图理论分析在中国医疗事故复杂网络中的应用:定性研究gydF4y2Ba

简介gydF4y2Ba

背景gydF4y2Ba

医疗事故是一个复杂的问题，涉及许多不同因素及其相互关系。医疗事故中的相互作用因素可能包括个人(如医生和病人)和机构(如医院)。这些因素在医疗事故中起着特殊的作用，与医疗事故有强有弱的联系。例如，医疗事故记录较差的医生更有可能停止行医，转到较小的执业场所[gydF4y2Ba1gydF4y2Ba，gydF4y2Ba2gydF4y2Ba)，或者练习防御性医学。大多数医疗事故案件都是针对同一名医生，发生在同一专业[gydF4y2Ba3.gydF4y2Ba-gydF4y2Ba5gydF4y2Ba］．由于课题的复杂性，很难用模型或数学公式来描述医疗事故中的组织主题。gydF4y2Ba

网络的构造和结构有助于理解复杂的问题——网络思维关注的是实体之间的关系，而不是实体本身。网络思维为解决诸如如何控制流行病等难题提供了新颖的方法;如何针对影响体内复杂网络的疾病;更广泛地说，自然、社会和技术网络所固有的弹性和脆弱性，以及如何利用和保护这些系统[gydF4y2Ba6gydF4y2Ba］．同样，建立一个合理的医疗事故网络对于考察实体间的共同模式具有重要意义。例如，艾滋病网络研究[gydF4y2Ba7gydF4y2Ba-gydF4y2Ba9gydF4y2Ba]建议安全性行为运动、疫苗接种和其他干预措施应主要针对性接触网络中的枢纽。由于复杂的网络和有限的资源，以枢纽为目标将是最具成本效益的策略[gydF4y2Ba10gydF4y2Ba，gydF4y2Ba11gydF4y2Ba］．gydF4y2Ba

医疗事故在中国是一个亟待关注的问题。根据中国最高法院的统计数据[gydF4y2Ba12gydF4y2Ba在中国，每年有10万起医疗诉讼案件，而且案件数量明显增加。医疗诉讼案件的影响过大。王等[gydF4y2Ba13gydF4y2Ba]和李等[gydF4y2Ba14gydF4y2Ba据估计，中国约70%的医疗诉讼与医疗质量不足有关。然而，在丹麦和瑞典，由于护理质量不足而引起的医疗诉讼案件仅占医疗诉讼案件的约50% [gydF4y2Ba15gydF4y2Ba，gydF4y2Ba16gydF4y2Ba］．此类案件的频繁发生并不能缓解目前紧张的医患关系[gydF4y2Ba17gydF4y2Ba，gydF4y2Ba18gydF4y2Ba并可能诱发防御性的医疗行为。人们认为，防御性医学要么促进了医疗费用的上升，要么降低了医疗质量。与欧美“医疗事故危机”导致的保险成本飙升不同，中国保险体系的成本看似稳定，但可能有一场巨大的危机迫在眉睫。在中国，医疗保健服务主要由公立医院提供。医院一般不购买商业保险，因此医疗风险由医院承担。医疗风险分担机制的缺乏，使得诉讼产生的费用更有可能从患者的医疗费用中转移;这将使医疗事故的直接和间接成本更难控制。gydF4y2Ba

关于医疗事故的研究主要是调查病人起诉的动机，以及医疗事故索赔如何影响医生的行为——目的是确定实施防御性医疗和改变治疗模式的动机。然而，这些研究的分析方法仅限于描述特征、时间趋势和关联;每种方法都有潜在的缺点和局限性。复杂网络理论可以为理解医疗保健系统的复杂性提供方法论支持;然而，从网络思维角度对医疗事故互动行为的研究较少。gydF4y2Ba

