)。再者,将众多应用集中在少数供应商手中,有助于医院建立长期合作关系,推动共同创新与协同设计。长期合作伙伴关系带来的共同创新,其价值往往高于供应商之间的竞争。另外,许多健康信息技术供应商还提供由他们主导的健康信息交换网络,使用相同供应商的医院可以无缝共享临床和行政数据(Everson & Adler-Milstein,2022)。参与这类健康信息交换网络的医院,能享受到更高效的数据交换、更好的医疗协调以及跨网络整合的优势,这些因素都会形成强大的锁定效应,进一步强化医院对现有供应商的依赖(Peng等,2014)。减少供应商数量,也能降低剩余供应商出现机会主义行为的可能性,因为医院会更加关注他们,而且如果合作关系终止,这些供应商也可能面临巨大的业务损失(Costantino & Pellegrino,2010)。降低供应商流动率,还能通过减少因更换供应商和系统整合而产生的冗余管理成本,从而提升医院运营效率。那些频繁更换供应商的医院,可能会面临更高的整合成本、数据迁移风险以及运营效率低下等问题,这些都会对患者的诊疗效果和医院的财务稳定性产生负面影响。基于以上分析,我们提出以下假设:
假设1(H1):供应商之间的应用集中度越高,医院的运营质量(如医院评级和患者再入院率)就会越好,成本(包括信息技术支出和运营费用)也会越低。
假设2(H2):减少供应商数量,能够提升医院运营质量并降低成本。而在短期内,也就是1到5年内,增加供应商数量则可能会因为复杂性上升、交易成本增加、员工工作负担加重以及潜在的不良事件风险,导致医院运营质量下降、成本上升。医院在寻找、筛选供应商并将他们整合到业务流程中,以及学习使用新技术方面,都需要投入高昂的前期成本(Queenan等,2011)。与多家健康信息技术供应商保持系统与合作关系,会进一步提升整合难度,阻碍标准化进程,同时也增加了系统设计和功能出现缺陷的风险(Xue等,2018;Cong & Romero,2013)。增加供应商数量还会提高交易成本,因为医院需要为每家供应商建立相应的监管机制,以防止对方出现机会主义行为,比如要制定并审核包含诸多条款、条件、技术规格、维护义务、责任界定以及损失承担规定的合同,还要持续监督合同执行情况,及时发现违规问题。随着供应商数量的增加,医院与供应商在建立高效的管理机制和开展共同创新方面的合作也会面临更大压力。此外,增加供应商还会给医院员工带来更大的工作负担,因为需要重复进行数据录入、培训等工作,这不仅会导致员工疲劳、工作负荷过重,还会迫使他们采取一些临时应对措施,进而降低工作效率和任务质量(Appleton,2018;Drexler,2020;Sutton等,2020)。每新增一家供应商,都会带来一个额外的适应期,在此期间,出现患者安全问题的风险也会相应上升(Bronsoler等,2020)。当医院使用多家供应商时,由于临床工作人员的抵触情绪和风险规避心理日益增强,变更管理的工作也会变得更加繁琐。医院通常需要承担较高的供应商更换成本,这些成本包括对现有系统的投资、培训费用、互操作性调整成本以及工作流程中断带来的损失。这些成本因素使得医院与供应商之间的关系容易形成路径依赖效应(Darby等,2019)。基于以上分析,我们提出以下假设:
假设3(H3):增加供应商数量,会导致医院运营质量下降、成本上升。
研究方法 数据集 我们利用医保编号,将三个数据源整合在一起,构建了一个非平衡的纵向数据集,这三个数据源分别是:(1) 医疗信息与管理系统协会的Analytics数据库(由Dorenfest健康信息技术研究与教育研究所提供,数据年份为2012年和2017年);(2) 医疗保险和医疗补助服务中心的医院比较数据(来自该机构,数据年份为2018年);(3) 美国医院协会的年度调查数据库(来自该协会,数据年份为2018年)。由于Dorenfest健康信息技术研究与教育研究所提供的Analytics数据库在2020年左右停止了数据发布,再加上2020年开始的新冠疫情,导致许多医院的战略重点发生重大变化,他们要么暂停、推迟,要么加快健康信息技术系统的更新改造。因此,我们的数据集仅涵盖上述提到的年份。此外,我们的数据集也仅限于普通综合性医院,因为不同类型的医疗机构——比如门诊部、医生诊所以及儿科医院——在特定技术的应用程度以及不同供应商之间的关系方面可能存在差异。部分医院因为数据缺失而被排除在外,最终纳入分析的样本仅包含那些拥有完整数据的医院。需要说明的是,这个包含完整数据的医院样本并非分层随机样本,可能与整个美国医院群体存在差异——例如,我们样本中通过联合委员会认证的医院比例,低于美国整体医院的比例。
