緊急醫療的處理首重於「適當時間將適當病人送至適當醫院」處置原則。然而，當病人醫療需求與提供之醫療資源無法在第一次就醫就媒合成功時，或可能會觸發院際轉診的行為。轉診行為有利有弊，或許可能讓病人得到更適切的醫療照護，但轉診過程所伴隨的潛在的風險，也應被仔細考慮。就整體社會安全網的系統觀點而言，轉診的浮現，在某種程度上也反應出緊急醫療過程中可能存在的照護缺口。若能釐清這問題，也許能讓我們對優化社區醫療配置與建構安全照護網絡有更明確的補強藍圖。

一、研究動機與目的
二、研究方法
三、結果
四、討論與建議
五、研究限制與建議

 

一、研究動機與目的

---

緊急醫療生態中，轉診並非罕見事件。而政府規劃的轉診資訊系統也運作了一段時間，但從歷史資料挖掘出哪些經驗洞見，卻一直留給許多實務從業人員一個大問號。緊急醫療資訊優化後的與所引導出的透明當責文化，是我們專案想導引出一個重點。從歷史經驗掏出的規則與脈絡，也將是我們運用資料驅動公共衛生政策之豐厚基礎。我們希望藉由分析緊急醫療生態中急診轉診資料，來解構高雄區域急救責任醫院間的急診轉診行為及觀察緊急醫療系統在面臨壓力時是否有所轉診應變作為，以期能提出更精準的區域資源優化或改善品質的建議。

 

二、研究方法

---

資料來源

[急診患者流動分析圖] 呈現急診患者流動情形，一般急診病人來源有三種，由119送達、由家屬送達或患者自行就醫及從其他醫院轉入，而圖中以紅色標記的過程為本次專案主要分析的資料來源，其中包含患者的急診檢傷、診斷、處置、轉院時間及到院時間等訊息。

急診患者流動分析圖

 

根據高雄市政府衛生局所揭示，急診轉診資料來源共有兩部分，分別為「EMOC高雄市緊急醫療資訊整合中心」和衛生福利部「緊急傷病患轉診電子作業平台」(以下簡稱衛福部轉診平台)。EMOC這個組織主要是聯繫、整合及協調高雄各區的救護資源，而轉診平台是衛福部委託急診醫學會專案所建立的線上轉診系統，目的是希望能夠促進醫院間雙向溝通，讓轉診的流程能夠更順利。兩系統所追蹤的紀錄皆為區域內轉診的病人資料。這兩個系統中，以EMOC的資料欄位較為完整，而轉診平台的資料，闕漏值較多，但其優勢在於有紀錄病人的基本資料，但於本專案分析時皆已隱藏加密。

我們這個專案以EMOC的資料進行高雄地區轉診現況分析，並配合利用衛福部轉診平台的轉診資料，建立一個可以地圖呈現病人轉診流向的網頁。另一方面，當醫院急診發生人物力資源不足以應付急診新病人時(如推床用盡、重大外傷或CPR中等原因)，將會循轄區標準機制，向EMOC通報滿載。這部分通報會有時間戳記，其滿載時數與頻率之資料，也會納入我們的分析中，以便評估各急救責任醫院在各月份的量能變化是否會影響轉診行為出現。

 

變數簡介

高雄市EMOC資料集內包含轄區內24家急救責任醫院的轉出、轉入醫院代號、病人診斷、檢傷分級及轉院時間等資料，我們以醫院名稱及所對應的醫院代碼串聯衛福部提供的各醫院基本資料，如：急救醫院責任分級、地址等資料，結合高雄市政府衛生局所提供的EMOC滿載通報資料進行分析，主要變數之定義及值列於 [變數定義表]。

變數定義表

變數	定義	值
醫院代號	高雄地區24家急救責任醫院的醫院ID
急救醫院責任分級	依據衛福部公布的急救責任醫院分級	一般、中度、重度
轉診型態	上轉：一般轉中度、重度／中度轉重度 平轉：同等級急救醫院責任分級互轉 下轉：中度轉一般／重度轉中度、一般	上轉、平轉、下轉
檢傷分級	依據急診檢傷分級，1級為最需緊急處理的病人，5級為最不緊急	1 – 5 級
滿載率(月報)	每月急診滿載時間所佔比例	醫院通報急診滿載時間/急診總運作時數