文学背景gydF4y2Ba

2000年，美国医学研究所发布了一份题为《人孰能无过:建立一个更安全的卫生系统》的报告[gydF4y2Ba19gydF4y2Ba]，引起公众对医疗事故的关注。近年来，在美国和欧洲，针对医疗保健提供者的医疗事故索赔数量有所增加，原告获得的赔付金额也有所增加。许多描述性研究对索赔进行了回顾性分析[gydF4y2Ba20.gydF4y2Ba]就专业而言[gydF4y2Ba4gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba21gydF4y2Ba]、区域因素[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba22gydF4y2Ba]，以及医疗差错[gydF4y2Ba14gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba23gydF4y2Ba］．在此基础上，开展了相关研究，包括以下几个方面:医生特质与声称的相关性[gydF4y2Ba24gydF4y2Ba-gydF4y2Ba26gydF4y2Ba]、护理质量和索赔[gydF4y2Ba27gydF4y2Ba，gydF4y2Ba28gydF4y2Ba]、医疗保险费用及医疗责任制度[gydF4y2Ba29gydF4y2Ba，gydF4y2Ba30.gydF4y2Ba］．特别是在美国，研究人员试图解释索赔的突然增加和保险费率的急剧上升;一些人认为，这种趋势可能是由于护理质量下降或立法缺乏有效的激励机制造成的。许多关于医疗事故的研究考察了责任制度的特点及其预防过失的能力，并为正在进行的制度改革提出了政策建议。其他研究集中在分析医疗事故对医生行为的影响及其防御性医疗的动机[gydF4y2Ba31gydF4y2Ba-gydF4y2Ba33gydF4y2Ba］．gydF4y2Ba

医疗保健是复杂的。伦科玛等[gydF4y2Ba33gydF4y2Ba]认为护理的复杂性是影响医疗事故索赔风险和医生行为之间关系的主要因素。鉴于医疗保健的复杂性，复杂理论已在许多方面应用于健康研究。一篇被多次引用的文章gydF4y2Ba英国医学杂志gydF4y2Ba作者:Plsek和Greenhalgh [gydF4y2Ba34gydF4y2Ba为复杂理论在卫生领域的应用提供了强大的动力。这篇介绍性文章认为，为了应对日益复杂的卫生保健，必须放弃线性模型，接受不可预测性，并呼吁考虑卫生服务的复杂性。复杂网络理论是复杂性研究中的一个新兴领域，它将复杂系统抽象为网络，通过节点和连接边来分析系统的拓扑结构和常见模式。在复杂网络理论中，有两个研究得很好的模型是小世界网络和无标度网络模型[gydF4y2Ba10gydF4y2Ba，gydF4y2Ba35gydF4y2Ba，gydF4y2Ba36gydF4y2Ba］．小世界属性最初是在社交网络中描述的，它意味着网络中任意2个节点之间的距离出乎意料地小。无标度网络属性是指大量弱连接节点(无影响力节点)与少数高连接节点(有影响力节点)共存。gydF4y2Ba

复杂网络理论已被用于评估卫生政策、传染病传播和生理系统机制的研究。岳等[gydF4y2Ba37gydF4y2Ba]从复杂性的角度调查了中国3个农村地区基本药物政策的实施过程。作者指出了自适应和自组织行为的重要性，以及非线性反馈回路在实施过程中的作用。2001年，一个由瑞典社会学家和物理学家组成的研究小组发现，人类性接触网络显示出一种无标度结构[gydF4y2Ba7gydF4y2Ba］．其他研究也得出了类似的结论。这些发现为流行病控制提供了有价值的信息，例如在资源有限的情况下，优先考虑性网络中枢纽节点(最有影响力的节点)的行为教育或疫苗接种是最具成本效益的。一些脑科学研究发现，人类和其他动物的大脑结构和功能网络具有以下特征:小世界拓扑[gydF4y2Ba38gydF4y2Ba-gydF4y2Ba41gydF4y2Ba]，高连接枢纽节点[gydF4y2Ba42gydF4y2Ba]和模块化分区[gydF4y2Ba43gydF4y2Ba］．将复杂网络理论应用于医疗事故的研究还很有限。本研究利用中国医疗诉讼数据，运用复杂网络理论构建医疗事故网络拓扑结构。gydF4y2Ba

方法gydF4y2Ba

概述gydF4y2Ba

在本研究中，我们构建了一个知识图谱(KG)来代表中国医疗事故网络(MMNC)。我们的零假设是，索赔是随机事件——可归因于随机频率的坏运气。相应地，我们的替代假设是医疗事故不是随机的;这反映了一种信念，即有多项医疗事故索赔的医院或医生更有可能涉及新的索赔。由于医疗事故是一个复杂的问题，本研究应用了复杂网络理论，为理解医疗事故中的互动行为提供了方法论支持。具体而言，本研究从中国公共司法数据库获取的6610份医疗诉讼记录(非结构化数据)中提取语义网络。他们是该国最严重的渎职案件。MMNC以KG的形式呈现;它使用了世界卫生组织(WHO-ICPS)的《国际患者安全分类》作为参考。gydF4y2Ba