变量 关键的解释变量是应用集中度与供应商流动率。应用集中度指的是不同供应商之间应用的分布情况,即AppConci。供应商流动率则是通过统计2012年到2017年期间新增和消失的供应商数量,来反映健康信息技术供应商总数的变化趋势。我们在质量与财务两个方面来评估医院的运营表现:包括整体医院评级、患者再入院率、信息技术运营支出以及医院整体运营支出。至于临床诊疗效果,我们则通过医院比较数据中的患者再入院率来进行衡量,该比率指的是因各种医疗原因出院后30天内再次回到同一家急性护理医院的病人数量。医院评级则是根据患者对医院整体服务的满意度来确定的,评分范围为0到10分,评分依据是“患者如何评价这家医院?”为了使关键解释变量、信息技术支出以及整体运营支出更符合回归分析所要求的分布特征,我们对这些数据进行了对数转换。此外,我们还纳入了2017年的各项控制变量,用以弥补可能影响研究结果和自变量的医院特征差异,从而控制混杂因素,降低内生性问题带来的影响。平均住院时长这一变量则用于反映医院在提供医疗服务时的质量与效率水平。支付方构成则是通过对比医疗保险和医疗补助项目的患者出院人数与医院总出院人数来计算的。我们还使用了二元变量来标识医院是否具备以下特征:(1)通过联合委员会认证;(2)与某所医学院有合作关系;(3)属于紧急医疗服务医院;(4)位于农村地区;(5)位于小型城市区域;(6)位于美国东北部、中南部、中北部、山区或太平洋沿岸地区。此外,我们还考虑了医院的教学隶属关系、盈利性质以及所有权类型。我们的分析还包含了病例组合指数,这是一个综合指标,能够反映医院所处理的病例的多样性和复杂性。较高的病例组合指数意味着医院需要投入更多资源来提供服务,包括更多的物资和人员。此外,我们还研究了研究期间应用数量的变化情况,因为这一变化既与研究结果变量相关,也与我们所假设的变量有关。我们还将医院所属的医疗系统类型作为控制变量,因为隶属于同一医疗系统的医院通常能更容易获得必要的资源,还能通过发挥多医院系统内的规模经济和范围经济优势,提升运营绩效。变量汇总表及相关性矩阵见附录A(详见补充数字内容1,链接:https://links.lww.com/HCMR/A194)。
分析方法 我们采用普通最小二乘法回归模型来检验我们的假设,具体模型如下。β1、β2和β3这三个系数分别反映了应用集中度(AppConc)以及供应商流动率(包括新增和删除供应商的行为)对医院i=1,2,….的运营绩效PERF的影响程度。PERF和CV分别代表因变量和控制变量。其回归方程为:PERFi=β1AppConc+β2Adding Vendors+β3Removing Vendors+γiCVi+ei。为了进一步验证结果的稳健性并解决可能存在的问题,我们还进行了额外的分析。首先,我们将普通的OLS模型与工具变量两阶段最小二乘法模型进行比较,后者用于研究应用集中度与医院运营绩效之间的关系。我们引入了许多控制变量,以消除遗漏变量带来的偏差,这些控制变量都是基于相关研究确定的,但我们也意识到,仍可能存在一些未被考虑的变量,它们仍有可能影响我们的研究结果。为此,我们采用了2016年的应用集中度作为滞后值工具变量。在以往的研究中,使用内生变量的滞后值作为工具变量是一种常见的方法,尤其是在难以找到合适外生工具变量的情况下(Sharma等,2016)。我们还通过豪斯曼检验(Davidson & MacKinnon,1993)来评估应用集中度变量可能存在的内生性问题,具体方法是比较OLS模型和2SLS模型得出的估计值。