 

資料處理

因為資料橫跨不同系統，我們先將所有醫院給予特定的醫院代碼（Hospital ID），以解決各資料表醫院名稱標示方法不同的情形，利於進行後續分析。

由於特定資料於特定時間的轉診率出現異常偏高的情形 [轉診率折線圖]，與專家討論後，推測可能為人為因素造成之現象，為避免干擾轉診現象的觀察，故將該醫院暫時排除。

轉診率折線

三、結果

---

我們將分析結果分為下列章節呈現，分別為：

1. 資料探索
2. 轉院原因
3. 急診轉診流動
4. 型態-檢傷級數
5. 急診轉診率
6. 急診轉診量
7. 急診轉診路徑

1. 資料探索

我們分析的資料區間是2014-2016年，選定之醫院族群為高雄地區所有24家急救責任醫院，呈現如「轉診人次分析表」。在這三年間，高雄地區急診就診總人次約269萬人次，其中有被這24家醫院轉診而且有被記錄在EMOC系統內的人次為29210筆，佔總急診就診人次的1.1%，排除資料不齊全的部分，以及離群值的醫院，最後可以看到只進行一次轉診的人次佔排除後EMOC轉診案例的97.5%，雖然大部分時候轉診是一個事件，但仍有少部分病人可能在短時間內發生多次轉診。我們利用病人編碼追蹤，當病人在短時間內由第一間醫院急診轉出，在第二間接收醫院又再轉出時，我們定義為二次轉診。在分析的資料中，我們發現二次轉診的佔所有轉診案例的2.5%。

轉診人次分析表

 

我們進一步分析單次與二次轉診的急診病患處置過程的影響因子，略述如下:

轉診型態卡方檢定分析表

 

由[轉診型態卡方檢定分析表]可知，相較於單次轉診，二次轉診以檢傷等級1-2級患者較多，轉出醫院等級以中、重度較多，轉診型態以平轉、下轉較多，而急診留置時間平均需多花費約 3 小時，即使病人經過兩次以上的轉診，在第二家醫院急診所須留置的時間也較單次轉診的還長，代表著這樣的二次轉診可能比單次轉診還需耗費更多的人物力資源，這也會增加單位急診能量的消耗。這樣的現象，也隱喻著沒法在第一次就達成醫療資源與需求媒合成功時，多是較嚴重，但是可以從中、重度急救醫院平轉或下轉的病人。這或許也突顯了需要強化分級醫療，更積極探索如何在區域內提高醫院收容或處置能量透明度，找尋「一步到位就診模式」或「特殊急重症跨院合作聯盟」的可行性。

2. 轉院原因分佈

原始資料轉院原因為「其他」者，佔了25%。「其他」一欄的補充說明，是可以一言以蔽之的具體形容，也可能是故事性敘述的概念。我們透過文字探索方式，歸納原始資料中轉院原因為「其他」的敘述性描述，可以發現許多筆資料可被歸類至各類別中，如：ICU、滿床、病房這些字眼敘述的是醫院空間量能不足，無法再容納新的急診病患。而「醫師」一詞，在敘述中具有顯著角色，如本院無XX科醫師，或XX科醫師建議等等，都會出現醫師一詞，但實務上卻可能代表不同意義。這類詞彙出現頻率，我們以文字雲方式呈現於 [轉院原因文字分析圖]。某些頻繁出現的文字，也暗示未來進行智慧化語意分析的重點。

轉院原因文字分析圖

 

為了對應上述探索結果，我們另外將轉診資料中的轉院原因作圖如下。所列出的轉院原因，因醫院空間能量不足被轉院的病人佔了6成左右，而因為病人或家屬要求而轉院的佔4成，詳見下圖：[轉院-轉診關係長條圖]。

轉院-轉診關係長條圖

 

3. 急診轉診流動分析

我們運用能量分流圖(Sankey Diagram) 來呈現急診內轉診病人的流動。在 [急診轉診流動分析圖(一)] 可看見左側第一層顯示各急診病患的「入院方式」，其中由「家屬送達」醫院的病人大多是先進入到重度的醫院。此外，左側第二層處為醫院的急救責任分級，從「中度」和「一般」兩等級醫院轉出的病人，大多會被上轉到較高階的醫院。

急診轉診流動分析圖(一)

