DOI:10.3969/j.issn.1673-6036.2025.08.012
中图分类号:R197.32
全文
文内图表
参考文献
出版信息
目录
文内图表
•医学信息技术•
基于事务日志CDC的医保运营管理系统构建研究
1 引言
随着信息技术的快速发展，数据作为新型生产要素正在改变社会生产方式。2022年1月发布的《“十四五”数字经济发展规划》将数据要素列为数字经济深化发展的核心引擎，越来越多的医院逐步意识到数据在医院管理中的作用[1-2]。在医保运营管理领域，2021年11月发布的《DRG/DIP支付方式改革三年行动计划》指出要加强信息系统建设，制定按疾病诊断相关分组付费(diagnosis-related group，DRG)/按病种分值付费(diagnosis-intervention packet，DIP)相关信息系统标准和规范。2022年2月国家医疗保障局发布的《关于进一步深化推进医保信息化标准化工作的通知》提出要全面深化医保信息平台应用。
医院信息系统数量多，各自采用不同的数据库和架构，缺少统一规划，形成“信息孤岛”，甚至缺少部分数据，无法支撑医院科研工作[3-5]。部分医院开始引进医保运营系统，但大部分系统只关注DRG等医保数据，医院无法分析医保支付亏损原因[4，6-9]。对此，本研究提出基于事务日志变更数据捕获(change data capture，CDC)的医院医保运营管理系统解决方案。与抽取、转换和加载(extract-transform-load，ETL)工具同步数据不同，该系统可以对业务系统的事务日志进行实时捕获，构建低延迟、高可靠的业务复制库，并建立医院医保运营管理数据集，借助人工智能、大数据等技术分析数据，为医院的医保运营管理提供决策支持[10-13]。
2 相关研究
随着大数据、人工智能等技术的发展，针对数据中心和医保运营管理的研究逐渐增多。数据中心建设方面，采用超融合技术实现网络、存储、计算等多维度融合[14]；建设“双活+异地容灾”数据中心保护数据安全[15]；基于数据中心构建集成平台[16]；构建标准化的医院数据中心，实现内部各业务系统数据整合[3]等。也有研究将数据中心应用到医院运营管理系统中，如通过整合业务系统和财务系统，构建数据中心[12]；创建统计数据管理中心，实现医院统计数据查询和展示[17]；通过信息化建设，对数据进行治理后构建耗材智能运营管理架构[18]；管理部门深入参与医院运营指标定制，构建监测指标集管理系统[19]。医保运营管理方面，设计DRG运营管理系统，为医院医疗服务绩效评价提供支撑[1]；通过建设 DRG运营管理体系，实现医疗费用管控[2]；探讨智慧运营系统建设的必要性和可行性，提出建设方案[6]；分析医保支付改革对医院运营管理产生的影响[7，20]等。虽然已有较多医保运营管理系统接入数据中心，但并未对数据进行规范化处理，数据更新存在延迟，无法满足实时监控和决策需求。采用以事务日志CDC为基础的医保运营管理系统可以解决上述问题。
各大数据库厂商引入的事务日志机制，为CDC技术奠定了基础。20世纪90年代，学术界开始研究数据同步和复制技术，提出基于日志解析的数据捕获方法。随着现代大数据平台和云服务的发展，数据流处理和云环境应用也开始使用CDC技术。目前CDC技术在集成平台、机器学习、人工智能等领域广泛应用。本研究将事务日志CDC技术应用于医保运营系统，可保证医保运营管理数据集的实时性，便于智能化监控医保数据并进行风险预警，同时降低对业务系统的负载。
3 基于事务日志CDC的医保运营管理系统
3.1 设计思想
首先，整合医院各业务系统源数据库，并实时捕捉事务日志信息。其次，解析捕获的事务日志，并将其转换为统一格式的消息队列，对消息队列中的数据进行清洗、转换，形成业务系统复制库。再次，在业务系统复制库基础上创建医保运营管理数据集。最后，实现医院医保运营情况可视化管理。事务日志CDC技术可应用于多个医保运营场景，如医保结算查询汇总，可使医院相关部门及时了解每笔结算数据的情况；还可将DRG系统返回的数据与院内业务数据进行关联，使医生能够了解疾病诊断的分组情况。