医疗事故网络建设gydF4y2Ba

概述gydF4y2Ba

一个复杂的网络可以用KG表示，KG被广泛用于表示语义网络。这方面的难点是如何生成有效、可靠的KG。本研究遵循KG发育的一般步骤，如gydF4y2Ba图1gydF4y2Ba．在此过程中，本研究采用自顶向下的逻辑(即先设计数据模型;将具体数据填充到模型中;最后形成KG)。我们将KG存储在Neo4j Community Edition(3.5.5版本;Neo4j, Inc) [gydF4y2Ba44gydF4y2Ba]，是世界领先的图形数据库，因其性能较高而得到广泛应用。结构化医疗事故网络可以通过以下4个步骤表示为KG。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

步骤1:知识建模gydF4y2Ba

知识模型是一个有kg的顶层设计，它决定了收集数据的范围和数据的结构。从技术的角度来看，它定义了gydF4y2Ba模式gydF4y2BaKG的重量。在这项研究中，我们研究了mmnc的动态发展——我们试图确定潜在的机制，其逻辑可以按时间顺序总结如下。病人因病求医。在出现多起医疗差错或相对令人不满意的结果的情况下，患者对医疗提供者的努力感到不满，并有动机采取法律行动。每一项医疗事故索赔都以法律判决结束。患者、医疗提供者和法院被认为是MMNC的利益相关者。gydF4y2Ba

为了从中国的医疗诉讼数据库中提取文本，我们参考了WHO-ICPS [gydF4y2Ba41gydF4y2Ba，gydF4y2Ba45gydF4y2Ba]，它提供了一个使用本体论基础的概念框架。所有的定义和知识模型都经过专家小组的反复讨论(详见步骤4)。WHO-ICPS是一个国际标准化的领域本体，在构建患者安全KG时可以直接作为模型使用。因此，本研究检验了WHO-ICPS，以帮助在步骤1中构建理论模型。gydF4y2Ba

实践知识建模遵循以下步骤。gydF4y2Ba

首先，我们定义了网络节点及其属性。对上述利益相关者进行分类并作为节点。此外，节点被分配了几个属性，用于形成节点的全面描述。gydF4y2Ba

其次，我们估计了节点之间关联的连续度量。鉴于医疗诉讼案例为文本形式，将描述关键概念之间关系的具体句子抽象为关系。例如，我们将“寻求医疗服务”从句子“患者a从b医院肿瘤科寻求医疗服务”中抽象出来作为关系。gydF4y2Ba

第三，我们通过编译节点之间的所有成对关联来生成关联矩阵。我们保持关系的方向性(按时间顺序)，以便进行中心性分析和加权(权重是关系的数量)。gydF4y2Ba

第二步:知识提取gydF4y2Ba

从步骤2中，我们获得了关于节点及其关系和属性的信息。与医疗诉讼有关的记录是非结构化数据;它们涵盖了病人的医疗记录、医疗专家意见和法院判决的内容。为了从非结构化诉讼数据中提取知识，我们使用步骤1中构建的知识模型作为结构化本体。通过手工问卷输入和爬虫代码，我们将所有诉讼数据结构化。gydF4y2Ba

第三步:知识融合gydF4y2Ba

这一步解决了数据质量和结构不一致的问题。我们采用自顶向下的KG构造方法。我们使用单一数据源，在一定程度上避免了信息质量不均匀、缺乏层次结构等问题。然而，在第2步(特别是手动数据输入)中，数据输入操作符之间的理解存在差异。针对这些问题，我们在数据录入前进行了小组培训，并在数据录入过程中及时回答问题。完成录入后，我们进行了数据验证，确保可靠性;20%(1322/6610)的记录被重复输入(详细信息在网络分析的图理论方法一节中提供)。gydF4y2Ba

平行步骤:专家意见和验证gydF4y2Ba

专家判断技术在各种原因下都是有用的，包括成本和缺乏足够的观测来用真实观测数据进行量化。我们通过前面提到的3个步骤寻求专家意见——特别是在某个节点或相关关系的数据很少或没有，或者现有数据不可靠的情况下。gydF4y2Ba