 

若將「轉院原因」加入分析中，如 [急診轉診流動分析圖(二)] 所示，可見因「醫院空間能量不足」佔最大宗，由中度醫院被轉出來的病人則在「專科醫師建議轉院」的原因當中佔最大的比例，而不同的轉診原因在上、平、或下轉的分布上也會有不同的現象。透過這種上下串流的呈現方式，我們得以更清楚的了解轉診全貌。

急診轉診流動分析圖(二)

 

4. 急診轉診型態-檢傷級數趨勢分析

急診病患的嚴重程度，某種程度上可由急診檢傷的級數來判斷。檢傷一級表最嚴重，五級表最輕微。實務上，「上轉」型態轉診，有可能是醫療處理能量不足需要更高階醫院協助解決；而「下轉」型態的轉診，較可能是高階醫療收容能量不足而需要低階醫院收治。在剔除一間具有異常轉診量的醫院後，我們由 [轉診型態-檢傷級數分析圖] 來觀察，可以看見在這三年期間，轉診型態並沒有太大的波動，上轉案例數所佔的比例仍是最多，穩定超過七成。而平轉或下轉的比例總和也約占四分之一。

轉診型態-檢傷級數分析圖

 

5. 急診轉診率量化分析

在前文中，我們曾經提及在研究資料的這三年間，高雄地區急診就診總人次約269萬人次，其中有約近三萬筆急診轉診資料，約佔總急診就診人次的百分之一。在轉診中，轉診率是一個可以觀察的指標，因此我們嘗試將24家責任醫院從分級的角度切入，進一步觀察集中差異。[各級醫院轉診率圖] 是三年間各個分級的每季轉診率，由左到右分別是一般、中度及重度，我們可以發現平均轉診率隨急救能力上升而慢慢降低(約略是1.8%→1%→0.5%)；此外，重度醫院的轉診率較其他兩級醫院的變異程度較少，也就是共變異數變小，轉診率波動少，這或許也代表重度級醫院在吸納急診就醫病患能力較一致，也較少隨時間產生轉診率波動的情形。

高雄市各級急救責任醫院轉診率圖

 

根據醫院的轉診率，配合高雄市政府衛生局提供轄區所有急救醫院的急診量能與滿載通報，我們得以計算出各醫院的每個月的急診滿載時段比率 (滿載率定義為滿載通報的持續時間累計除以當月總時間)。進一步希望探討下列問題：

整體區域的各急救責任醫院「滿載率」與「轉診率」有關嗎？

為何要針對「量與率」討論? 這就像我們在觀察路邊攤小店與大飯店餐廳的客滿程度，小店可能做了十個人的生意，就應接不暇客滿了。而大飯店迎接了十個客人後，可能還游刃有餘希望多招攬客人。但我們說小店及大飯店都客滿時，我們討論的是比率，而且小店與飯店的營業規模已經被校正了。我們將想要觀察的「滿載率」與「轉診率」相關資料做成以下圖表來觀察：

各級醫院各月急診滿載率與轉診率關係圖

 

在上圖中，我們發現只有重度急救醫院的各月滿載率與轉診率有正相關，其他中度或一般級急救責任醫院並沒有關聯。當我們進一步依個別醫院分開作圖分析時，我們發現各間醫院對應滿載壓力而啟動的轉診流動的閾值不盡相同。有醫院滿載率不高時，轉診率早已經增加了；有醫院則是滿載率高的時候，才稍微增加轉診率。但基本上，所有醫院皆呈現這種各月滿載率與轉診率正相關趨勢，且具有統計學上意義(p<0.05)。這種具有外推力的規律，或許就可以當作同級醫院間的壓力應變通則。斜率越高表示醫院受滿載壓力大時才會啟動病患轉診，可以發現左邊ID:21的醫院斜率右邊的二間醫院來得高。或許某種程度上，表示看來ID:21的醫院比較「不耐操」，在相對滿載程度不高時，便啟動許多轉診；另一方面也可能是其體質上比較不容易通報滿載，或者管理較佳，能提早應變轉出病患，也因此轉診量較其他醫院來得大，也因而較不易滿載。這種雞生蛋蛋生雞的各種可能，需要進一步進入實務討論，才能下結論。

重度級醫院之急診滿載率與轉診率關係圖

 

