2022, Vol. 25
表1(Table 1)
2. 北京中医药大学东方医院, 北京 100078;
3. 北京中医药大学国家中医药发展与战略研究院, 北京 102401
“互联网+医疗”是以互联网为载体并借助多种信息技术手段，主要包括在线疾病咨询、电子处方开具、疾病风险评估、在线健康教育、电子健康档案建立、医疗信息查询和远程诊疗等多种形式的医疗健康服务[1]。作为医疗领域的一种创新服务模式，因其开放、便捷、交互和突破时空等优势[2]，正受到越来越多的关注。目前，我国仍存在医疗资源分布不均衡和人民健康医疗需求之间的矛盾[3]，看病难、看病贵和就诊体验差等问题尚未完全解决。“互联网+医疗”的出现，颠覆了传统诊疗模式，它通过优化资源配置、提升管理水平、提高服务效率和降低服务成本等方式[4]，有效改善了人民群众就医体验，并进一步助力全民健康目标的实现。
目前，我国对于“互联网+医疗”产业政策的评价研究较少，现基于文本挖掘视角，借助政策一致性（policy modeling consistency, PMC）指数模型对我国“互联网+医疗”政策进行量化评价，分析各个政策的优势与不足，并提出相关建议，以期为未来“互联网+医疗”政策的制定和完善提供一定的参考。
1 资料与方法 1.1 资料来源以国家和各省（自治区、直辖市）政府办公厅、卫生健康委员会、中医药管理局和医疗保障局等政府部门官方网站为主要资料来源，辅以中国知网、国脉电子政务网和北大法宝网等，选取“互联网+医疗”和“互联网+医疗政策”等关键词进行检索，共收集到2015—2020年有关“互联网+医疗”的172项政策作为PMC指数模型设计依据。
由于“互联网+医疗”产业政策很多为综合性政策，该产业发展的条目多在以“十三五”规划、深化医药卫生体制改革和“互联网+”等为主题的综合性政策中，专项性的政策较少，而PMC指数模型是对专项性政策开展分析的[5]。因此，基于合理性和全面性的原则，在收集到的172项政策中选取14项有代表性的专项性政策作为评价样本（表 1），其中包括国家级政策7项，省级政策7项。
| 表 1 “互联网+医疗”产业政策分析样本 |
|
PMC指数模型是一些学者[6]基于Omnia Mobilis假设提出的一种政策评估工具。它的作用一方面在于评价单项政策的内部一致性，另一方面通过分析单项政策的优势与劣势，反映出政策总体与各方面的差异，是目前比较先进的政策评价模型之一[5]。本文在原有模型基础上构建出符合“互联网+医疗”特点的PMC指数模型用于政策评价。
2 结果 2.1 PMC模型设计 2.1.1 建立多投入产出表多投入产出表主要是构建一个有选择性的数据分析框架，它可以通过容纳大量的二级变量数据来测量一级变量的值。一级变量表示对政策的不同评价维度，每个一级变量由n个二级变量组成。由于PMC指数模型的思想是尽可能不忽视任意一个变量[7]，因此，这些二级变量不依据重要性排列，将它们赋予相同的权重，采用二进制（0，1）的形式进行赋值，进而建立多投入产出表。
2.1.2 变量的确立及参数的设定一级变量的选择参考了Ruiz Estrada提出的变量确定方式[7]、结合陈振明[8]的相关政策意见评价标准，张永安等[9]、邹钰莹等[10]和徐俐颖等[11]的研究并邀请卫生领域专家对设置的变量进行论证，最后共选择包括政策性质、政策范围和政策目标等在内的10个指标。二级变量的选取主要结合所要分析的“互联网+医疗”政策文本的实际情况，通过文本挖掘方法确立33个二级变量。首先使用RostCM6.0软件对172项政策文本进行分词处理，然后进行人工筛选，剔除“互联网”“医疗”这类对结果影响不大的词汇，同时去掉“以上” “相关”等与“互联网+医疗”相关度不高的词汇，生成反映政策重点关注的高频词汇。最后利用VOSviewer软件生成高频词共现网络图（图 1），图中节点越大则权重越大。两个节点间的距离越短关系越密切，连线越粗链接强度越强[12]，进而为确立二级变量提供相关依据。
