探究ICD-10 Z59.0编码在识别无家可归者中的应用：基于新泽西州医疗补助数据的混合方法研究

为解决ICD-10中Z59.0编码（无家可归）使用不足和准确性不明的问题，研究人员开展了关于Z59.0编码模式与医生解释的混合方法研究。通过分析新泽西州医疗补助与无家可归者信息系统（HMIS）的关联数据，并结合医生访谈，发现Z编码能识别未使用正式服务的无家可归者，有助于支持医疗系统应对住房相关的健康社会需求（HRSN）。

　　

在全球范围内，无家可归是一个严峻的公共卫生挑战。据统计，仅2023年1月的一个夜晚，美国就有超过60万人无家可归。与有稳定住所的人相比，无家可归者（People Experiencing Homelessness, PEH）面临着显著的健康差异，他们的平均寿命甚至比同龄人短30年，并且更易患传染病、精神疾病、物质使用障碍和创伤等严重健康问题。然而，准确识别和统计这一群体一直是个难题，传统方法如“时点统计”或普查数据都存在局限性。

在医疗领域，国际疾病分类第十版（ICD-10）引入了Z编码，用于记录“影响健康状态和与健康服务接触的因素”，其中Z59.0专门指代无家可归。理论上，这为在电子医疗记录中系统记录无家可归状况提供了便利，因为ICD编码已整合到医疗账单系统中。但现实是，Z编码并未被广泛使用，其准确性也备受质疑。医生们是否了解并使用这些编码？这些编码能否真实反映无家可归的流行情况？这些问题都悬而未决。

为了解答这些疑问，由Michael Enich、Emmy Tiderington和Joel C. Cantor组成的研究团队开展了一项混合方法研究，成果发表在《Health Services and Outcomes Research Methodology》上。研究旨在探究两个核心问题：一是Z59.0编码在新泽西州医疗补助（Medicaid）理赔中的使用率如何；二是医生们如何解释这些编码的使用模式和普及程度。

研究人员采用解释性序列混合方法，先定量分析关联数据，再通过定性访谈深入探索。定量分析使用了2016年新泽西州医疗补助管理系统（MMIS）与2014-2016年19个县的无家可归管理信息系统（HMIS）的关联数据，涵盖724,463条理赔记录。定性部分则对18名来自高编码医院的医生进行了半结构化访谈，采用主题分析法梳理其观点。

研究结果显示，在庞大的理赔数据中，仅有1.1%的住院和急诊理赔包含了Z编码。使用Z59.0编码的理赔更常见于男性、43-59岁年龄段、非西班牙裔/白人、通过ACA扩展加入医疗补助、健康负担较重、住院环境以及慢性无家可归者。这一发现与医生们的预期基本一致。然而，医生们对非西班牙裔/白人患者编码频率较高感到惊讶，且无法明确解释为何某些医院的Z编码使用率更高。他们推测，那些有Z编码但无HMIS服务记录的人可能确实处于无家可归状态，但未使用正式服务系统。

定量分析揭示，Z编码的使用与特定人口学和临床特征密切相关。例如，男性患者的Z编码率为每千次理赔20.3，远高于女性的5.1；43-59岁年龄组的编码率为16.2，显著高于其他年龄段；非西班牙裔/白人的编码率为13.4，高于其他种族/族裔群体。在临床方面，患有物质使用障碍（SUD）或严重精神疾病（SMI）的患者Z编码率分别高达21.1和22.9，凸显了行为健康问题与无家可归的紧密关联。此外，住院理赔的Z编码率（36.2）远高于急诊理赔（6.04），表明护理环境对编码行为有重要影响。

定性访谈进一步深化了这些发现。医生们普遍认为Z编码使用不足，且编码过程存在多重障碍，如缺乏评估动力、文档记录不全或账单提交疏漏。他们无法解释医院间编码率的差异，但提到了患者群体、报销结构、个体医生重视程度等因素的可能影响。对于人口学特征，医生们对性别和年龄的编码模式表示认同，但对种族/族裔差异感到困惑，特别是非西班牙裔/白人编码率较高，这与当地无家可归人口以黑人为主的现实不符。他们推测这可能与筛查偏差或询问方式有关。

在无家可归类型学方面，医生们认为Z编码能够识别未使用服务但确实无家可归的人群，而入住永久支持性住房（PSH）者不应被视为无家可归。慢性无家可归因其易于识别且常伴随复杂健康问题，成为最常被编码的类别。

研究结论强调，Z59.0编码尽管使用率低，但能有效识别那些未接触正式服务系统的无家可归者，从而为医疗系统提供更全面的群体画像。这对于医院开展健康社会需求筛查、制定针对性干预措施以及优化资源配置具有重要意义。然而，编码中的种族差异和医院间的不一致性也提示需改进筛查流程，减少潜在偏见，确保卫生服务的公平性。未来，Z编码有望与社区数据结合，构建更精准的无家可归监测体系，推动健康公平的实现。

总之，这项研究不仅揭示了Z59.0编码在实际应用中的现状和挑战，还为医疗系统如何利用现有工具应对无家可归这一复杂社会问题提供了宝贵见解。通过弥合数据与实践之间的鸿沟，研究者为提升人口健康水平贡献了关键证据。