我们根据专家在与本研究相关的医疗事故、患者安全、KGs和IT方面的公认熟练程度和经验选择专家。我们的专家小组来自中国一些著名的医疗机构，包括上海交通大学中国医院发展研究院和上海交通大学公共卫生学院。所有专家都可以访问存储在PKULaw数据库中的医疗诉讼数据，并参与建模、提取和融合的各个阶段。gydF4y2Ba

数据收集和准备gydF4y2Ba

在确定了KG的结构(知识模型及其图形表示)后，我们利用现有数据对KG进行量化。我们使用PKULaw数据库(一个公开的数据库)作为我们研究的基础。该数据库是全国所有针对医院的医疗事故诉讼案件的资料库，自2003年以来已被中国最高法院认可。截至2019年12月30日，该数据库涵盖诉讼案件7600万件。数据库中所有医疗事故诉讼案件均为文本形式;然而，它们都有相似的内容和结构。具体而言，每个案件都需要记录以下所有信息:原告和被告、涉及的任何药物、任何医院获得性伤害、不良后果、潜在疏忽的证据、法律问题以及相关立法和判决。gydF4y2Ba

我们搜索了普法数据库，下载了2008年1月1日至2018年12月31日结案的诉讼案件文件，类别为“医疗事故纠纷责任”。入选标准为(1)经民事判决并与三级甲等医院有关的案件;(2)中国公共部门公布的排名之一的三级医院。我们使用每个合格医院的名称作为关键字来过滤记录。我们排除了基本信息缺失的记录或个别病例的重复记录。如果一个案件有多个记录，我们只保留最终判决的记录(gydF4y2Ba图2gydF4y2Ba)．gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

网络分析的图理论方法gydF4y2Ba

概述gydF4y2Ba

为了系统地研究网络，我们必须准确地定义“网络”的含义。用最简单的术语来说，网络就是一个集合gydF4y2Ba节点gydF4y2Ba连接gydF4y2Ba的关系gydF4y2Ba．节点对应于网络中的实体，链接对应于它们之间的连接[gydF4y2Ba46gydF4y2Ba］．如果一个网络有大量的节点和复杂的关系，它可以被称为网络gydF4y2Ba复杂网络gydF4y2Ba．在网络科学中，进入(或离开)一个节点的关系的数量称为gydF4y2Ba学位gydF4y2Ba这是最基本的网络测量;大多数其他度量最终与节点度[gydF4y2Ba46gydF4y2Ba］．gydF4y2Ba

我们检查了网络结构，以更深入地了解我们正在处理的问题。两种类型的模型经常被检查:gydF4y2Ba随机gydF4y2Ba而且gydF4y2Ba规模gydF4y2Ba-gydF4y2Ba免费的gydF4y2Ba网络。随机网络假设所有连接都是等概率的，从而导致泊松或钟形度分布[gydF4y2Ba47gydF4y2Ba］．无标度网络假设度分布服从幂律[gydF4y2Ba35gydF4y2Ba］．在这项研究中，我们绘制了gydF4y2Ba度分布gydF4y2Ba［gydF4y2Ba36gydF4y2Ba]，以初步了解MMNC的架构。然后，我们进行了无标度网络测试，这使我们能够确定最佳拟合幂律模型，测试其统计合理性，并使用似然比测试将其与其他分布进行比较[gydF4y2Ba48gydF4y2Ba］．我们使用Clauset等人在网上发布的R代码来分析数据。gydF4y2Ba48gydF4y2Ba］．gydF4y2Ba

我们进一步研究了复杂系统的拓扑性质，例如中心性[gydF4y2Ba49gydF4y2Ba]及网络枢纽的分布[gydF4y2Ba50gydF4y2Ba］．术语“枢纽”指的是具有高度或高中心性的节点;与MMNC相比，取消集线器可以提供优势。本研究中使用的中心性指标包括in-degree、close、between和PageRank;它们分别通过与其他节点的直接连接、其他节点可访问、节点是其他节点之间的中介以及节点的重要性来表示节点的距离优势。在这项研究中，我们使用了Neo4j中提供的中心性算法。gydF4y2Ba