|
图 1 高频词共现网络 |
除变量确立外，还需要进行参数的设定。在多投入产出表中，采用二进制的形式进行赋值。参数规定如下：如果待评价的政策符合该二级变量的描述，则该二级变量的值为1；如果待评价的政策不符合该二级变量的描述，则该二级变量的值为0。通过这种设定方式，可以保证每个二级变量的重要性和影响程度都相同。“互联网+医疗”产业政策评价指标体系及评价标准如表 2所示。
| 表 2 “互联网+医疗”产业政策评价指标体系及评价标准 |
|
|
计算PMC指数共分为4步：①将一级变量与二级变量放入多投入产出表中；②逐个为二级变量赋值（0~1）；③计算每个一级变量的值（0~1）；④计算PMC指数。“互联网+医疗”产业政策评价等级划分标准：PMC指数为9.00~10.00，等级评价为最优；PMC指数为7.00~8.99，等级评价为优秀；PMC指数为5.00~6.99，等级评价为合格；PMC指数为0~4.99，等级评价为不达标。
| $ X_{t}=\sum\limits_{j=1}^{n} \frac{X_{t j}}{T\left(X_{t j}\right)} $ | (1) |
其中：t为一级变量，t=1, 2, 3, 4, 5, 6, 7, 8, 9, 10, …, n；j为二级变量。
| $ \begin{aligned} &\mathrm{PMC}=\sum\limits_{i=1}^{5} \frac{X_{1 i}}{5}+\sum\limits_{j=1}^{2} \frac{X_{2 j}}{2}+\sum\limits_{k=1}^{4} \frac{X_{3 k}}{4}+\sum\limits_{l=1}^{3} \frac{X_{4 l}}{3}+\sum\limits_{m=1}^{4} \frac{X_{5 m}}{4}+ \\ &\sum\limits_{n=1}^{3} \frac{X_{6 n}}{3}+\sum\limits_{o=1}^{5} \frac{X_{7 o}}{5}+\sum\limits_{p=1}^{3} \frac{X_{8 p}}{3}+\sum\limits_{q=1}^{4} \frac{X_{9 q}}{4}+X_{10} \end{aligned} $ | (2) |
构建PMC曲面的目的是用可视化的方式呈现政策的评价效果，形象直观地展示出不同政策不同指标之间的差异。PMC曲面的构建基于每项政策一级变量值构成的PMC矩阵。由于本文设置了10个一级变量，其中X10反映政策公开发布与否，鉴于选择的政策均是公开的，该指标不会影响评价结果，所以为了保证曲面的对称性，将X10剔除，X1~X9建立政策评价三阶方阵并绘制曲面图。PMC曲面图的意义在于每个横坐标与深度坐标引出的交点代表一个一级变量，通过将各个点连接在一起形成曲面，更便于比较政策各个变量指标得分情况。
2.2 实证研究基于已确立的10个一级变量和33个二级变量，根据变量的评价标准构建多投入产出表。
根据式（1）和式（2）计算14项政策PMC指数得分并进行等级评价（表 3）。
| 表 3 14项“互联网+医疗”政策的政策一致性指数 |
|
|
从政策文本来看，“互联网+医疗”产业政策较为合理。由表 3可得，14项政策PMC指数的平均值为7.35，其中8项政策表现优秀，6项政策表现合格。下面将依据每项政策PMC指数的得分情况与PMC曲面图表现进行具体分析。