3.2 技术特征与优势
医保运营管理系统采用双日志机制实现数据变更捕获。重做日志记录物理层面的数据块变更信息，确保事务持久性。回滚日志存储逻辑层面的回滚操作信息，支持通过解析数据库的日志序列号顺序，实现对增加、更新、删除等逻辑操作的精准捕获。其核心技术特征表现为以下 4方面。一是增量同步，基于事务日志的实时监听技术，确保数据变更的毫秒级捕获。二是非侵入式采集，通过日志解析获取数据变更，避免对源系统产生性能损耗(实测对CPU的性能损耗小于0.3%)。三是全生命周期追溯，完整记录数据变更历史轨迹，提供可验证的审计基线。基于事务日志的CDC技术具有3方面优势。一是实时性与低延迟，可实时捕获医保业务数据库事务日志变更，并通过Kafka消息队列技术实现异步传输。二是数据完整性，捕获的数据变更能够详细地记录医保业务发生流程，保证数据变更的完整性。三是低侵入性，无须修改医保相关数据库的表结构或者在数据库中添加触发器，保障了业务生产库的稳定性。这与ETL有本质区别，ETL以轮询方式查询业务数据库，可能会造成查询负载。
3.3 建设目标
一是支持大数据分析。提高医保运营数据的及时性和准确性，减少多数据源造成的数据冗余和差异。二是助力医保决策。实现医保运营指标个性化定制，提高对医保数据的管控能力。三是确保数据准确性和安全性。自动处理数据，减少人工统计误差；对患者重要个人信息进行脱敏，确保数据的安全性和隐私性。四是协助临床运营管理。DRG政策的实施，要求医院快速了解医疗费用情况和病种入组情况。系统应便于查看医院的耗占比和药占比等，以及病例组合指数(case mix index，CMI)、时间消耗指数、费用消耗指数等DRG指标，及时了解相关指标变化。
3.4 系统功能设计
3.4.1 收入指标功能 将收入相关指标分为医疗总收入、医疗服务收入、药品收入、材料收入以及检查检验收入，并归类为门诊相关收入和住院相关收入。每个指标均可按照日期、科室、医生进行下钻，见图1。例如，医生可以通过该模块查看每一项开单收入情况。医保运营管理将业务系统中的收入数据进行标准化后抽取，根据管理者的需求，制作成个性化的指标集。
图1 基于事务日志CDC的医保运营管理系统收入指标功能
3.4.2 医保费用指标功能 提供门诊医保支付比例、住院医保支付比例等指标应用，可实现日期、科室、医生下钻。各临床科室可查看本科室及医生的医保收入占比，合理采取医疗措施、优化资源配置，见图2。该模块汇总收费系统中的医保收费记录，并与收入数据进行关联。
图2 基于事务日志CDC的医保运营管理系统医保费用指标功能
3.4.3 DRG指标功能 提供CMI、费用效率指数、时间效率指数、支用比、权重、拨付率等DRG运营指标，可以完成3级下钻。该模块汇总整理通过DRG系统及医保管理部门反馈的数据，形成完整指标集。各临床科室可以参考此指标集详细了解本科室DRG指标，见图3。
图3 基于事务日志CDC的医保运营管理系统DRG指标功能
3.4.4 指标开发流程 将数据汇总到医保运营管理数据集后，可根据需求设计指标口径及展示样式，通过可视化的自定义指标开发工具，编写结构化查询语言(structured query language，SQL)进行脚本统计、数据分析，并制作成所需的指标，具体流程，见图4。
图4 基于事务日志CDC的医保运营管理系统指标开发流程
3.5 系统架构
基于事务日志CDC的医保运营管理系统将医院信息系统(hospital information system，HIS)、检验信息系统(laboratory information system，LIS)、影像存储与传输系统(picture archiving and communication system，PACS)、电子病历(electronic medical record，EMR)等业务系统数据通过事务日志CDC同步后创建业务系统复制库，并进行计算、清洗、汇总，形成医保运营管理数据集，然后对数据再次进行分析、处理，形成可供决策者参考的收入相关指标、医保费用相关指标和DRG相关指标等，见图5。
