开发并验证一种用于从行政数据中识别孕产妇护理情况的算法：该算法对不良出生结果的预测有效性

《Health Services Research》：Development and Validation of an Algorithm to Identify Prenatal Care in Administrative Data: Predictive Validity for Adverse Birth Outcomes

通过六步分层算法验证产前护理连续性，发现主要护理提供者状态与早产（风险比0.68）、低出生体重（风险比0.68）显著相关，支持护理连续性改善围产期健康。

　　本研究聚焦于通过医疗索赔数据开发并验证一种分层算法，用于识别孕前护理（PNC）的使用情况，同时确保护理的连续性。这一研究的背景源于孕前护理在现代医疗体系中的重要性，尤其是在面对复杂医疗需求、逐步增加的健康问题以及多专科协作需求时，护理连续性显得尤为重要。孕前护理不仅关乎母婴健康，也对出生结果产生深远影响。然而，传统的孕前护理识别方法在实际应用中存在局限性，尤其是在使用医疗编码系统进行数据处理时，容易出现误判或遗漏。因此，研究团队提出了一种新的算法，旨在通过分层方法准确识别孕前护理的使用情况，并进一步评估护理连续性与不良出生结果之间的关系。

研究采用了回顾性队列研究设计，利用南卡罗来纳州Medicaid数据，覆盖了2016年至2021年之间的所有活产妊娠。通过对医疗索赔数据的详细分析，研究团队构建了一个六步分层算法，用于识别孕前护理的接触情况。该算法综合考虑了专科资质、诊断与程序代码，以及住院和补充护理的调整因素。这一方法的核心在于通过分层逻辑区分不同类型的护理接触，确保算法在识别孕前护理时的准确性和可靠性。例如，MCD（产科手术和分娩）代码被排除，以避免将多个服务接触合并为一个代码，从而掩盖实际提供服务的医生数量。此外，研究团队还根据美国妇产科医师学会（ACOG）的指南，设定了住院期间的13天阈值，以区分连续性护理与中断性护理。

通过这一算法，研究团队最终确认了1,072,615次孕前护理接触，覆盖了90,581例（97%）妊娠。其中，87,573例（98%）妊娠至少有两次孕前护理接触，并且成功识别了其主要孕前护理提供者。研究进一步分析了主要孕前护理提供者（PPP）与不良出生结果之间的关系，包括早产、低出生体重和不必要的剖宫产。结果显示，具有主要孕前护理提供者的妊娠，早产风险降低了32%（调整后风险比为0.68，95%置信区间为0.59–0.77），低出生体重风险也降低了32%（调整后风险比为0.68，95%置信区间为0.57–0.80）。这些发现表明，护理连续性与母婴健康之间存在显著的正向关联，支持了通过提升护理连续性来改善孕产健康状况的策略。

为了验证该算法的预测有效性，研究团队采用了一种基于广义估计方程（GEE）的二元逻辑模型，并结合10折交叉验证来评估模型的拟合度和预测准确性。结果显示，当使用分类变量（即主要孕前护理提供者的不同子组）时，模型的拟合度和预测性能均优于仅使用二元变量（是否有主要孕前护理提供者）的模型。特别是在早产和低出生体重的预测方面，分类模型表现出更高的统计显著性，说明主要孕前护理提供者的类型对不良出生结果的影响具有重要意义。这一发现不仅为理解孕前护理连续性如何影响母婴健康提供了新的视角，也为未来的研究方向奠定了基础。

值得注意的是，研究团队还发现，主要孕前护理提供者与非主要提供者之间在某些不良结果上存在显著差异。例如，主要孕前护理提供者的妊娠在早产和低出生体重方面表现出更优的健康结果。这表明，孕前护理的连续性不仅影响护理的频率，还可能影响护理的质量。在医疗资源有限的地区，如农村或偏远地区，护理连续性尤为重要，因为这些地区的孕前护理服务可能较为分散，难以实现持续的医疗支持。因此，识别主要孕前护理提供者对于优化医疗资源配置、提高孕前护理的可及性具有重要意义。