（1）国家级政策评价。P1的PMC指数得分为8.75，在14项政策中排名第1，表现优秀。它的10个一级变量只有发布机构（X3）和政策评价（X9）的得分低于14项政策在该变量下的平均值。作为在“互联网+医疗”领域一项具有里程碑意义的规划文件，P1面向政府机构、医疗机构和第三方机构等多方机构，综合运用供给型、需求型和环境型的政策工具，对促进人民群众健康、优化各项服务、加快资源的配置共享和制定行业各项标准方面都提出了一定的要求，监督、引导、鼓励与支持行业发展。若想对此项政策进一步完善，可着重考虑政策评价（X9）指标的优化。
P2的PMC指数得分为8.60，排名第3，表现优秀。其中有9个一级变量的得分高于或等于平均值。P2同P1一样，作为一项综合性政策，起到推进P1的落地实施作用。该政策的构建也相对比较完善，但是它的政策性质（X1）变量值低于平均值，考虑到是因为该项政策缺乏对“互联网+医疗健康”便民惠民活动的监管内容，可从该角度进行完善。
P3的PMC指数得分为8.55，排名第4，表现优秀。10个一级变量中有7个变量得分是最高分，其余3个变量政策性质（X1）、政策范围（X2）、发布机构（X3）的得分低于平均值。后期改进可重点考虑政策性质（X1）指标的优化，完善政策中对监管行为的规定。
P4的PMC指数得分为7.07，排名第8，表现优秀，但与其他得分优秀政策相比分值略低。10个一级变量中有6个指标可以进一步完善，在政策目标（X5）方面，增加对保障健康和制定标准的描述。在政策功能（X7）方面，鼓励技术创新与模式创新，加大产业扶持力度，进一步满足人民群众就医需求。另外，政策性质（X1）、政策范围（X2）、发布机构（X3）和政策工具（X6）的得分也低于平均值，尚有完善空间。
P5的PMC指数得分为6.60，排名第11，表现合格。10个一级变量中有6个可以改进，其中政策工具（X6）的得分与平均值差距最大，可考虑除了运用供给型的政策工具外，增加需求型和环境型政策工具的使用。例如：支持与引导第三方机构参与合作；借助法律法规制度进行约束监管；对“互联网+医疗”领域的政策措施及实施效果进行宣传等。此外，政策范围（X2）、发布机构（X3）、政策对象（X4）、政策功能（X7）、政策评价（X9）5个指标得分也都低于平均值，有待进一步提高。
P6的PMC指数得分为5.82，排名第13，表现合格。除X10外，只有政策功能（X7）和政策评价（X9）两项得分高于平均值，其他7个一级变量得分全部低于平均值，且是14项政策中该变量的最低分。其中政策目标（X5）的得分与平均值差距最大，健康、资源、标准3个指标的分数拉低了P6的PMC指数结果，可考虑增加保障群众健康、优化资源配置和制定行业标准的论述。此外，政策工具（X6）的得分与平均值差距也较大，可考虑增加供给型与环境型政策工具的使用。政策性质（X1）方面，可以增加对未来成果和情况的预判以及对网络支付业务的相应建议与鼓励措施。
P7的PMC指数得分为7.38，排名第7，表现优秀。政策失分点主要在政策范围（X2）、发布机构（X3）、政策对象（X4）和政策工具（X6）4个指标上，需要继续加以完善。针对政策对象（X4）指标可以考虑增加与第三方机构的合作，以服务外包的形式，助力智慧医院建设。
（2）省级政策评价。P8的PMC指数得分为7.68，排名第6，表现优秀，是上海作为我国省级综合医药卫生体制改革试点地区制定的众多改革举措之一，起到巩固医药卫生体制改革成果、服务百姓健康和提升社会效益等作用。该政策10个一级变量中有6个变量得分高于或等于平均值，其余4个变量可以主要考虑在政策对象（X4）指标上加以完善，增加与第三方机构的协作，助力上海市医疗机构的数字化转型工作，形成多方互利共赢的有利局面。