图5 基于事务日志CDC的医保运营管理系统架构
该架构中的数据流向如下。一是通过事务日志CDC技术将各相关业务系统的数据同步到操作型数据存储(operational data store，ODS)中。二是根据医保运营管理需要，对数据中心的数据进行计算、清洗、汇总，形成医保运营管理数据集。三是对管理数据集中的数据进行清洗、加密、统计分析等。四是对处理后的数据进行分类汇总，形成医保运营管理系统的可视化指标。
事务日志CDC通过读取数据库的事务日志获取数据库变更信息。事务日志是数据库用于记录数据库操作的持久日志，详细记录每次操作。采用Hadoop技术，能以较低成本建立高性能、高可靠性和高性价比的大数据分布式应用平台，实现分布式存储、分布式控制、分布式并行计算和高性能搜索。
3.6 技术架构
基于事务日志CDC的医保运营系统技术架构主要包括6层，见图6。一是数据源层，主要负责存储核心业务数据。此层数据库须开启日志功能，记录增删改等操作，生成可被CDC捕获的变更信号。二是数据采集层，主要负责从数据源层捕获变更数据，并转换成标准格式。采用非侵入式方式读取数据库事务日志，并依次解析。如采用Oracle GoldenGate非侵入式数据同步工具，实时读取事务日志。设计isdeleted及lastupdatedttm字段，反馈数据表、字段、旧值和新值等关键操作信息。应注意的是，针对不同数据库及版本，要采用不同的日志解析方式，以避免解析失败。此外，应用CDC技术解析病历文本存在一定局限性，如仅能记录病历文本的整体变更，无法理解变更的医学含义。三是数据传输层，主要负责异步传输CDC数据，将过滤和转换后的数据从数据采集层传输到数据处理层。采用Kafka消息队列作为数据传输通道，能够缓存数据，并支持高并发的数据传输，在传输过程中保证数据可靠性。四是数据处理层，主要负责清洗、转换、关联数据。采用Spark Streaming批流一体技术，可实现以高吞吐、容错的方式处理实时数据流。此外，医保数据包含大量敏感信息，如参保人员个人身份信息、医疗记录等。采用 SSL/TLS 协议对数据传输通道进行加密，防止数据在传输过程中被窃取或篡改；同时对数据进行脱敏处理，在不影响业务逻辑的情况下，对敏感数据进行模糊化或替换处理，降低数据泄漏风险。五是数据存储层，主要用于存储医保数据。将数据存储于PostgreSQL数据库，并创建医保运营管理数据集。同时，对每个数据表创建数据索引，提高数据查询效率。对于历史数据存储，采用Hadoop大数据技术，确保具有海量数据存储能力。六是数据应用层，根据医院管理要求，自定义开发指标，及时更新医保运营管理系统各业务模块数据。
图6 基于事务日志CDC的运营管理系统技术架构
3.7 数据治理流程
首先明确主数据管理范围。在医保运营管理系统中，主数据通常包括患者个人信息、科室、费用项目字典等数据，具有跨系统、跨部门特点。其次统一数据标准，包括数据格式、命名规则、编码标准等。如统一的费用信息时间格式、项目字典等。最后对需要抽取的业务系统数据进行清洗和转换，主要包括去除重复数据、补充缺失数据、修正错误数据，以及将数据转换为统一标准格式。
3.8 系统部署
采用超融合技术实现基于事务日志CDC的医保运营管理系统服务器部署，将多台用于计算、存储等功能的服务器整合、集成于软件平台。以每台物理服务器作为单元节点，借助网络聚集实现模块化扩展。通过浏览器控制物理资源抽取，并将硬盘、内存等物理资源视为一组逻辑资源，提高物理资源利用率。
4 运营成效
4.1 系统运行效率明显提升