此外，研究还探讨了主要孕前护理提供者的分类标准。根据算法设计，孕前护理提供者被分为四个主要类别：独家提供者（提供所有孕前护理服务）、主要提供者（提供超过50%的孕前护理服务）、多提供者（提供最多服务，但不超过50%）、以及多-多提供者（提供最多服务，同时提供首次或末次孕前护理服务）。这种分类方法不仅有助于识别护理的主导者，还能够揭示不同护理模式对母婴健康的影响。例如，研究发现，多-多提供者虽然提供了最多的孕前护理服务，但其对早产和低出生体重的保护作用相对较小，这可能与护理的集中性或时间安排有关。

在模型比较中，研究团队采用了两种不同的分析方法：一种是二元变量模型，另一种是分类变量模型。结果表明，分类变量模型在预测早产和低出生体重方面表现更优，而二元变量模型在预测不必要的剖宫产方面效果相对较弱。这一差异可能源于不良出生结果的复杂性，某些结果可能与护理的连续性关系不大，而其他结果则更依赖于特定的护理模式。因此，研究团队建议未来的研究可以结合更多变量，包括医疗环境、社会经济因素以及患者个体特征，以更全面地评估护理连续性对母婴健康的影响。

本研究的局限性也值得关注。首先，研究主要基于南卡罗来纳州Medicaid数据，因此其结果可能不适用于其他地区或国家的医疗体系。其次，研究仅关注了不良出生结果的“广泛边缘”（extensive margins），即结果是否发生，而未深入探讨其严重程度。这可能导致对护理连续性影响的低估，因为某些不良结果可能与护理的连续性无关，而是与个体健康状况或其他外部因素相关。此外，研究未考虑护理连续性与护理质量之间的潜在因果关系，即是否是护理连续性导致了更好的母婴健康结果，还是具有更好健康结果的患者更容易获得连续的护理服务。这些问题需要在未来的研究中进一步探讨。

研究还强调了主要孕前护理提供者在医疗体系中的重要性。对于政策制定者和医疗系统管理者而言，识别主要孕前护理提供者不仅有助于优化资源配置，还能为制定针对性的干预措施提供依据。例如，研究发现，6%的妊娠没有主要孕前护理提供者，这些妊娠的孕前护理使用率极低，可能表明这些患者在医疗系统中面临较大的障碍。针对这类人群，可以考虑引入孕前护理导航员（PNC navigators）等干预措施，以提高其获得持续护理的机会。此外，主要孕前护理提供者与非主要提供者之间的协作关系也值得关注，特别是在资源有限的地区，非主要提供者可能在扩大服务覆盖范围和改善医疗可及性方面发挥关键作用。

从实际应用角度来看，该算法的开发为医疗系统提供了一种新的工具，用于评估孕前护理的使用情况和连续性。然而，该算法的应用范围受到一定限制，因为它依赖于对个体孕前护理接触的报销政策。对于采用打包或捆绑支付结构的医疗体系，该算法可能无法准确识别主要孕前护理提供者，因为这些支付方式将多个服务合并为一个代码，从而掩盖了实际提供服务的医生数量。因此，未来的研究需要根据不同的医疗支付结构调整算法，以确保其在不同系统中的适用性。

综上所述，本研究通过分层算法成功识别了孕前护理的使用情况，并验证了主要孕前护理提供者与不良出生结果之间的显著关联。这一发现为医疗系统提供了重要的启示，即通过提升护理连续性，可以有效改善母婴健康状况。未来的研究可以进一步探索护理连续性对特定不良结果的因果关系，同时考虑社会经济因素和医疗环境的影响。此外，研究还建议在资源有限的地区加强主要孕前护理提供者与非主要提供者之间的协作，以确保所有妊娠都能获得高质量的孕前护理服务。这些成果不仅为政策制定者提供了新的工具，也为医疗系统优化孕前护理模式提供了科学依据。