P9的PMC指数得分为5.45，排名第14，表现合格。除X10之外，只有政策对象（X4）的得分高于该变量平均值，其他8个一级变量得分都低于平均值。其中，除发布机构（X3）外，政策目标（X5）和政策评价（X9）得分最低，同时与平均值的差值最大，也是14项政策中这两个指标得分最低的，这与该政策的独特性有关。由于P9出台的宗旨是“进一步规范互联网诊疗行为，改善患者就医体验，保障人民群众合法权益”[13]，因此政策目标（X5）主要落在了推进互联网诊疗服务的规范上，对健康、资源平衡及标准的设定方面关注较少，导致政策目标（X5）的得分仅为0.25。同时，由于P9制定的依据不够充分、目标不够明确、内容不够翔实，导致政策评价（X9）的得分也较低，为0.25。此外，政策性质（X1）、政策范围（X2）、发布机构（X3）、政策工具（X6）、政策功能（X7）和政策内容（X8）也都可以进一步完善。
P10的PMC指数得分为6.58，排名第12，表现合格。除X10外，只有政策对象（X4）、政策目标（X5）和政策评价（X9）3项得分略高于平均值，其他6个一级变量得分全部低于平均值，其中政策功能（X7）的得分与平均值差距最大。该政策为地方专题政策，着眼于部分功能的实现，以致在功能方面的得分不高，监督约束、创新驱动和产业扶持3个指标得分拉低了该变量分数，可考虑进一步优化。
P11的PMC指数得分为7.90，排名第5，表现优秀。除政策性质（X1）、政策范围（X2）、政策机构（X3）和政策功能（X7）的得分略低于平均值外，其余6个一级变量得分均高于平均值，可考虑从上述4个变量角度进行完善。
P12的PMC指数得分为8.75，排名并列第1，表现优秀。本政策在贯彻落实国家相关政策的基础上，结合自治区实际作了进一步的细化与改进，体现出从国家政策到地方政策的规划与制定都较为完善。该政策仅有政策范围（X2）和发布机构（X3）的得分略低于平均值，其他变量均为14项政策中该变量的最高分。若想对政策进一步完善可考虑扩大政策覆盖范围与增加相关部门间的协作。
P13的PMC指数得分为6.73，排名第10，表现合格。其中政策工具（X6）的得分与平均值差距最大，可考虑增加需求型和环境型政策工具的使用。此外，政策性质（X1）、政策范围（X2）、政策机构（X3）、政策功能（X7）和政策评价（X9）5个变量也存在优化的空间。
P14的PMC指数得分为6.98，排名第9，表现合格。虽然该政策得分在合格政策中排名第一，但存在5个一级变量得分低于平均值，其中政策性质（X1）和政策对象（X4）的得分与平均值差距最大。主要原因是P14的性质未涉及预测与监管作用，并且面向对象不包括第三方机构，可针对性地予以完善。
2.3.2 横向评价为了更好地对14项政策进行对比和评价，对10个一级指标的平均得分情况进一步分析，并生成14项政策指标得分雷达图（图 2）。
|
图 2 14项政策的一级指标得分雷达图 |
从宏观角度看，14项政策的政策性质（X1）平均值为0.81，所有政策都具有描述和引导的特点，部分政策在预测和监管角度上的论述有待加强。政策范围（X2）的平均值为0.57，P1和P2兼顾了综合和专题的政策范围，多数政策都是针对某个具体方向制定的。发布机构（X3）的平均值在10个一级变量中得分最低，为0.29，多集中在卫生健康委员会，政府办公厅、中医药管理局与医疗保障局均只涉及两项政策，表明国家相关部门间协作需要进一步加强，在未来的政策制定中，可以考虑跨部门合作与监管。政策对象（X4）的平均值为0.88，所有政策都涉及政府机构和医疗机构，但P5、P6、P7、P8和P14没有提及第三方机构，拉低了平均得分。政策目标（X5）的平均值为0.71，所有政策都对优化服务提出了相应措施，而只有P1、P3、P5、P12和P13提到了标准的制定，标准化对于医疗机构间互联互通、相关医疗服务系统接口建设以及收费标准的统一等方面具有重要意义，需要更加重视。政策工具（X6）的平均值为0.69，P5、P7、P9、P13和P14未使用到需求型政策工具，P5、P6、P8、P9、P10和P13未使用到环境型政策工具。政策功能（X7）的平均值为0.73，政策几乎都涉及监督约束、规范引导和服务优化的功能，在创新驱动和产业扶持的论述上仍有完善的空间。政策内容（X8）的平均值为0.93，除X10外，在9个一级变量中排名第1，14项政策都包括了“互联网+医疗”服务体系的内容，但P6和P9不包括“互联网+医疗”支撑体系的内容，P10不包括监管保障体系的内容，可以加强。政策评价（X9）的平均值为0.73，在目标和内容的表述上稍显单薄。政策公开（X10）的平均值为1，所有政策均为公开政策。