学位中心gydF4y2Ba

度中心性度量一个节点的传入和传出关系的数量，因此可以帮助我们找到网络中受欢迎的节点[gydF4y2Ba35gydF4y2Ba］．节点的度中心性gydF4y2Ba我gydF4y2Ba反映了它在网络中的连通性，写为D(i)=gydF4y2BadgydF4y2Ba_我gydF4y2Ba/ (N−1),在那里gydF4y2BaNgydF4y2Ba定义为节点数和gydF4y2BadgydF4y2Ba_我gydF4y2Ba定义为节点的度gydF4y2Ba我gydF4y2Ba，即节点的入、出关系数gydF4y2Ba我gydF4y2Ba．gydF4y2Ba

亲密关系中心gydF4y2Ba

接近中心性是一种检测节点的方法，这些节点能够在给定的网络中非常有效地传播信息。亲密度得分高的节点与所有其他节点的距离最短[gydF4y2Ba51gydF4y2Ba]，这意味着它们可以方便地到达其他节点。节点的紧密度gydF4y2Ba我gydF4y2Ba定义为C(i)=(N−1)/gydF4y2Ba，其中N定义为节点数和gydF4y2BaDgydF4y2Ba_ijgydF4y2Ba定义为节点之间的最短路径gydF4y2Ba我gydF4y2Ba而且gydF4y2BajgydF4y2Ba．当节点之间不存在路径时gydF4y2Ba我gydF4y2Ba而且gydF4y2BajgydF4y2Ba，gydF4y2BaDgydF4y2Ba_ijgydF4y2Ba等于0。gydF4y2Ba

中间性中心gydF4y2Ba

介间中心性是一种检测节点对网络中信息流影响程度的方法，由Anthonisse [gydF4y2Ba52gydF4y2Ba]和Freeman [gydF4y2Ba53gydF4y2Ba］．它通常用于寻找充当网络的一个部分到另一个部分的桥梁的节点。例如，中介中心性高的人倾向于成为社交网络上的经纪人，通过组合不同的观点，在群体之间传递思想。一个节点的中间度gydF4y2Ba我gydF4y2Ba反映其传递性，定义为B(i)=gydF4y2Ba,在那里gydF4y2BaggydF4y2Ba_abgydF4y2Ba是所有节点间最短路径的和吗gydF4y2Ba一个gydF4y2Ba而且gydF4y2BabgydF4y2Ba，gydF4y2Ba通过节点的最短路径数是多少gydF4y2Ba我gydF4y2Ba,gydF4y2Ba一个gydF4y2Ba≠gydF4y2BabgydF4y2Ba≠gydF4y2Ba我gydF4y2Ba．gydF4y2Ba

PageRank中心gydF4y2Ba

PageRank中心性衡量节点的传递影响或连通性，用于对谷歌搜索结果中的网站进行排名。例如，主页通常具有最高的PageRank中心性，因为它有来自所有其他页面的传入链接。节点的PageRank得分gydF4y2Ba我gydF4y2Ba计算页面链接的数量和质量，这决定了对页面重要性的估计，写为PR(i)=(1 -)gydF4y2BadgydF4y2Ba）+gydF4y2BadgydF4y2Ba(PR (T1) / C (T1) +…+公关(Tn) / C (Tn)),我们假设一个页面gydF4y2Ba我gydF4y2Ba有T1到Tn页指向它gydF4y2BadgydF4y2Ba是可以在0和1之间设置的阻尼因子。本研究将其设置为0.85。C(i)定义为页面外的链接数gydF4y2Ba我gydF4y2Ba．gydF4y2Ba

伦理批准gydF4y2Ba

本研究中使用的数据是公开的，相关医院的机构审查委员会认为这些数据“不受监管”。gydF4y2Ba

结果gydF4y2Ba

KG的概念结构gydF4y2Ba

我们将8个关键概念和9种关系抽象并集成到MMNC的概念图表示中gydF4y2Ba图3gydF4y2Ba)．在一个案例中，多个医疗错误按发生顺序依次连接(错误子图在gydF4y2Ba图3gydF4y2Ba)．例如，病人A患有乳腺癌，她还患有糖尿病。由于延误治疗和其他危险因素，患者a不幸死亡。提出了医疗事故索赔，B医院根据法律判决进行了赔偿。MMNC中的所有关键概念都定义在gydF4y2Ba表1gydF4y2Ba．gydF4y2Ba