检验结果显示,医院评级(χ2 = 20.85)、患者再入院率(χ2 = 13.32)、信息技术支出(χ2 = 32.59)以及运营支出(χ2 = 25.87)这几个指标都具有显著的意义(所有p值均小于0.001)。这些结果进一步印证了存在内生性问题的可能性,也凸显出使用工具变量方法的合理性。为了验证该工具变量的有效性,我们对其相关性和排除条件进行了评估。2016年的应用集中度这一滞后变量,确实能够有效预测2017年的应用集中度数值(β = .61,p值小于0.001)。第一阶段的F统计值也超过了Staiger和Stock(1994)设定的10这一阈值,这说明该工具变量具有较好的有效性。此外,我们认为,应用集中度这一内生变量的历史数值,符合工具变量应具备的“排他性”要求,即这些历史数值不会受到其他无关因素的干扰。医院在决定健康信息技术的采购策略,比如确定应用集中度时,往往是基于长期规划考虑,比如考虑供应商的可靠性以及系统集成需求,而非短期的运营绩效波动。因此,2016年的申请集中度不太可能受到那些会影响2017年结果的未观察因素的影响;也就是说,我们在2SLS估算中使用的工具变量与误差项不存在同时相关性。其次,我们还使用了不同的时间周期(2012年至2016年)来估算新增和移除供应商的OLS模型,以此控制不同时间周期对这些变量与医院绩效之间关系的影响。结果方面,表1展示了各变量的描述性统计信息,变量的详细描述则见附录A。表1——变量描述性统计量:定量变量:样本数、均值、标准差;定性变量:样本数、相应比例。具体变量数据如下:医院评级:3,380家医院,均值88.45,标准差3.36;联合委员会认证医院:5,924家,占比0.65;再入院率:4,367家医院,均值15.25,标准差0.75;医学院附属医院:5,924家,占比0.28;IT运营成本:3,155家医院,均值14.63,标准差2.14;教学医院委员会认证医院:5,924家,占比0.04;医院运营成本:5,492家医院,均值17.97,标准差1.43;紧急服务医院:5,924家,占比0.23;申请集中度:5,110家医院,均值7.61,标准差0.59;农村地区医院:5,924家,占比0.18;新增供应商数量:5,087家医院,均值2.27,标准差0.75;都市地区医院:5,924家,占比0.67;移除供应商数量:4,752家医院,均值1.52,标准差0.77;地方政府管理的医院:5,924家,占比0.16;医院供应商总数:4,918家,均值15.27,标准差7.48;州政府管理的医院:5,924家,占比0.04;应用程序数量变化幅度:4,648家医院,均值16.09,标准差20.41;医院盈利状况:5,924家医院,占比0.27;医院床位数量:5,924家医院,均值4.39,标准差1.13;东北地区医院:5,924家,占比0.12;患者平均住院时长:5,924家医院,均值-1.94,标准差0.95;中南地区医院:5,924家,占比0.25;医疗保险患者出院人数:5,671家医院,均值-0.79,标准差0.72;中北地区医院:5,924家,占比0.28;医疗补助计划患者出院人数:5,538家医院,均值-1.97,标准差1.02;山区医院:5,924家,占比0.09;CMI值:3,077家医院,均值1.62,标准差0.38;太平洋沿岸地区医院:5,924家,占比0.10。系统归属类别:4,073家医院,占比0.64。其中,医院评级指的是医院的整体质量评分;再入院率是指患者出院后30天内的再次入院比例;IT运营成本和医院运营成本分别是医院IT运营支出及总运营支出的自然对数值;申请集中度为2017年供应商集中度的自然对数;新增供应商数量和移除供应商数量分别是2012年至2017年间新增及移除的供应商数量的自然对数;医院供应商总数为2012年的供应商总数,应用程序数量变化幅度则反映2012年至2017年间应用程序数量的变化情况;医院床位数量以自然对数形式呈现;患者平均住院时长为患者平均住院时间的自然对数;医疗保险患者出院人数和医疗补助计划患者出院人数分别是医疗保险患者与医疗补助计划患者出院人数占全部患者出院人数的比例的自然对数;联合委员会认证、医学院附属、教学医院委员会认证、紧急服务医院、农村地区、都市地区、地方政府管理、州政府管理、医院盈利状况、东北地区、中南地区、中北地区、山区、太平洋沿岸地区以及系统归属类别均为二元指标,符合相应条件时编码为1,否则为0;CMI值为医院的病例组合指数,用于衡量患者的平均病情严重程度。