而整體的24家醫院的各月轉診率可以由 [各醫院每月轉診率熱度圖] 看出，我們再次印證了出現轉診的熱區是一般級急救責任醫院。而中度及重度則各有一間醫院(ID:20, 24)出現轉診比率加溫的狀態。更特別的是ID:24的醫院，在2015年下半年後轉診率突然提高。不過，在探索資料時，我們已經預先發現這種歧異現象。為了呈現較穩定的分析結果，我們已經先剔除這間醫院資料來避免結果偏倚。透過轉化資料為較易吸收的視覺化輸出過程，我們可以迅速掌握透握重點，也能透過快速的同儕間比較，較有效地區辨出值得輔導或調整資源的機構。

各醫院每月轉診率熱度圖



6. 急診轉診量量化分析

看完了比率的分析，我們也希望探勘急診量能消長跟轉診量變化的關係，也順便再嘗試回答另一個問題：

整體區域的各級醫院「急診量」與「轉診量」有關嗎？

我們假設整體處置能力是固定的，傷病患就是在這個生態圈內的醫院間循環。我們嘗試依據急救能力分級，將每間醫院的急診量與轉診量做成散佈圖來觀察其關聯性。我們發現藍色的一般級急救責任醫院容易受”急診量增加”影響而增加轉出病人(p<0.0001)。而紅色及黃色的中、重度醫院則沒有觀察到此種趨勢。詳見下面的 [醫院急診量與轉診量關係圖] 所示。

醫院急診量與轉診量關係圖

 

根據我們前面所提的生態圈概念，若假設一整年的轉診服務是一個常數，也把它轉化為100%，在季節或時間趨勢的影響下，各級急救醫院急診轉診量會與整年的時間軸有關嗎? 我們將三年資料彙總計算平均值後，製出 [各級醫院三年間之月轉診比率熱區圖] 如下，可以看出中、重度急救醫院是轉診主力，但各月份還是有深淺之分，而且各級急救責任醫院於年中(6-7月)期間似乎較常出現轉診量較高情形。透過我們這種方式呈現，我們想呼應目前健保總額制度的給付設計，未來或許可以針對加入總額制度的醫院，進一步探索各院額度消耗與相對時間轉診量的關聯。

各級醫院三年期間之月轉診比率熱區圖

 

依據三年平均資料，我們再做出 [各級醫院每年度急診量各月比率熱區圖] 如下，我們發現各級急救醫院各月份轉診量，占年度轉診總量比率的確有差異(Kruskal-wallis test, p=0.004)。在紅色框框處我們可以看出，每年6-7月份是明顯轉出量較多的時段而且又以中、重度醫院最為明顯(下表Grand Total)，而一般等級的醫院則是集中在年初時段 如咖啡色框框所示。

各級醫院每年度轉診量各月比率熱區圖

 

再承接上述同樣的密閉急診生態圈概念，我們把三年內整體區域的處理量能(包括轉診量與急診量)，依據處理醫院急救能力分層後，再彙總起來做成面積圖，可以做出兩種量能的折線面積圖如 [月轉診量與月急診量折線面積圖] 所示：

月轉診量與月急診量折線面積圖

 

圖中，我們若由區域整體急救需求與處置能力來觀察，上面的總轉診量與下面的總急診就醫量，可以看出在時間軸上並無明顯關聯(Spearman correlation, p>0.05)，如綠色框框處在年初下方急診量上升時，上方的轉診量無明顯變化，而紅色框框處，年中上方轉診量升高時，下方急診量同樣無明顯變化情形。這種結果，也呼應我們在之前針對急診量與轉診量做各醫院分析時，發現只有一般級急救醫院比較有明顯正相關 (醫院急診量與轉診量關係圖)。

出現週期性轉診量增加時，也代表資源與需求媒合過程的不順利，這通常代表時間成本與醫療資源浪費的增加。以區域治理的觀點，預先於年中時段做好擴增中度或一般級醫院的吸納量，讓重度醫院下轉順暢；或在年初時段讓一般級急救醫院準備打通跟中、重度醫院的上轉綠色通道，或週期性支援或強化一般級醫院處置能力等等，皆是從我們專案解構轉診歷史中可以提出的資源優化應變建議。

 