3 讨论与建议互联网技术与医疗服务的不断融合有效提升了医疗效率、医疗可及性与就医体验。尤其是新型冠状病毒肺炎疫情以来，“互联网+医疗”加速发展，充分展现出其优化资源配置等优势。可以预见，大数据、5G、人工智能、区块链等高新技术将更多布局在医疗产业，促进医疗数字化进程，实现患者与医务人员、医疗设备和医疗机构之间的互联共通，进一步降低服务成本，提升就诊体验，推动医疗信息化系统向结构化、智能化发展。医联体、医共体、专科联盟和远程医疗协作网将协同发展，打破信息孤岛，实现信息的交换与共享，增加诊治疾病种类，提升服务质量，促进优质医疗资源下沉，助力医疗服务走向精准化并推动分级诊疗的落实。
运用PMC指数模型对14项“互联网+医疗”产业政策进行量化评价。评价结果显示，我国“互联网+医疗”政策制定总体上较为合理，但政策目标、政策工具和政策功能层面存在共性问题，故可从以下三方面进一步完善。
3.1 政策目标层面从评价结果来看，我国“互联网+医疗”产业政策的目标主要集中在优化服务方面，在促进健康、平衡资源和制定标准方面有所欠缺。当前，我国仍然存在着人民健康面临生活方式、生态环境等方面不断变化所带来的新挑战、医疗资源配置不均衡、共享程度不高、行业标准体系尚不健全等问题。因此，“互联网+医疗”产业政策要利用好其引导作用，在将来的政策制定时涵盖全方位多角度的政策目标，在现有基础上提升健康服务能力，扩大健康产业规模，健全有利于健康的制度体系，整合医疗资源，提高现有医疗资源的使用效率，促进优质医疗资源更多地延伸到基层和不发达地区，提高准入门槛，加强各方面标准体系的建设。
3.2 政策工具层面从实证结果来看，14项政策主要使用了供给型政策工具，需求型和环境型政策工具使用不足。这个问题不只存在于本次研究的14项政策中，也几乎是“互联网+医疗”产业政策中存在的通病之一[14]。政策工具作为政府将政策由概念变为实际并且推行下去的手段和路径[15]，使用有效合理的政策工具有助于促进产业的高质量发展。因此，“互联网+医疗”产业政策要更加细化对资金投入和教育培训的要求，加强国际合作与交流，增加组织实施方案，倡导各方力量积极参与，鼓励和支持自有知识产权的研发，并加强对知识产权的保护，为建设创新型国家提供有力支撑。
3.3 政策功能层面从政策分析的结果来看，14项政策文件的功能主要在监督约束、规范引导和服务优化方面，而在创新驱动和产业扶持方面的作用相对较弱，需要完善。因此，在政策的设计与完善过程中，要坚持实施创新驱动发展战略，以人民健康为根本，以患者和用户为中心，积极利用人工智能、大数据、5G网络等信息技术让人民群众真切地体会到“互联网+医疗”创新成果带来的好处。另外，在政策制定过程中要注重对“互联网+医疗”产业的扶持，加大财政投入，助力全国医疗信息共享服务平台建设，以及增加对医疗机构及第三方机构在资金、资源、人才等方面的扶持力度。
本次主要研究国家与省级层面的政策，下一步将选取我国不同城市的“互联网+医疗”政策，并对具体城市特征与PMC指数的关系进行深入分析。同时，考虑将政策间的协同效应引入PMC指数模型中，使其既能对单个政策进行评价，还能对政策间的协同效应进行深入探讨，为更加全面地制定相关政策提供决策支持。
·作者声明本文无实际或潜在的利益冲突
| [1] |
钟小燕, 白晶, 罗荣. 我国"互联网+医疗"服务模式[J]. 中国卫生事业管理, 2019, 36(1): 20-22, 28. |