总体而言,我们的研究结果表明,医院可以通过提高应用集中度并减少供应商数量来降低运营成本和再入院率(见表2)。在再入院率和医院整体运营成本方面,我们的研究结果支持了假设H1,但在医院评级和IT成本方面则不成立。具体而言,研究显示应用集中度与再入院率之间存在显著负相关关系(β=-0.14,p=0.003,95%置信区间为[-0.24,-0.05]),与应用集中度与运营成本也存在显著负相关关系(β=-0.06,p=0.02,95%置信区间为[-0.10,-0.01])。不过,应用集中度与医院评级之间以及与应用集中度与IT成本之间的关系均无统计学显著性。表2——应用集中度与供应商变动对各项指标影响的OLS回归分析:因变量方面,模型1对应医院评级,模型2对应再入院率,模型3对应IT运营成本,模型4对应医院运营成本。相应回归系数及显著性水平如下:应用集中度对应的系数分别为0.16(p=0.19)、-0.14***(p=0.05)、-0.05(p=0.08)、-0.06**(p=0.03);新增供应商数量对应的系数分别为0.25(p=0.18)、-0.07(p=0.05)、0.09(p=0.08)、0.13***(p=0.02);移除供应商数量对应的系数分别为-0.45***(p=0.13)、-0.06*(p=0.03)、-0.05(p=0.06)、-0.08***(p=0.02);控制变量方面,所有模型均纳入了相关控制变量。样本量分别为2,328、2,447、1,601、2,471,R2值分别为0.28、0.20、0.58、0.89。各项检验均为双尾检验,系数为未标准化值,标准误标注在括号内;由于存在异方差性问题,模型1、3、4的标准误为稳健标准误,相关检验的p值均小于0.001。受页面限制,表格仅展示了假设中所涉及的解释变量的分析结果,完整结果可另行提供。其中,p<0.1记为*,p<0.05记为**,p<0.01记为***。关于假设H2,研究结果显示,减少供应商数量与再入院率及医院整体运营成本之间存在显著负相关关系(分别对应β=-0.06,p=0.086,95%置信区间为[-0.12,0.01];β=-0.08,p<0.001,95%置信区间为[-0.12,-0.05]),同时与医院评级也存在显著负相关关系(β=-0.45,p<0.001,95%置信区间为[-0.69,-0.21])。不过,减少供应商数量与IT成本之间并无统计学显著性关联。对于假设H3,研究显示,增加供应商数量与医院整体运营成本之间存在显著正相关关系(β=0.13,p<0.001,95%置信区间为[0.08,0.17]),而与其他三个变量之间则无显著关联。OLS分析的结果在方向和程度上与2SLS分析的结果较为一致(见表3)。应用集中度与再入院率之间存在显著负相关关系(β=-0.18,p=0.013,95%置信区间为[-0.33,-0.04]),与医院运营成本也存在显著负相关关系(β=-0.10,p<0.001,95%置信区间为[-0.17,-0.03])。表3——应用集中度与供应商变动对各项指标影响的2SLS回归分析:因变量同前,模型1至模型4的回归系数及显著性水平与表2类似,仅系数数值略有差异。同样,由于页面限制,表格仅展示了假设中的解释变量的分析结果,完整结果可另行提供。其中,p值判定标准与前文一致。此外,我们还使用了2012年至2016年这一不同时间周期来估算供应商的新增和移除情况。经敏感性测试,使用该时间周期得到的结果与前述分析结果差异不大,详细结果见附录B(详见补充数字内容1,链接:https://links.lww.com/HCMR/A194)。讨论部分:我们利用2012年至2017年为期五年的纵向数据,研究了医院信息技术采购策略对医院评级、再入院率、IT成本以及整体运营成本的影响。