7. 急診轉診路徑分析

• 轉診網路圖

轉診路徑的探討共分為兩個部分進行，首先是將每筆轉診都是為獨立個案繪製網路圖來觀察。在轉出方面，[急診轉診網路圖] 可以看出高雄市前三家轉出量最大層級的醫院為旗山醫院、義大醫院及高雄長庚醫院，其中可以發現高雄長庚與市立鳳山醫院互為主要轉出醫院，而義大醫院為旗山醫院首要轉出醫院, 可能是因為義大醫院為旗山醫院地理上最近的上轉醫院。

急診轉診網路圖

 

在 [主要急診轉出網路圖] 可以更清楚看出，旗山醫院轉往義大醫院是所有轉診路徑的最大宗。

主要急診轉出網路圖

 

• 轉診地圖

第二部分，我們希望找出在一天內從第一間醫院轉出，然後又從接收醫院轉出的個案進行分析。透過 [二次轉診主要路徑圖] 可以發現，有兩種不同形態的二次轉診路線較常出現。一種是地緣關係的流動(旗山醫院->義大醫院->義大癌治療醫院)。另一種則為同體系內之互轉流動 (鳳山醫院->高雄長庚醫院->鳳山醫院)。

二次轉診主要路徑圖

 

當我們剖析這些二次轉診的事件時，希望了解其轉診原因。我們透過 [二次急診轉診型態圓餅圖] 所示來解構事件，可由左邊的圖看出，第一次轉診可能主要是處置能力不足的上轉事件；而右邊的圖則呈現出，第二次轉診可能是因醫院床位不足而做出的清倉減壓動作。此外， [二次急診轉診原因長條圖] 中，中間藍色長條圖則顯示 病人及家屬的意見在一、二轉的原因都佔有一定比例的影響。

二次急診轉診型態圓餅圖

 

二次急診轉診原因長條圖



四、討論與建議

---

醫政治理層面

• 在轉診資料分析中，急診滿載狀態影響與轉診率上升的關係，也只有重度急救醫院比較顯著。「轉診率」並不適合成為一體適用的品管指標，需要分級分層應用於不同情境。此外，一般及中度級醫院轉診量占了區域轉診量(約四分之三) 的大宗。當需要規範轉診的遊戲規則時，不應該只把資源配備或規則制定偏重於重度急救醫院的觀點，需要兼顧各層級比重。
• 出現週期性轉診量增加時，也代表資源與需求媒合過程的不順利，這通常代表時間成本與醫療資源浪費的增加。以區域治理的觀點，預先於年中時段做好擴增中度或一般級醫院的吸納量，讓重度醫院下轉順暢；或在年初時段讓一般級急救醫院準備打通跟中、重度醫院的上轉綠色通道，或週期性支援或強化一般級醫院處置能力等等，皆是從我們專案解構轉診歷史所提出的資源優化應變建議。
• 我們能否由這個專案來回答安全航道的問題? 基本上來說，一整年的急診就醫量假設是100%， 需要轉診的病人約略是1%。這1%的病人包括所謂下轉，平轉或上轉族群。我們假設大部分是下轉是穩定才得以下轉，而上轉是資源需求無法滿足才需上轉。那麼這些上轉或平轉病人或可以定義為沒法在第一時間依循”把適當的病人在適當時間送到適當醫院這原則”的病患，其中占了所有急診就醫量的0.65%。

系統管理層面

• 經上述資料顯示，現行急診轉診資料，單次轉診病人在急診室平均花費時間是6小時 ，二次轉診病人則需要額外耗費3小時。針對這些經過轉診仍無法一步到位解決問題的病人，或許在衛福部轉診平台的資訊管理功能應特別標註出來追蹤，讓這類重複轉診的醫療動線能持續優化。
• 以史為鏡，鑒往知來是改善品質的重要基礎。緊急醫療具有不確定性，若有轄區內一個大規模緊急醫療需求狀況產生，其衍生的異常轉診波動，我們希冀能產生警訊啟動更多醫院備援。而這所謂的異常波動量，也就是跟歷史經驗歧異的狀態。應該可以透過歷史資料產出上下限警戒值，並讓異常事件能主動提供警訊讓管理單位掌握。例如以品質管制角度，當高雄地區滿載通報波動趨勢，超過警戒線，管理中心就得努力在早期讓所有參與急救醫院知曉全區負荷狀況，並啟動互動頻繁的網絡內跨院支援機制。以我們這個專案來說，重度急救責任醫院資料顯示轉診率與滿載率相關， 或許植入預警模式是可行方式。所以當大量病患湧入導致重度醫院滿載時 ，或許就應早期通知中度或一般醫院，活絡重度醫院下轉傷病患的疏通機制。