基于事务日志CDC的医保运营管理系统减少了对业务数据库的查询负载，避免了资源竞争导致的延迟。此种方式与ETL等批处理同步数据不同，ETL是设置固定的批处理同步时间，若时间设置较短，则会对业务系统数据库造成查询负载，所以多数ETL工具设置的同步时间为1～30分钟。应用基于事务日志的CDC技术，可实时捕获数据变化，提升数据同步效率。在医保运营管理数据集中，最新的业务数据发生时间和当前查询时间，以及两者的时间差，见表1。业务系统数据生成后会实时同步到医保运营管理数据集中，但是由于数据查询的时间消耗，会存在少许误差。
表1 数据同步延迟统计(示例)
查询表名业务生成时间当前查询时间时间差(秒)住院医保结算表2025-04-1809∶10∶572025-04-1809∶11∶1619门诊医保结算表2025-04-1809∶19∶102025-04-1809∶19∶166
4.2 实现医保数据整合
系统将数据整合为3类表，即收入明细表、患者信息表、DRG表。其中，收入表包含患者医保性质、结算时间等字段，为医保管理提供全面、准确的数据支持。系统通过事务日志CDC将数据同步到业务复制库，并进行清洗、转换，之后集中存储于医保运营管理数据集，解决了传统医保系统的“信息孤岛”问题，实现了医保数据整合。
4.3 管理质量和效率显著提高
系统通过对各业务系统数据的自动化抽取，避免了人工操作错误。管理人员可通过系统查询医保相关指标，减少了操作时间。同时该系统可定制开发报表，并可下钻到明细，满足了管理人员的数据查看需求，缩短了报表统计时间。如医保管理部门针对住院医保支付占比指标(自定义开发)采取相应管理措施，使该指标从2023年的50.75%上升到2024年的54.64%。
4.4 为医保决策提供更加精准的数据支撑
医保运营管理数据集可为医院医保政策执行提供数据依据。通过对医保数据的深入分析和挖掘，可发现医保管理潜在问题和风险点，并展示异常数据明细，对医疗机构发出预警；还可以根据决策者要求，有针对性地展示所需数据。例如，提取不同时间CMI值的同比增幅，2025年1月(17.27%)和2月(8.84%)均高于2024年1月(-9.67%)和2月(-13.20%)，这是因为通过医保运营管理系统，医院管理者可以快速了解该指标变化，并作出决策调整。CMI值降低，意味着医院收治的轻症患者数增加，医保拨付额度下降，影响医院收入。医院管理者通过查看病例数据和分组诊断信息，识别CMI值高的优势病种及CMI值低的病种。通过查看有较多低CMI值病例科室的病例信息并进行分析，减少因诊断不合理导致的低CMI值病例；也可以通过诊断、病历、收入及成本等数据全方位了解医院医疗诊疗能力，发展重点学科。此外，通过数据透明化，可激励医生收治高CMI值病例，加强对医生的引导，有助于提升其诊疗能力。由此可见，系统能够从数据挖掘、诊疗能力优化、行为引导等维度提供数据支持，帮助医院在合规控费的前提下提升CMI值。
5 结语
基于事务日志CDC的医保运营管理系统对业务系统数据库事务日志进行监听，实时同步数据，创建业务系统的业务复制库，并进一步清洗数据，构建满足医院医保管理需要的运营管理数据集。通过收集、整理海量医保数据，实现医保运营管理全方位、深层次分析。医保运营管理系统的数据从业务系统数据库中抽取，减少数据传递误差，数据的准确性和完整性得到了有效保障。形成DRG指标体系、收入指标体系、医保费用指标体系，管理者可随时查看指标及其同比、环比数据等，为医保决策制定提供参考。该系统响应速度快、灵活性好，可满足使用者多样化需求。通过使用该系统，可以降低医院成本、优化医保结构，帮助医院更好更快地发展。然而，在构建医保运营管理数据集的过程中，还面临患者隐私保护、数据安全等挑战。未来医院不仅要加强数据整合，还要在确保数据安全的前提下，优化系统性能，以便能够更好地实现项目升级改造。
作者贡献：闫春秒、孙雷负责研究设计、技术实施、论文撰写；马玉环、罗葳负责资料整理、数据分析；周伟负责技术指导、论文修订；张胜发负责研究设计、技术实施、论文撰写与修订。
利益声明：所有作者均声明不存在利益冲突。
1 熊尚华，郭佳奕，颜梅，等. 医院DRG运营管理系统设计与应用[J]. 中国卫生信息管理杂志，2024，21(2)：240-245，251.
