在患者住院期间识别其偏好：通过自然语言技术对患者体验评论进行情感分析和主题分析

《Patient Preference and Adherence》：Identifying Patients’ Preference During Their Hospital Experience. A Sentiment and Topic Analysis of Patient-Experience Comments via Natural Language Techniques

患者自由文本评论中负反馈与满意度、忠诚度的关联性研究。采用混合方法分析某三甲医院2.8万条患者评价数据，发现涉及"人文关怀"（28.3%）、"信息沟通"（14.3%）、"医护人员责任感"（11.0%）等6个主题的负面评论显著降低患者满意度（OR=0.400-0.635）和推荐意愿（OR=0.424-0.598）。研究创新性整合决策树、支持向量机与随机森林的机器学习模型，结合BERT深度学习架构，实现98.0%的主题分类准确率和91.0%的情感分析精度。首次揭示中文医疗场景下多维度的服务痛点与质量改进关键点。

　　在当今医疗体系日益重视患者体验的背景下，患者反馈成为衡量医院服务质量的重要依据。传统的定量调查方法虽然广泛应用于医院满意度评估，但其局限性也逐渐显现。这种调查方式通常以封闭式问题为主，便于统计分析，但难以全面反映患者的真实感受和具体需求。相较之下，开放式问题为患者提供了更自由的表达空间，使他们能够详细描述自己的医疗经历，从而为医院改进服务提供更具针对性的依据。然而，开放式问题的反馈往往数量庞大，内容复杂，传统的手工分析方法难以应对。因此，如何高效地处理和分析这些非结构化数据，成为医疗行业亟需解决的问题。

为了弥补定量调查的不足，近年来，自然语言处理（NLP）技术被越来越多地应用于患者反馈的分析。NLP能够自动提取文本中的关键信息，识别主题和情感倾向，为医院管理者提供深入洞察。通过结合机器学习和深度学习方法，研究人员可以更准确地理解患者的真实需求，从而推动服务质量的提升。本研究正是在这一背景下展开，旨在探讨开放式问题中患者反馈的特征，分析其与患者满意度和忠诚度之间的关系，并验证NLP技术在医疗领域中的有效性。

研究采用了混合方法，结合文献综述、人工标注和NLP技术对大量患者反馈进行分析。研究对象来自中国的一家大型国家级医院，数据收集时间跨度为2022年6月至2023年6月。通过短信邀请，患者在出院后的一天内被引导完成一份关于其住院体验的问卷。其中，开放式问题允许患者自由表达对医疗服务的看法。最终，共有28054条患者反馈被纳入分析，占总受访人数的72.67%。这些反馈涵盖了多个方面，包括医护人员、医疗设备、病房环境、饮食、治疗效果等。其中，提及医护人员的反馈占比较高，反映出患者对医患关系的高度关注。

在处理这些非结构化数据时，研究人员首先进行了数据清洗，去除无效符号、非中文字符和多余空格，以提高后续分析的准确性。随后，采用机器学习和深度学习方法对数据进行分类和情感分析。机器学习模型包括决策树、支持向量机、逻辑回归、XGBoost、多项式朴素贝叶斯和随机森林。其中，决策树、支持向量机和随机森林在主题分类任务中表现出较高的准确率，分别为0.98、0.77和0.78。为了提升分类效果，研究团队采用了多模型投票策略，结合这三种模型的优势，提高了整体预测能力。此外，基于BERT（Bidirectional Encoder Representations from Transformers）的深度学习模型在情感分析任务中也表现出色，准确率达到0.91，其分类效果优于传统机器学习模型。

情感分析结果显示，大多数患者（69.0%）对医院的体验持积极态度，而负面反馈仅占18.0%。值得注意的是，负面反馈往往更加详细和具体，反映了患者对某些关键问题的关注。在情感分类中，快乐（Happy）是最常见的感受，占总反馈的48.2%。其次是惊讶（Surprised）、愤怒（Angry）、悲伤（Sad）和害怕（Afraid），分别占16.2%、15.4%、13.4%和6.8%。这些情感数据表明，尽管大多数患者对医院的总体体验感到满意，但仍有部分患者在某些具体方面存在不满，这些不满往往与医疗服务中的关键环节密切相关。

主题建模分析进一步揭示了患者反馈的主要内容。研究共识别出22个与患者体验相关的主题，其中涉及医护人员的“人文关怀”是最常见的主题，占所有反馈的28.28%。紧随其后的是“信息、沟通与教育”、“食物”、“技术能力”和“病房环境”等。值得注意的是，负面反馈中，“人文关怀”、“信息、沟通与教育”、“医护人员的责任感”、“技术能力”、“对请求的响应”和“护理连续性”等主题与患者满意度和忠诚度显著相关。这意味着，当患者在这些方面感到不满时，他们的整体体验会受到较大影响，进而影响他们是否愿意推荐医院给他人。