 健保層面

• 醫療分級制度，原意是讓急救責任醫院依病情輕重收治病患。而醫療需求與資源媒合不盡然能完全契合，也因之衍生轉診制度。目前「健保急診品質提升方案」在設計之誘因與獎補部分，或許更需要縝密的解構這些轉診流動的行為。諸如獎勵上下轉的機制、效率指標的設計等等，往往只著重在過程面，對結果面卻極少著墨。這可能也會導致為了轉診而轉診的動作出現，而沒法為病人品質改善而轉診。現有平台轉診資料有病人流向、處置、轉診原因，但未來應該設計可以串聯病人的癒後狀況的解決方案，也有助於我們釐清轉診行為是否真正改善傷病預後的議題。

未來研究

• 救護端可以嘗試在派遣端捕捉更多元的資料源，如區域醫療後勤能量，或病患傷病就醫病史，輔以資訊化智慧派遣，或能減少非必要轉診發生，也降低醫療能量耗損。
• EMOC資料欄位內有很大一部份，是疾病描述。未來或可以導入「精準」概念，針對各類疾病病人或特殊族群，建立客製化的轉診通道。也可以由歷史資料觀察各疾病轉診趨勢，辨識區域照護能力缺口，並回饋給政府做調控資源的決策輔助。
• 現行健保制度健保疾病組合CMI值，是否對分級醫療與轉診制度造成排擠效應也值得探討。CMI值可以代表院所的救治能力，亦關係到健保總額制度的分配。因此符合CMI值可以提升總額給付的病人，會是醫院希望被轉出的對象嗎？在給付政策設計上，要如何讓醫院分級落實，並當責的提供名實相符的服務，也值得深入探索。
• 本次資料研究結果，可供未來政府制定公醫政策與配套方式，作為緊急醫療資源前瞻計畫經費規劃藍圖，或許可以建議將公醫部門重新定位，在各區域面臨大規模緊急醫療狀態時，能事前掌握各院所間合作狀況，並察覺出可疑的現象，而非被動處於醫療分級制度下，無法突破健保與各項政策間造成互相衝突與困境的角色。本研究觀察，其實在高雄地區直轄市人口與緊急醫療狀況堪稱代表性資料，藉由政府各部開放資料通力合作，作為全國各區急診轉診前瞻研究之範本。或許可以運用實際資料來作視覺化模擬，瞭解各醫療院所間緊急轉診可以負荷的狀況，並提出一套系統化與可行的疏通方式。

 

五、研究限制與建議

---

最後，受限於個資法，所取得的資料在某種程度上降低了其可用性，大大減少了可以進一步分析的可能性；例如在衛福部轉診平台方面，對資料進行隨機且重複性的加密，雖然可以讓資料無法確切識別特定個人，但也在分析上設下無法跨越的障礙，無法長期追蹤在該資料範圍之特定個人的轉診形況。但其實以Ｋ匿名化的方式去識別化仍可達到一定效果，除非取得其它不容易取得的資料，否則在間接識別特定個人資料有一定難度；而在EMOC轉診資料方面，則是缺少特定個人的資訊而無法確切連結其他資料集。這些都有待日後改善。

以下幾點建議，希望在未來能在取得資料時調和去識別化跟可用性之權重，而在平衡個資保密與謀求公共福祉之間找到平衡點。 就資料可用性的部分，我們建議：

• 原始資料盡可能減少直接加密動作
  • 降低K匿名(K-Anonymity)之K值（增加每筆資料的可用性）
  • 姓名建議以不可逆假名（pseudonymization)方式處理（唯一性）
  • 地址建議以概化(Generalization)處理（台北市XX區XX路XX號 -> 台北市ＸＸ區）
• 闕漏與錯誤值的解決
  • 減少手動輸入的方式
  • 各資料來源的醫院名稱統一
• 提高資料時間的解析度
  • 考慮增加相關資料之時間註記，精細至日、時資料，以增加資料來源連結性。