在国家大力加强医疗服务质量和安全监管的背景下，医院绩效考核工作逐步深入，考核指标数据质量高低直接影响考核工作成效。本研究利用数据流编排技术，按照数据质控规则要求，对医院绩效考核指标数据进行自动匹配运算，有效实现并行高效、灵活扩展、易于复用的质控，为医院绩效考核提供了可信的数据质量保障，对于医院绩效的科学评价有重要的现实意义。

随着我国进一步加强对医疗服务质量和安全、医疗卫生机构运行和医疗卫生从业人员的监管，各地区卫生健康主管机构积极响应，切实开展公立医院绩效考核工作，部分区域也已建立符合区域特色的公立医院绩效考核指标体系。绩效考核工作涉及大量指标数据的采集与分析，数据质量的高低决定了考核结论的正确性和可用性质控。目前，部分区域在开展质控数据质控工作时，不同程度存在人工工作负担重、效率低；个人经验差异化评价，缺乏规范的质控标准；人为失误频发且难以避免，数据准确性问题；质控流程存在滞后、管理薄弱，难以实时追踪、反馈等问题。各医院上报数据质量参差不齐，降低了评估结果的可信度，影响了考核工作的科学指导意义。因此，建立全量填报数据的可信可靠高效的自动化质控尤为必要。

1.需求分析

医院绩效考核系统辅助下的工作流程，先由系统管理员配置考核项目基本信息，包括被考核医院、考核时间、考核指标、评分方法及质控专家等。医院开始填报数据，系统按设定好的评分方法，对源数据进行评价打分。为保障考核结果，将从源数据开始实施质控工作，先由系统质控，再通过专家二次质控，确保数据质量可信。系统流程如图1所示，展示了医院绩效考核全过程。

图1  医院绩效考核系统流程图

在上述流程中，数据质控为本次研究的主要内容。数据质控的目的是保障数据的完整性、有效性、一致性、及时性和准确性，能够辅助科学决策。通过实际调研了解，结合医院医疗卫生业务特点，要求相应质控规则能够满足处理复杂的数据逻辑运算需要；质控规则本身要易于维护，并灵活适配不同考核指标体系；同时，质控结果要能够及时反馈、明确指明问题所在，指导医院填报。

2.数据质控相关技术概述

知识图谱质控

基于知识图谱的数据质控主要是利用自然语言处理、机器学习等技术，通过结构化、语义化方式，在大量的标签数据训练基础上，刻画和揭示医院考核相关数据（实体）与质控规则（语义）的关系，进而模仿人类的思维方式进行逻辑推理。知识图谱技术已成功应用于搜索引擎、大数据分析等方面。它的优势在于自动化生成语义关系，能够避免人为制定规则上的偏见；具有更丰富直观的知识表达和多样化的知识推理。结合实际，目前缺乏可用于医院绩效考核数据质量的统一知识图谱，相关实现方法复杂并缺乏统一标准，构建面向特定领域的此类知识图谱难度大、周期长，因此不适合本研究项目的要求。

规则引擎质控

规则引擎则是嵌入在应用程序中独立运行，实现业务决策。它根据给定的规则，让输入的事实数据与规则条件进行模式匹配，得出真假的事实判断。目前，该方法已经广泛应用于法律法规、竞争策略等复杂业务系统设计中。它的优势在于能够处理复杂规则运算，执行效率较高；独立于主应用程序，便于维护，有利于保障系统稳定。结合实际，规则引擎更加强调面向业务流程和管理过程，以及相关独立变量的判定，而非面向数据模型和数据的关联关系、内在逻辑的相关计算和检验。此外，还存在自身运行所需资源较多，规则加载较慢等缺点。

综上所述，在对主流的数据质控方式进行分析后，结合本项目实际，发现规则引擎的方式更合适，但仍然存在不足，特别是缺乏对数据处理过程的引导。因此，提出采用数据流编排技术、结合规则判断和相关工具实现数据质控。

3.基于数据流编排技术的数据质控系统设计

数据流编排技术

数据流处理提供了一种模式引导的设计体验，可以根据从源到目的地的一组指令编排、组合和排序数据，数据在一个虚拟的管道中流动，分别在不同管道之间的结合处增加处理器，用于对数据进行不同的处理。大多数数据解决方案都包含重复的数据处理操作，并封装在处理流程中。数据流编排是一种工具，从数据传递、加工的角度，帮助实现对结构化数据的自动逻辑处理。

质控流程设计

本研究设计将数据质控活动视为一个有向无环的数据流编排。使用常见的简单脚本语言编写数据质控规则逻辑，相应的数据流处理器加载运行此类规则脚本代码，从而实现数据质控。此种方式可以保证数据质控流程与数据解耦，实现关注点分离，降低系统复杂度和耦合度，便于主应用程序的维护，借助分布式集群技术，可以实现低延迟和与高吞吐量，满足本研究项目轻量、支持多种数据库、高效开发的需求。利用数据流编排技术，数据质控的抽象处理流程模型如图2所示，简单明了，规则发生变化时，只需调整质控部分即可。

