□ 张俏篪 ZHANG Qiao-chi 于红霞 YU Hong-xia 刘梅 LIU Mei 雷祎 LEI Yi 朴玉粉 PIAO Yu-fen

新冠肺炎疫情对三甲综合医院的门诊管理工作提出了新要求，根据国家卫生健康委2020年2月17日《关于加强疫情期间医疗服务管理 满足群众基本就医需求的通知》，医院采取非急诊预约挂号，各科室门诊均实行三级预检分诊和执行“一人一诊一室”等相关措施，引导患者分时段就诊，减少交叉感染，在科学防疫基础上满足群众的基本就医需求。为统筹疫情防控救治工作和门诊就诊服务需求，医院结合北京市卫生健康委疫情防控要求，于2020年4月起面向患者提供一周7天门诊服务，进一步分流门诊就诊患者，减少候诊人群聚集引发疫情感染的风险。本研究通过对该三甲医院在新冠肺炎疫情期间的门诊量逐周变化情况和时间分布特征进行分析，以了解开放周末全天门诊服务前后门诊量的变化，以制定更加科学合理的门诊服务计划，为疫情防控常态化的门诊管理工作提供依据。

资料与方法

1.研究资料。本研究数据资料来源于2020年2—8月期间北京市某三甲医院信息系统数据库中的门诊数据。在2020年新冠肺炎疫情防控期间，由于疫情对医院门诊工作提出防疫要求，同时病人的就诊需求发生明显变化，为及时动态调整门诊出诊安排，该医院门诊部从2020年1月26日起每日收集并上报门诊就诊相关数据资料。由于1月缺少较多逐日的门诊数据，因此未纳入本研究分析。

2.研究方法

2.1 Cox-Stuart趋势检验。Cox-Stuart趋势存在性检验可用于检验一个时间序列是否存在上升或下降的趋势，其检验原理为对符号的二项检验，显著性水平α=0.05[1]。其检验思想为将某一时间序列分为前后两个时期的数据，若该序列存在上升趋势，则后期数据的值应高于前期数据值；反之，若序列存在下降趋势，则后期数据值应小于前期的数据值，利用前后期数据差值的正负符号分布是否为随机，判断时间序列是否存在一定的变化趋势。本研究中，对数列的拆分点采用数列的正中位置，即若序列中有n个数据值，则当n为偶数时，将数列拆分为前后2个包含(n/2)个数值的部分；当n为奇数时，去掉数列的中间值，将数列拆分成2个包含[(n-1)/2]个数值的部分。本研究采用分析软件R4.0.2进行Cox-Stuart趋势检验。

2.2 门诊量时间序列参数。本研究采用周分布指数来表征门诊量的时间序列特性，平均周分布指数为各周次分布指数的平均值[2]。周分布指数的计算方法如下：

其中，为某日的周分布指数，为该日的日门诊量，为该日所在周的平均日门诊量。

将某个月中各周一的周分布指数求平均值得到该月的周一平均分布指数，同理可得该月周二至周日的平均分布指数。由此，本研究计算了2020年2—8月每个月的周平均分布指数时间序列，并对各月的时间序列进行聚类分析。对门诊全面开放期间，即4—8月的一周7天周平均分布指数进行聚类分析，以了解一周7天每日的周分布指数是否存在差异。

2.3 聚类分析。本研究采用欧氏距离以度量不同时间序列的相似性。其距离越大，则相似性越小，被分到一个类别的概率就越小；反之，距离越小，则相似性越大，被分为一类的概率就越大。本研究中纳入聚类分析的时间序列有两种，其中一种是各月的周平均分布指数时间序列X={x1,x2,x3…x7}，另一类是周一至周日的2—8月周平均分布指数的时间序列X={x2,x3,x4…x8}。欧氏距离公式为：

其中，度量的两个序列为目标序列X={x1,x2,x3…xn}和需要进行相似性测量的序列Y={y1,y2,y3…yn}，n为序列长度。两两时间序列间可形成n个对象的欧氏距离矩阵如下：

其中d(i,j)为对象i与对象j之间的欧氏距离。

采用层次凝聚聚类方法进行分析。这一方法首先将每个对象形成单独的簇，该单个簇成为层次结构的根基，依据计算出的距离矩阵找出最接近的簇，将它们合并进一个簇，通过不断迭代合并形成更大的簇，直到所有的对象都在一个簇中，或者满足某个终止条件[3]。本研究采用分析软件SPSS20.0进行聚类分析，分析结果以树状图展示。

结果

1.门诊量的逐周变化情况

对2020年2—8月的逐周门诊量进行Cox-Stuart趋势检验(n=15，p＜0.05具有统计学意义)发现，这一期间的周门诊量存在增长趋势(p=3.05×10-5)。如表1所示，从2月第一周至8月最后一周，门诊量累积增加44668人次，增长率达到306.62%。5月第二周的环比增长速度最快，达到28.61%；6月第一周和4月第二周的环比增长速度次之，分别为26.76%和24.82%。

2.门诊量的时间分布特性

2.1 门诊量的周分布特性。图1展示2020年2—8月各月的周平均分布指数序列。图2展示对各月周分布指数进行相似性计算得到的聚类分析结果。由图1可见，各月周分布指数变化趋势虽存在一定差异，但均显示周末的周分布指数较低。同时，4—8月周六和周日的周分布指数高于2月和3月。如图2所示，以距离20-25进行分类则可将2—8月的周分布指数时间序列分为两类，4—8月为一类，2月和3月为另一类。由此可知，门诊全开放后门诊量的周分布特征与全开放前存在差异。