| [2] |
何雪松, 罗力. 互联网医疗的应用现状和发展趋势[J]. 中国卫生政策研究, 2018, 11(9): 71-75. DOI:10.3969/j.issn.1674-2982.2018.09.013 |
| [3] |
严善梅. 医疗服务供需矛盾背景下中国医生集团发展模式与对策研究[D]. 广州: 南方医科大学, 2017.
|
| [4] |
EYSENBACH G. What is e-health?[J]. J Med Internet Res, 2001, 3(2): E20. DOI:10.2196/jmir.3.2.e20 |
| [5] |
胡峰, 戚晓妮, 汪晓燕. 基于PMC指数模型的机器人产业政策量化评价: 以8项机器人产业政策情报为例[J]. 情报杂志, 2020, 39(1): 121-129, 161. DOI:10.3969/j.issn.1002-1965.2020.01.017 |
| [6] |
ESTRADA M A R. Policy modeling: definition, classification and evaluation[J]. J Policy Model, 2011, 33(4): 523-536. DOI:10.1016/j.jpolmod.2011.02.003 |
| [7] |
ESTRADA M A R. The policy modeling research consistency index (PMC-Index)[EB/OL]. [2021-03-20]. https://www.researchgate.net/publication/228302925_The_Policy_Modeling_Research_Consistency_Index_PMC-Index.
|
| [8] |
陈振明. 公共政策分析导论[M]. 北京: 中国人民大学出版社, 2015.
|
| [9] |
张永安, 宋晨晨, 王燕妮. 对于我国房地产政策中单一项政策的量化评价研究: 基于PMC指数模型[J]. 生产力研究, 2017(6): 1-7, 22. DOI:10.3969/j.issn.1004-2768.2017.06.001 |
| [10] |
邹钰莹, 娄峥嵘. 中央层面养老服务政策内容量化评价: 基于PMC指数模型的分析[J]. 电子科技大学学报(社会科学版), 2020, 22(3): 68-76. |
| [11] |
徐俐颖, 乔晗, 李旭, 等. 基于PMC指数的生物医药产业政策评价研究[J]. 中国新药杂志, 2020, 29(13): 1501-1507. DOI:10.3969/j.issn.1003-3734.2020.13.009 |
| [12] |
LIAO H C, TANG M, LUO L, et al. A bibliometric analysis and visualization of medical big data research[J]. Sustainability, 2018, 10(1): 166-170. |
| [13] |
四川省卫生健康委员会. 关于印发《四川省互联网诊疗管理规范(试行)》的通知: 川卫规[2020]7号[A]. 2020.
|
| [14] |
孙昌赫, 翟铁民, 王荣荣, 等. 基于政策工具的我国"互联网+医疗健康"政策内容分析[J]. 中国卫生经济, 2020, 39(1): 13-17. |
| [15] |
段光锋, 李阳, 李婷, 等. 基于"对象-机制-资源"框架的分级诊疗政策工具分析[J]. 中国医院管理, 2021, 41(1): 19-21. |