国家卫生健康委卫生发展研究中心：如何用数据驱动基层医疗资源配置？
近期趋势：数据要素正加速渗入基层卫生规划
在分级诊疗制度持续推进的背景下，基层医疗机构的设备、药品、人员配置长期存在结构性问题。近期，围绕“用数据说话”的资源配置逻辑逐步成型——从以往凭经验估算床位与医生数量，转向基于就诊量、疾病谱、人口流动、服务半径等实时或准实时数据来测算缺口。国家卫生健康委卫生发展研究中心（下称“研究中心”）在多场政策研讨中反复提及：建立以县域为单位的“数据中台”，将医保结算、电子病历、公共卫生筛查等接口打通，是科学配置资源的前提。
这种趋势在多个省份的年度卫生资源配置方案中已有体现：例如某中西部试点县通过分析过去三年的门诊与住院流量，将原本集中在县医院的慢病管理职能下沉至乡镇卫生院，同时调整了药品配送频次。研究中心作为政策研究的国家级智库，其发布的专题报告常被各地卫健委用作参考框架。
行业背景：基层资源错配的“老问题”与数据缺失的“新瓶颈”
长期以来，基层医疗资源配置面临两大硬伤：
- 供给与需求错位：许多乡镇卫生院开设了心内科、骨科等专业科室，但本地居民实际就诊需求集中在高血压、糖尿病、呼吸道感染等常见病，导致设备闲置、人员效率低。
- 动态调整机制缺位：资源往往按固定比例（如每千人几张床位）配置，忽略了人口老龄化、季节性流动（如外出务工人员返乡）带来的服务量波动。
研究中心的观点认为，数据驱动不是简单地把Excel表格搬到大屏上，而是需要建立三类核心数据能力：
- 流量数据采集：涵盖社区卫生服务站、村卫生室的就诊记录、转诊记录，甚至药店购药记录；
- 能力数据评估：通过诊治病种、手术难度、检验检查外送比例等指标，量化基层医生的实际服务能力；
- 地理与人口数据叠加：结合路网距离、公交班次、法定人口与常住人口差异，计算居民获取医疗服务的实际可及性。
值得注意的是，上述数据的标准化程度在不同地区差异显著。某些省份已实现县域内数据实时归集，而部分欠发达地区仍依赖纸质报表手工填报——数据质量与时效性直接影响配置方案的有效性。
用户关注点：基层管理者与一线医生最关心什么？
在研究中心公开发布的多份调研中，基层卫健局负责人和乡镇卫生院院长的典型诉求可归纳为以下五点：
| 关注维度 | 具体问题 | 数据可提供的参考 |
|---|---|---|
| 人员配置 | “全科医生到底缺多少？排班如何匹配就诊高峰？” | 按日/时段统计的门诊量曲线，以及家庭医生签约服务的履约频次 |
| 设备采购 | “买CT还是留资金给检验科？利用率多高才划算？” | 区域内同类设备的使用率、外转检查的比例、设备投资回收期模型 |
| 药品储备 | “常用药断货，而慢性病药积压过期怎么办？” | 用药频次与季节相关性分析，结合上游配送商库存数据动态预警 |
| 转诊路径 | “哪些病在基层治不了？转到上级医院后多久能回？” | 病种转诊率、下转后的随访完成率、不同路线的时间成本 |
| 绩效考核 | “如何用数据证明基层机构服务量在提升？” | 签约居民的就诊留存率、费用结构变化等产出指标 |
对此，研究中心的建议通常是“从局部试点切入”。例如优先选择一个慢病病种（如高血压）的全程管理数据链路，验证数据的可信度后再扩展至其他领域，避免一次性铺开导致基层负担过重。
可能影响：数据驱动配置将带来三重变化
如果此类方法论在更大范围落地，至少会在三个层面产生实质影响：
- 财政投入更精准：以往按“一院一策”申请的基建和设备预算，可能被统一建模后的需求预测取代，减少资金沉淀与重复建设。
- 人才政策转向：从“规定每家基层机构必须配置几名全科医生”转向按服务量和服务半径动态匹配，偏远地区或可借助远程会诊系统减少驻点人员编制。
- 服务模式重塑：数据公开后，居民能够更直观地了解家门口能看什么病、哪个时间排队短，间接推动基层机构提升服务效率。
但挑战同样明显——数据共享涉及伦理与隐私，不同信息系统间的接口标准尚未统一，基层工作人员的数据填报能力也需要持续培训。研究中心的报告通常强调“先建机制，再建系统”，即数据收集的权责划分与质量考核规则要早于技术平台搭建。
后续观察：从“看数据”到“用数据做决策”仍有距离
当前多数地区的进展停留在“数据可视化”阶段——领导驾驶舱能看到实时床位使用率、门诊人次等指标，但真正基于算法自动调整资源分配的案例极少。研究中心的后续研究方向可能包括：
- 预测模型本地化：如何将全国性人口健康模型参数调整为适合县域的微尺度模型；
- 数据成本与收益评估：采集、清洗、维护数据的人力与资金投入，是否能通过降低闲置资源带来的收益抵消；
- 跨部门协同规则：卫健、医保、民政、统计等部门之间数据交换的合规路径与权责划分。
在这一过程中，研究中心更多扮演“方法论提供者”与“效果评估者”角色，而非直接输出唯一解。对于地方政府和基层机构而言，值得关注的不是某个具体系统，而是如何根据自身的人口结构、财政能力和现有信息化水平，选择成本可控的“最小可行数据集合”开始行动。