图 2  数据质控的抽象处理流程模型

Apache NiFi一个开源数据流工具，是数据流编排技术的一个实现，它支持可扩展有向图数据的路由、转换和系统的中介逻辑，使数据可以在多系统建自动“流动”。它基于Web的用户界面展示设计、控制、反馈和监控全过程，且高度可配置、安全可扩展，非常符合本研究实际。因此选用Apache NiFi进行设计，按照数据质控的抽象处理流程模型，结合NiFi提供的处理器功能和本项目实际需求，细化数据质控流程图如图 3所示，包含了接受Web请求、拆分数据、执行质控、控制结果合并和Web请求响应几个步骤。其中执行质控依赖的质控规则库，以脚本形式存储了国家、医疗卫生行业、地方关于医院绩效考核的数据质控规则。用户将待进行质控的数据提交到Web请求后，流程先将数据进行拆分，形成单行数据，然后自动流向执行质控环节，相关数据处理器将使用质控规则逻辑校验每条数据，接着相关数据处理器将对所有校验结果进行整合，最后向用户返回Web请求，完成数据质控流程。

图 3  数据质控数据流程设计

4.实践方案

Apache NiFi数据流模型的核心包括传输的最小数据单元流文件（FlowFlie），用于记录数据内容，处理器（Processor）用于封装数据流处理的逻辑，连接器（Connection）用于提供处理器之间的数据连接，控制数据流动速率、优先级和负载等。本研究实现方案的数据流编排共分3部分，见图4。

第一阶段，接收待质控的填报数据阶段。第一步，用HandleHttpRequest数据处理器启动HTTP监听服务功能，接收JSON格式的待进行质控的数据。第二步，获取到数据后，用SplitJson数据拆分处理器将JSON格式的多行数据数组拆分成单行数据，并分别形成新的FlowFile。

第二阶段，将数据项匹配到相应质控规则下，并运算质控结果阶段。第三步，选用多个ExecuteScript处理器分别加载相应的质控规则，并行对流入的每行数据进行质控。第四步，选用EnforceOrder数据处理器对流入的质控结果按照OldestFirst原则进行分组排序，确保质控结果有序响应。第五步，选用MergeRecord数据处理对分组排序后的质控结果进行合并，确保一次响应所有质控结果。在强制排序和数据合并过程中，将相关日志记录在LogAttribute中。

第三阶段，反馈数据质控结果阶段。第六步，用HandleHttpResponse数据处理器将质控结果返回给请求发起方。第七步，使用了JsonRecordSetWriter、JsonTreeReader等ControllerService，保障数据的正确解析和持久化文件缓存，保证可靠交付。

图4   数据流编排实现

自2020年3月项目实施以来，共收集整理了26条质控规则。如“总收入=医疗收入+财政补助收入+科教项目收入+其他收入”、“医疗收入=门诊收入+住院收入”、“门诊收入>医保基金收入”、“总支出=医疗业务成本+财政项目补助支出+科教项目支出+管理费用+其他支出”、“特需医疗服务量<总诊疗人次数+出院人数”等，对照代码模板编写规则，并增加相应的检验处理器，从而将质控规则配置入系统。

以重庆市内26家三级公立医院2019年度上报的6 800余条数据作为测试数据，利用数据流编排技术，运行医院绩效考核数据的质控，全部质控完成用时约5 s。绩效考核系统数据质控结果展示见图5，从左到右分别展示了数据项名称、该数据项所涉及的质控规则名称、质控规则的运算公式、以及该规则的质控结果。经质控自查和专家验证，表示质控结果可信可靠。

图5  绩效考核系统数据质控结果截图

4.结语

全量填报数据的自动化智能质控的实现，能够发现以往仅靠人工难以察觉的问题，真正提高医院绩效考核的质量。它的优势主要有三点：一是质控并行高效，该质控方法将多个质控规则节点化地聚类在一起，允许并行执行，提供了足够大的吞吐量，提高了质控效率。二是扩展灵活，由于每个质控规则对应一个脚本程序，所有脚本程序之间并行执行、互不影响；规则脚本使用通用的JavaScript编写，学习成本低；脚本规则的差异主要体现在核心的代码段，编写可以模板化，扩展时只需调整核心段；由于数据流处理过程维护简单，质控规则的调整只需在数据流处理流程中增加、删除、修改数据处理节点，或者调整数据流向即可。因此，质控规则易于增加、修改、删除等维护操作，满足质控规则的多变性、复杂性，具备良好的人机交互GUI，方便调整使用。三是可复用性强，借鉴微服务架构和“将应用程序作为服务使用”思想，独立服务封装，不影响绩效考核主程序运行，可以方便地升级为HTTPS，保障了数据流转过程的安全性；使用相同的数据流处理流程和同类处理器，变更规则脚本，即可复用到不同领域的数据质控项目中。