每个节点的关系数量分布高度倾斜，每个节点的关系中位数为1个。图中的前0.78%(149/19,099)节点占大多数(28,850/57,700,50%)关系。图中有34.45%(6580/ 19099)的节点只有单一关系。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

医疗事故网络的分布gydF4y2Ba

在医疗事故中，随机事件不会发生。陡峭的曲线gydF4y2Ba图4gydF4y2Ba表明该网络有很多节点，只有少量的关系;一些中心展示了异常大量的关系。幂律的显著特征是有许多小事件，而许多小事件与少数非常大的事件共存。这些异常大的事件并不存在于钟形曲线中。gydF4y2Ba

根据Clauset的方法[gydF4y2Ba48gydF4y2Ba]，得到了参数最拟合的幂律分布模型gydF4y2BaXgydF4y2Ba_{最小值gydF4y2Ba}α=2.463458。在我们进行了2500个Kolmogorov-Smirnov检验后，2489个(99.56%)未能拒绝无标度假设。我们还对医疗事故数据进行了指数和对数正态分布的拟合，并进行了拟合优度检验，以确定这些拟合是否良好。我们得到了参数λ=0.1889905的最佳拟合指数分布模型和参数µ=0.5699136和σ=1.846312的最佳拟合对数正态分布模型。在我们对每个分布模型进行2500个Kolmogorov-Smirnov检验后，结果是相似的;即，100%(2500/2500)拒绝无标度假设。我们得出的结论是，幂律分布显示出与MMNC节点的度分布的良好拟合(即，这是一个无标度网络)。gydF4y2Ba

‎gydF4y2Ba 查看此图gydF4y2Ba

事故网络中的枢纽节点gydF4y2Ba

无标度网络具有高度聚类和偏度分布的特点。这些特征预测每个无标度网络将有几个大型集线器，从根本上定义网络的拓扑结构(gydF4y2Ba表2gydF4y2Ba而且gydF4y2Ba3.gydF4y2Ba)．中提供了关于样本特征的更多信息gydF4y2Ba多媒体附件2gydF4y2Ba．gydF4y2Ba

表2gydF4y2Ba报告前10个节点的程度，亲密度，中间度和PageRank。骨科、妇产科、急诊医学、消化内科、普通外科和癌症在所有4项指标中都排名靠前。在程度、中间度和PageRank的基础上，死亡、轻伤和重伤这3个结局节点排名靠前。特定的医疗错误出现了很多次gydF4y2Ba表2gydF4y2Ba:知情同意不足、延误治疗和未能认识到并发症。总体而言，4个中心性指标的结果相对一致;排名靠前的节点具有较高的巧合程度。gydF4y2Ba

同样的,gydF4y2Ba表3gydF4y2Ba表明一些非技术错误，如不充分的知情同意和难以辨认的医疗记录，出现在几乎所有指标的顶部错误。然而，在中间性方面，技术错误(包括治疗延误和未能识别并发症)具有较高的价值。PageRank指标的前10个错误都是非技术性的。一般来说，排名靠前的错误节点相对一致，非技术错误比技术错误更重要。gydF4y2Ba

讨论gydF4y2Ba

主要研究结果gydF4y2Ba

本研究构建了一个来自医疗事故诉讼数据的KG来代表MMNC。我们发现MMNC是一个无标度网络，而不是一个随机网络。代表MMNC的无标度网络具有较高的聚类性，呈偏度分布，且具有枢纽节点。枢纽节点调查结果显示，骨科、妇产科和急诊科是发生医疗事故最多的3个专科;不充分的知情同意工作构成了最多的错误。非技术错误(例如，不充分的知情同意)比技术错误表现出更高的中心性。gydF4y2Ba

幂律在大量的现象中被发现;因此，一些作者将其描述为“比‘正常’更正常”[gydF4y2Ba54gydF4y2Ba］．幂律很少出现在完全由掷骰子决定的系统中。gydF4y2Ba55gydF4y2Ba］．因此，我们在MMNC中观察到的幂律表明，真实的网络远非随机的。本研究中描述的MMNC的非随机性质的合理解释包括各种人为因素或错误的参与。在美国，全国执业医师数据库根据医疗事故指控对医疗差错进行分类，但没有进一步定义次级分类术语[gydF4y2Ba56gydF4y2Ba］．大量研究[gydF4y2Ba57gydF4y2Ba，gydF4y2Ba58gydF4y2Ba]通过开发各种人为因素分类框架，研究了医疗事故的成因。许多国家已经建立了不良事件报告系统，并对这些事件进行了分类——本研究中引用的WHO-ICPS正是基于这种分类。然而，这些分类框架并没有在世界范围内得到广泛应用，有些框架还有待完善。gydF4y2Ba