我们从两个关键维度来界定医院信息技术采购策略:即供应商之间的应用集中度以及供应商更替频率。研究发现,移除供应商有助于降低医院运营成本和再入院率,因为这能提升供应商之间的应用集中度;而新增供应商则会增加医院的运营成本。通过不同时间周期的分析以及工具变量法进行的稳健性检验,我们得到了一致的研究结果。这些结果与现有理论相符,即频繁更换供应商并维持与多个供应商的合作关系会带来更高的治理成本和管理难度。通过整合供应商、提升应用集中度等措施,可以减轻医务人员的工作负担,避免重复劳动,同时也有助于应对医院信息技术系统在复杂性、维护难度、功能实现以及设计缺陷等方面存在的问题(Bronsoler等人,2020;Roskill,2014;Cong与Romero,2013)。复杂性和冗余问题的减少,正是整合策略能够提升临床诊疗效果和财务绩效的原因。在医疗行业,由于工作任务的时效性强、风险度高,医务人员往往抵制变革,这也使得整合策略更为重要。从以用户为中心的IT设计角度来看,整合供应商也能带来诸多益处,因为这种设计理念强调让技术更好地服务于临床医生和患者的需求。美国国家医学研究院指出,以患者为中心的医疗信息系统能够减轻行政负担,提升系统易用性,进而提高医疗质量(Horvath等人,2018)。如果电子健康记录系统的易用性较差,或者医院信息技术系统过于分散,导致临床医生需要操作不同的界面和流程,不仅效率低下,还会增加文档撰写的工作量,进而导致医务人员过度疲劳,影响医疗质量(Holmgren等人,2024;Holmgren等人,2021)。通过整合供应商,医院可以实现更好的医院信息技术系统互操作性,简化工作流程,减轻行政负担,提升系统易用性,确保整个机构内的系统都能得到及时更新。这样一来,既能降低整体成本,又能提升患者的治疗效果和医务人员的满意度。我们的研究通过应用集中度与供应商更替频率这两个维度来界定医院信息技术采购策略,为相关领域的研究做出了贡献。目前已有研究探讨了医院信息技术系统应用对医院绩效的影响(如Qi与Han,2020),但针对医院信息技术采购策略的研究相对较少(如Angst等人,2017;Bhattacharya等人,2018;Handley等人,2022)。以往的研究通常将采购策略视为一个分类变量来研究(Ford等人,2013)。而我们则通过构建基于连续变量的二维框架,为采购策略的发展提供了管理层面的参考,填补了现有研究中关于医院信息技术采购策略如何影响医院绩效这一领域的空白。局限性及未来研究方向:尽管本研究取得了一定成果,但仍存在一些局限性,未来研究可以进一步探讨。首先,我们的分析并未考虑供应商的特定特征,比如市场主导地位、技术水平、服务质量以及创新能力等。未来的研究可以探讨,当医院与市场主导型供应商合作,或是与规模较小或专注特定领域的供应商合作时,整合策略所带来的绩效差异。其次,虽然我们控制了多种医院特征,但并未明确考虑组织背景因素的调节作用,比如医院规模、所属医疗系统以及治理结构等。例如,未来的研究可以探讨控制感在这一过程中的作用。随着越来越多的医院成为大型医疗系统的一部分,一个重要问题随之出现:是否应该由医院层面还是医疗系统层面来决定采用医院信息技术系统?决策层级的不同可能会影响医院信息技术采购策略的选择。第三,由于数据获取的限制,本研究仅使用了2012年至2017年的数据。此后,监管政策和技术的变化可能会影响医院信息技术采购策略对医院绩效的作用。比如,当前人工智能、云计算技术以及其他相关技术的发展趋势,可能会要求医院实现更深入的数据整合,或者加速医院信息技术系统的创新以及供应商的更替速度。虽然我们主要关注那些长期稳定的结构性关系,但技术、政策以及市场环境的变化仍可能影响医院构建和维护医院信息技术系统的方式。未来的研究应使用更近期的大数据,以判断此处观察到的规律是否依然存在,或者已经发生变化。此外,由于本研究排除了那些关键变量数据缺失的医院,其研究结果可能无法完全适用于所有美国医院。未来的研究可以使用更具全国代表性的样本来重复这项分析。如果能够将研究范围扩展到国际数据或更新的数据集,就能更全面地了解医院信息技术采购策略的发展趋势。