从数据分布来看，负面反馈通常涉及更复杂的情感因素，如愤怒、悲伤或害怕，而正面反馈则多为快乐或惊讶。此外，部分反馈包含混合情感，即既表达满意又提出批评。这些混合情感的反馈往往能提供更全面的信息，帮助医院识别服务中的问题。例如，一位患者可能对医生的专业能力表示满意，但对护士的服务态度感到不满。这类反馈为医院提供了改进多个服务环节的机会，而不仅仅是单一的优化方向。

研究还发现，患者在不同年龄段、性别和医疗背景下的反馈存在显著差异。例如，女性、老年人、单身患者或没有配偶的患者更倾向于提供负面反馈，而被诊断为癌症的患者则较少发表评论。这可能与患者群体的特征、心理状态以及对医疗服务的期望有关。此外，满意度和忠诚度评分也受到患者反馈内容的影响。具体而言，当患者在“人文关怀”、“信息、沟通与教育”、“医护人员的责任感”、“技术能力”、“对请求的响应”、“护理连续性”和“护理流程标准化”等方面提出负面意见时，其满意度和忠诚度评分显著降低。相比之下，关于“病房环境”、“设备”和“食物”的负面反馈并未对整体满意度产生显著影响，这表明这些方面虽然重要，但并非决定患者最终体验的核心因素。

在讨论部分，研究团队进一步分析了这些反馈背后的深层含义。他们指出，虽然患者在多个方面表达了对医疗服务的看法，但与患者满意度和忠诚度密切相关的主要主题集中在“人文关怀”等人际互动方面。这表明，医疗服务不仅仅是技术层面的，更涉及患者的情感体验和与医护人员的互动质量。因此，医院应更加关注如何提升医护人员的人文关怀能力，包括沟通技巧、同理心和对患者需求的响应速度。此外，研究还强调了“信息、沟通与教育”在患者体验中的重要性。许多患者在反馈中提到，对医院提供的信息缺乏或沟通不畅感到不满，这反映出在医疗过程中，信息透明度和沟通效率对患者满意度具有直接影响。

值得注意的是，研究中提到的“护理连续性”和“护理流程标准化”等主题，虽然在定量调查中可能未被充分关注，但在开放式反馈中却频繁出现。这表明，患者对医疗服务的某些细节，如护理过程的连贯性和标准化程度，有着较高的期望。医院管理者应重视这些方面，确保患者在整个治疗过程中获得一致和高质量的护理体验。此外，研究还发现，某些功能性问题，如“食物”和“病房环境”，虽然可能影响患者的短期体验，但并不一定会显著降低其对医院的整体满意度和忠诚度。这说明，医院在优化服务时，应优先关注那些直接影响患者情感体验的关键因素，而不是仅仅改善环境或后勤支持。

本研究的一个重要发现是，负面反馈往往比正面反馈更具价值。这不仅是因为负面反馈提供了更具体的问题信息，还因为它们更能反映出患者对服务的不满和改进需求。相比之下，正面反馈可能较为笼统，难以为医院提供明确的优化方向。因此，医院应更加重视负面反馈的分析，将其作为改进服务质量的重要依据。同时，研究团队也指出，NLP技术的应用为医疗行业带来了新的机遇。通过自动化分析，医院可以更高效地处理大量反馈数据，从中提取有价值的信息，从而制定更有针对性的改进策略。

然而，研究也存在一定的局限性。首先，由于数据来源于单一医院，其结论可能无法推广到其他医疗机构。其次，尽管NLP技术在处理非结构化数据方面表现出色，但情感标注仍然具有一定的主观性，未来研究可以探索更多元化的分析方法，以进一步验证研究结果的可靠性。此外，研究主要依赖于医院发起的问卷调查，而未考虑在线平台上的患者反馈。随着社交媒体和在线评价系统的普及，患者在这些平台上表达的反馈可能更加真实和多样化，未来的研究应关注这一领域，以更全面地了解患者的真实需求。

总体而言，本研究通过结合NLP技术和混合方法，成功提取了大量患者反馈中的关键信息，并揭示了这些反馈与患者满意度和忠诚度之间的关系。研究结果不仅为医院管理者提供了改进服务的依据，也为医疗行业在利用患者反馈进行质量提升方面提供了新的思路。随着技术的进步和数据处理能力的增强，未来有望开发更加精准和高效的分析工具，使医院能够更深入地理解患者需求，从而推动医疗服务的持续优化。