在复杂理论中，对于现实世界中大多数(如果不是全部)无标度网络的存在，被广泛接受的解释是增长和优先依附(即，这类网络的特定增长过程)，如Barabási和Albert [gydF4y2Ba35gydF4y2Ba］．因此，每个网络都从一个核心节点开始，并通过添加新节点来增长。节点之间存在连接—连接的节点越多，产生的连接数量就越多。在医疗事故的背景下，医疗事故记录不佳的医院或医生越多，他们在未来卷入此类案件的可能性就越大。这与帕累托定律或原则的思想是一致的，也被称为80/20规则。gydF4y2Ba59gydF4y2Ba］．因此，在这些复杂的系统背后一定有一定的秩序[gydF4y2Ba46gydF4y2Ba，gydF4y2Ba55gydF4y2Ba］．在MMNC中发现幂律的原因需要进一步研究。gydF4y2Ba

网络分析有助于确定干预的枢纽节点。无标度网络中枢纽节点存在的必然性为预防和控制医疗事故提供了契机。与最近的研究结果一致[gydF4y2Ba2gydF4y2Ba-gydF4y2Ba4gydF4y2Ba，gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba，gydF4y2Ba19gydF4y2Ba，gydF4y2Ba20.gydF4y2Ba，gydF4y2Ba23gydF4y2Ba]，我们发现，骨科、妇产科和急诊科等专科在诉讼案件中所占的比例不成比例。具体原因尚不清楚;然而，潜在的解释是，这些专科收治高风险患者，在高风险环境中工作，或受到“坏苹果效应”的影响(即反复提供不合格的护理)[gydF4y2Ba60gydF4y2Ba］．本研究纳入的医院均为全国排名靠前的三级医院，与其他各级医疗机构相比，医疗资源更好，疑难杂症患者的治疗也更多。这些医院的某些特定专科医疗事故发生率较高。产科和妇科涉及新生儿和新生儿的健康gydF4y2Ba产妇gydF4y2Ba而骨科疾病对肢体功能和日常工作的影响更为直观。骨科疾病患者往往期望在大手术后肢体功能有显著改善，但可能会出现不满意的治疗结果。急诊患者起病较急或病情较重，特别是在没有家属在场签署知情同意书的情况下，发生医疗事故的风险较高。“坏苹果效应”可以用锚定效应来解释;也就是说，由于认知错误，医务人员可能会反复提供不合格的医疗服务，导致某些医疗错误。认知错误可能是由于之前获得的信息或经验而形成的，这种错误就像一个锚沉到海底，把医务人员的思想固定在原地。事实上，这就是我们常说的“先入为主”的概念。gydF4y2Ba

与技术性错误相比，非技术性错误在本研究中具有更大的中心性。然而，该领域的描述性研究[gydF4y2Ba13gydF4y2Ba，gydF4y2Ba14gydF4y2Ba显示技术错误发生的频率更高。我们的研究结果表明，提高非技术技能以减少事故可能是有效的。gydF4y2Ba61gydF4y2Ba］．我们的研究结果表明，最突出的非技术错误之一涉及不充分的知情同意。知情同意一直是中国最常见的医疗差错之一。总共有2项中国研究[gydF4y2Ba62gydF4y2Ba，gydF4y2Ba63gydF4y2Ba研究发现，23%至43%的医疗诉讼涉及患者不完整的同意通知。由于医患之间的信息不对称，加上中国医患关系紧张[gydF4y2Ba18gydF4y2Ba]，一旦医护人员的风险告知不足，患者的怀疑就会引发医疗事故。此外，与医疗记录相关的错误在非技术错误中尤其突出。一个合理的解释是，病历是中国医疗事故调解的主要证据，书写不规范会直接影响医疗诉讼的判决[gydF4y2Ba14gydF4y2Ba］．gydF4y2Ba