2.2 月平均分析。图3展示2020年4—8月医院门诊7天全面开放期间门诊量的平均周分布指数，图4展示这一期间门诊量周分布指数的聚类分析结果。由图3可见，周二的周平均分布指数最高，达到1.16；周一、周三和周四大致相当；周五至周日的周分布指数小于1，分别为0.93，0.78和0.78。从图4可知，根据距离15可将4—8月平均周分布指数时间序列分为三类，周一至周四为一类，周五为一类，周六和周日为一类。由此可知，周末两天的门诊量占比与一周内其他天数门诊量占比存在一定差异。

表1 2020年2—8月门诊量及变化情况

3.周末门诊量逐周变化情况。图3展示2020年4—8月每个周末的门诊接诊人次和每出诊单元人次变化情况。从图5可见，门诊7天全开放期间周末的接诊人次总体呈上升趋势，通过Cox-Stuart趋势检验发现这一趋势有统计学意义(p=5.86×10-3)，对每出诊单元就诊人次序列进行检验也发现其呈现增加趋势，且具有统计学意义(p=0.02)。

讨论

图1 周门诊量月分布指数图

图2 月门诊量分布指数聚类树状图

图3 周门诊量分布指数图

本研究通过对北京市某三甲综合医院在2020年2—8月的门诊量进行统计分析发现，总体上该医院的门诊量在2—8月期间存在上升趋势；4—8月的周平均分布指数与2—3月的周平均分布指数存在一定差异，其中，2—3月周末两天的周分布指数低于其他月份。在4—8月门诊7天全开放期间，周一至周五的门诊量较高，而周六和周日的门诊量相对较低，二者存在一定差异。进一步分析周末门诊量变化发现，4—8月周末接诊人次和每单元平均接诊人次均存在上升趋势。

图4 周门诊量分布指数聚类树状图

在新冠肺炎疫情暴发初期，群众线下就诊意愿较低，部分病人转为线上咨询或问诊，且在这一期间根据防控要求，慢性病病人开药期限延长，外地病人进京就医受限，在多因素综合作用下这段时期门诊量相对较低[4]。随着防控工作的进展，门诊接诊量自3月以来迅速回升。大量疫情期间积攒下的未线下就诊病人，以及由于疫情原因未能按时完成临床检查病人的就医需求加大了医院的门诊负担。如何在科学防控基础上满足日益增长的就医需求，成为各大医院门诊管理工作的一大挑战。

本研究中该医院8月最后一周门诊量约为2月首周门诊量的4倍，而基于疫情防控的要求，门诊要求“一人一诊室”，诊室数量紧张，单日排班医生有限。随着门诊量的不断上涨，诊室外候诊人数随之增加。为减少人群聚集，预防交叉感染，该院在非急诊全面预约挂号的基础上，于2020年4月开放周末全天门诊以分流就医人群。本研究对2—8月的周平均分布指数进行聚类分析发现，4—8月被归为一类，与2—3月的周分布指数有所区别。进一步从逐月周平均分布指数图来看，2—3月的周末分布指数值相对其余月份更低。由此可见，开放周末全天门诊后，该医院周末门诊接诊人数显著升高，在一周总接诊量中所占比例升高，一定程度上分流了以往在周中就诊的人群。

图5 周末门诊接诊人次和每单元人次变化情况

本研究对4月后开放周末全天门诊后，一周7天的周分布指数进行聚类发现周六和周日两天被分为一类，其周分布指数显著低于周中5天。由于一周中每单元接诊人次较为固定，周末接诊量小的原因可能是周末安排的出诊单元相对更少。后续对周末接诊人次的时间序列分析发现，开放周末全天门诊后周末的接诊人次呈现上升趋势，提示就诊人群确实存在周末就诊的需求，如上班族和学生等希望能在周末看病的群体，和未“抢到”周中号源的患者。然而总体上，愿意周末出诊的医生相对较少。调整周末出诊情况要求医院管理人员更好地运筹、布局，科学调配全院各种医疗资源。医院管理者应探索并完善周末门诊的营利模式，以提高科室增加出诊次数的积极性[5]。同时应注意统筹安排各科门诊医生、专家以及药房、护理部、医技科的医务人员，轮班休息、轮班上岗。让医务人员仍能得到应有的休息，尽量减少医务工作者“连班转”的情况发生。为鼓励医生在周末休息日排班出诊，提高医疗服务质量，让患者在周末也能享受到和平常一样的医疗服务，应考虑对医务人员采取适当的鼓励机制，如将周末出诊比例纳入绩效考核和增加适当经济补贴等。

本研究的结果一定程度上说明目前确实存在患者的周末就诊需求，开放周末门诊分流了就诊人群。然而，本研究还存在一定的局限性。本研究的门诊量中未统计医院官方APP上的线上咨询和就诊人次，本研究中的医院为北京市某大型三甲医院，于2018年开通了医疗服务应用软件，患者可在周中或周末，随时在线上进行咨询。该院在某些特色专科领域处于该地区领先水平，一些专家开通了线上咨询服务，在患者群体中十分受欢迎，咨询次数较多。2020年5月应疫情防控要求，在原先的线上服务基础上增加了线上复诊开药的服务，部分“老病人”选择在线上就医。因此，这部分就诊人次未能纳入分析，可能对本研究的结果产生一定影响。其次，本研究未统计候诊大厅中具体候诊人数，只通过周分布指数从侧面反映对病人的分流情况。在后续的研究中，可对线上医疗数据和候诊人数进一步分析，同时比较周中和周末的号源类型和科室的分布情况，以得到更准确全面的结果，为更好地满足患者需求和制定更加科学合理的门诊工作计划提供参考依据。