2 吴月红，陈新平，胡钱美，等. 基于医保DRG支付的医院智慧运营系统建设研究[J]. 卫生经济研究，2022，39(6)：67-69.
3 陈继何. 医院大数据中心建设及应用[J]. 数字通信世界，2023(12)：123-125，128.
4 钟柏超. 医保控费背景下医院运营策略研究[J]. 行政事业资产与财务，2023(23)：123-125.
5 朱梦婷，李少品，仰宗尧. 基于医院数据中心的肿瘤患者随访平台设计与应用[J]. 现代医药卫生，2024，40(11)：1968-1970.
6 陈璐，孙梦峣，李圣尧，等. 基于医保支付标准的DRGs付费考核评价体系研究[J]. 中国现代医生，2024，62(10)：85-87.
7 王蓬. 医保支付方式改革背景下公立医院运营管理模式应对策略[J]. 财政监督，2022(11)：91-96.
8 高乐. 医保支付方式改革下医院运营管理分析[J]. 财富生活，2022(2)：193-195.
9 张灵，陶涛，张瑞霖，等. 以价值医疗为导向的大型公立医院运营数据中心建设实践[J]. 中国数字医学，2024，19(6)：10-16.
10 汪火明，孙润康，任宇飞，等. 基于数据分级的医疗大数据中心数据安全管理策略研究[J]. 中国医院管理，2022，42(10)：64-67.
11 王能才，王玉珍，张海英，等. 基于人工智能的医疗大数据中心设计与构建[J]. 中国医学装备，2022，19(2)：1-5.
12 刘雅娟，杨少春，李妍，等. 智慧财务视角下医院运营数据中心建设的实践探索——以上海新华医院为例[J]. 卫生经济研究，2024，41(4)：81-84.
13 丁子哲，刘丹，朱凤超，等. 基于数据中台技术的医院运营管理信息平台建设及应用[J]. 中国数字医学，2024，19(3)：63-67.
14 李薇，赵瑞兴，陈倩文，等. 超融合技术在医院数据中心建设中的应用价值[J]. 智慧健康，2022，8(23)：17-20，32.
15 丁万夫，梁鑫，汤学民，等. 大型综合三甲医院容灾数据中心的研究与应用[J]. 现代信息科技，2022，6(22)：89-92.
16 钟瑞颖. 临床数据中心的医院信息集成平台设计[J]. 无线互联科技，2022，19(16)：71-73.
17 周宏珍，梁胜焜，吴韫宏. 建立统计数据中心 助力医院精细化管理[J]. 中国医院统计，2022，29(4)：241-245.
18 孙春光，许明，蒋琳. 基于运营数据中心的医用耗材智能运营信息化设计与实现路径[J]. 医学信息学杂志，2023，44(12)：89-94.
19 熊尚华，郭佳奕，黄玉清，等. 基于医院数据中心的监测指标集管理系统设计与应用[J]. 中国卫生信息管理杂志，2024，21(1)：75-80.
20 熊尚华，应华永，郑盼，等. 医院DRG运营管理体系设计与应用研究[J]. 中国数字医学，2022，17(3)：86-89.