我们发现技术错误的主要因素是关注不足和延误，包括治疗延误、未能认识到并发症、手术和诊断延误。不像在美国，诊断错误是医疗事故索赔的最常见原因[gydF4y2Ba64gydF4y2Ba，gydF4y2Ba65gydF4y2Ba，在中国，治疗和手术失误更为频繁。这种差异可能是由于美国的医疗系统可能相对碎片化(例如，同一患者的诊断和治疗可能被划分到不同的机构，导致医务人员经常根据更碎片化的信息进行诊断)。诊断错误在中国可能被忽略，因为药物和手术错误在医疗过程中更容易被观察到。中国在提高卫生保健质量和患者安全管理方面仍有相当大的空间。中国不同专业技术错误的发生趋势存在差异;然而，对于非技术错误，可能有一些常见的干预措施。例如，共享决策方法可以并且已经应用于所有专业;这有助于保护医生免受医疗事故索赔，并确保患者得到更好的信息[gydF4y2Ba66gydF4y2Ba］．gydF4y2Ba

本研究发现MMNC中存在大量的枢纽节点，包括技术错误和非技术错误，这对医疗事故的预防教育有一定的帮助。非技术差错在医疗差错管理中占有重要地位，反映了医疗机构及其医务人员差错预防意识的缺乏。与技术性错误相比，通过加强相关培训，在知情同意通知、医患沟通技巧、病历书写等方面的非技术性错误相对容易避免。然而，中国医学生的教育最强调临床技能和科学研究，避免医疗差错特别是非技术差错的培训非常有限。我们认为应加强医学教育和培训，不断提高医学生和医务人员的临床表现和非技术错误意识。gydF4y2Ba

网络分析为医疗事故分析提供了一个有用的工具。它不需要一个完整的医疗事故地图，只需要通过分析完整网络的一个代表性子集来测量程度分布[gydF4y2Ba55gydF4y2Ba];我们在本研究中就是这样做的。要获得无遗漏的医疗事故数据，建立完整的医疗事故网络是不可能的。幸运的是，不需要完整的医疗事故地图来确定它是无比例尺的还是随机的[gydF4y2Ba55gydF4y2Ba］．另一个问题是识别中心——毫无疑问，许多中心可能在这项研究中没有被发现，我们可能包括了一些非中心。几十年的研究已经产生了许多用于识别枢纽的图形方法。这样的方法可能并不完美，但它们仍然有用——有可能以一定的概率识别中心。dezsjudah和Barabási [gydF4y2Ba10gydF4y2Ba]证明了任何偏向于更多连接节点的政策——即使是很小的偏向——都能恢复有限的流行阈值。在渎职的情况下，可能不可能找到所有的中心;然而，通过尝试这样做，医疗事故的传播可以受到限制。网络分析是随着网络理论和计算机技术的发展而发展起来的一个新兴的研究领域。在现实世界中，有许多领域可以抽象为复杂的网络。物理学家发现，幂律经常标志着从无序到有序的转变——这种分布模式在自然界、技术和社会中大多数自组织的复杂系统中都能观察到[gydF4y2Ba46gydF4y2Ba，gydF4y2Ba55gydF4y2Ba］．许多人觉得他们不是生活在一个随机的世界里——在复杂的系统背后必须有某些关键的组织原则。寻找隐藏在MMNC结构背后的规则是未来的下一个方向。gydF4y2Ba

限制gydF4y2Ba

这项研究有几个局限性。首先，医疗事故诉讼案件可能只是医疗事故的冰山一角，病人得到的医疗服务质量很差[gydF4y2Ba67gydF4y2Ba］．第二，我们假设中国的司法体系是公正、独立和强大的;然而，中国的医疗事故法存在一些不足或缺陷。最后，简化的网络模型不能解释与现实世界对应的一切。对于MMNC，我们假设所有的节点除了它们的度之外都是相同的，所有的链接都具有相同的类型和相同的强度;然而，在现实世界的网络中，情况并非如此。gydF4y2Ba

结论gydF4y2Ba

本研究构建了一个来自医疗事故诉讼数据的KG来代表MMNC。我们证明了这是一个无标度网络，而不是一个随机网络，并表明医疗事故的发生是可追溯的。MMNC正处于从混沌到有序的过渡阶段，从枢纽节点的结果可以看出，其中存在几个关键的特点和错误。在资源有限的情况下，要对重点专业和错误进行针对性干预，对非技术错误更加重视;这样做可以有效控制医疗风险。gydF4y2Ba