另外,还有必要进一步研究供应商整合可能带来的风险。虽然减少供应商数量能够降低被攻击的风险,从而减少数据泄露的可能性,但过度集中也可能因为资源分配不均而增加安全风险。尽管我们采用了工具变量法和多种控制措施来避免内生性问题,但仍然可能存在一些未被观察到的因素,影响医院的采购决策和绩效表现。未来可以通过自然实验、政策冲击或准实验设计等方法,进一步强化因果关系的推断。最后,虽然我们的研究为医院信息技术采购策略提供了有价值的见解,但仍有必要进一步研究供应商整合对医疗创新带来的长期影响。未来的研究还可以探索其他领域的类似现象,以验证这些研究结论的普遍性。实践意义 我们的研究结果为负责医疗信息技术投资与管理的医院高管、首席信息官以及卫生系统领导者提供了若干可行的建议。首先,医院应采取主动且周全的方式管理供应商的更替问题。研究显示,减少供应商更替有助于提升系统稳定性、降低中断风险,并节省运营成本。换言之,频繁更换供应商会导致更高的运营成本和操作中断,因为这会增加交易、协调和整合方面的开支。先前的研究指出,在医疗信息技术环境中更换供应商需要巨额资金投入、工作流程中断、重新培训的压力,以及在过渡期间面临更高的风险(Angst等人,2017年;Huang等人,2020年;North等人,2020年)。因此,医院应与医疗信息技术供应商建立长期合作关系,谨慎选择与自身目标相匹配的合作伙伴,并在更换供应商之前进行全面的成本效益分析。其次,将各类应用集中到少数供应商手中有助于提升系统集成度并简化工作流程。较高的应用集中度能带来更好的性能指标,比如降低患者再入院率以及减少信息技术相关开支。已有研究表明,分散式的医疗信息技术环境会增加文档处理负担、使用难度,还会导致医护人员疲惫不堪,进而影响护理质量和效率(Holmgren等人,2021年;Sutton等人,2020年)。所以,医疗机构应评估多源采购策略是否会造成效率低下,从而抵消其带来的灵活性提升等潜在好处。管理者应推动整个机构的医疗信息技术标准化,确保各系统具备无缝互操作性且易于使用。此外,有效的变革管理对于成功引入医疗信息技术至关重要,因为抗拒变化仍是医疗机构面临的重大挑战。尤其是当新系统打破原有的临床工作流程时,抗拒变化的问题会更加突出(Appleton,2018年;Bronsoler等人,2020年)。在选择供应商和系统整合的过程中尽早让临床医生和管理人员参与其中,有助于提高他们对新系统的接受度,减少抗拒情绪。清晰地阐述合并供应商的理由及其预期好处,如减轻工作负担、提升使用体验、增强患者安全,也能进一步促进系统的顺利实施。另外,医院可通过减少供应商更替和提升供应商集中度来降低成本。我们的研究结果表明,稳定的供应商关系能让医院更高效地分配资源,使其能够专注于长期的数字化转型计划,而非频繁调整供应商关系。此外,医院在与医疗信息技术供应商谈判时还应考虑规模经济效应。通过将多项服务集中到少数供应商手中,医院或许能获得更有利的定价条件,从而降低单位成本,并获得更好的客户支持和服务水平保障(Angst等人,2017年;Handley等人,2022年)。不过,这也需权衡供应商锁定所带来的风险,即对单一供应商的依赖可能会逐渐削弱医院的议价能力(Costantino & Pellegrino,2010年)。结论 总而言之,我们的研究强调了在医疗信息技术供应商管理方面采取战略举措的重要性,这有助于医院实现成本优化、提升服务质量并保持运营稳定。医疗行业领导者应尽量减少供应商更替、整合各类应用,并建立长期合作伙伴关系,以此提升整体绩效。为此,医院需仔细评估供应商变更情况,优化应用使用方式以提升系统集成度,同时实施有效的变革管理策略,以顺利应对必要的变革。未来的研究应探讨医疗信息技术采购策略对创新、患者治疗效果以及机构财务可持续性的长期影响。进一步研究供应商的特征,并将研究范围拓展到国际层面,将有助于获得更深入的见解。通过运用我们所确定的医疗信息技术采购的两个维度,采用数据驱动的方法,医院能够强化自身的数字基础设施,提升护理质量,更有效地应对不断变化的医疗行业环境。致谢 本研究得到了汉城外国语大学研究基金的支持。