學會會訊
使用申報資料來進行醫學研究有其優勢，包括資料涵蓋不同地區的民眾、追蹤時間長、資料為前瞻性收集、資料能真實呈現醫療現況等，因此以申報資料為素材之研究不但可避免單一醫院研究所導致的選樣偏差 (selection bias)，也可以避免資訊偏差 (information bias)。除此之外，當研究者不需花費大量金錢與時間自行收集資料時，研究者比較能迅速的進行學術研究。台灣因為施行單一保險人之全民健保制度，納保率幾乎百分之百，而且給付項目涵蓋住院、急診、與門診，因此累積了大量的健保申報資料，健保局也委託國家衛生研究院，將健保申報資料整理成健保研究資料庫，提供研究者大量研究之素材。使用台灣健保研究資料庫之研究，這幾年如雨後春筍般，發表篇數節節上昇1，而依照美國國家醫學圖書館 (PubMed) 索引之資料，應用於中風之相關研究已超過百篇。
雖然以申報資料進行醫學研究有其優勢，但亦有相當大的限制，申報資料中並沒有病人的臨床資訊，因此研究時會面臨三大難題，包括如何找出罹患某種疾病之病人族群、如何得知病人之病情後果、及如何校正疾病嚴重度2。而中風是一個相當多樣化的疾病，病人間病情嚴重度可能存在極大之差距，造成使用申報資料來研究中風之後果更加困難。常見以健保研究資料庫為題材之中風研究有兩大類型，第一類即中風病人後果之研究，例如病人中風後之再入院率、死亡率、或再中風率，或者病人中風後使用某項治療是否可以改善其預後。第二類屬流行病學中風危險因子之探討，例如何種疾病容易導致病人中風，或是何種治療可以減少病人發生中風。但這些以申報資料所得之研究結果有ㄧ共通之限制，即無法得知每位病人中風嚴重度，這項缺陷不但可能削弱研究結論的價值，甚至可能影響研究結果的正確性。
先前使用健保研究資料庫之中風相關研究，曾有學者使用各種代理變數來推估病人之中風嚴重度。例如使用住院天數與有無入住加護病房來代表中風嚴重度3，或利用住院醫療費用清單明細檔中，每次住院所申報之ICD診斷碼及ICD處置碼，來判斷病人有無使用呼吸器、有無接受手術 (包括胃造廔術、開顱術、氣管切開術等)、有無神經系統後遺症 (偏癱、失語症、癲癇等)來代表中風嚴重度4。但這些方式並未經過正式之驗證，而使用ICD診斷碼及處置碼，也可能會受到疾病分類人員未能正確編碼的影響，更何況在健保研究資料庫中，每筆住院醫療費用清單明細中，僅會列出五項ICD診斷碼與五項ICD處置碼，因此可能無法得知病人曾接受過之所有處置與病人因中風而存留之後遺症。
雖然健保研究資料庫有上述之問題，但凡走過必留下痕跡，申報資料的確忠實的記錄了病人就醫的過程，包括診斷、處置、藥品等。當病人有症狀時，會前來醫療照護機構就醫，這時醫師會進行檢查，建立診斷，並給與處置及處方藥物，這些資料申報之後就儲存於資料庫中。病人接受治療後，病情會有變化，當再度就醫時，醫師又會給予新的診斷、處置、及藥物處方，這些五花八門的申報資料可視為病人病情的代理資訊。急性缺血性中風病人通常在發病48小時至數周內，有可能產生神經系統或內科方面之併發症，大部分併發症之發生通常與中風嚴重度成正相關。這些併發症的治療與處置本來就是中風醫療照護之一環，舉例來說，中風病人若合併有吞嚥困難，通常需要放置鼻胃管以供餵食，中風病人若產生腦水腫之併發症，則需要使用降腦壓藥物來治療。因此，由中風醫療照護衍生而來的申報資料，包括藥品處方、手術處置、醫療服務等項目，或許可以提供中風病人疾病嚴重度的線索。
因此，我們以一家區域醫院中風病人之健保申報資料建立中風嚴重度的估計模式，我們將這種由申報資料估計得到的中風嚴重度命名為 Stroke Severity Index (SSI)，之後以另外四家醫院(兩家醫學中心與兩家區域醫院)之中風病人資料來做外部驗證，由驗證組病人之申報資料計算出每位病人之 SSI，結果顯示 SSI 與病人住院時之 NIHSS 呈高度相關。本研究成果將刊登於 Journal of Clinical Epidemiology，同時我們也設立線上計算機 (http://hdmlab.twbbs.org:508/SSI/hdmlab/ssi2.jsp)，供未來研究者使用。對於第一類中風病人後果之研究，可利用 SSI 來校正疾病嚴重度，對第二類中風危險因子之研究，則可以藉由 SSI 來得知某項危險因子引起之中風是屬於嚴重或者是輕微的中風。 本研究開發出之 SSI，可彌補目前研究健保資料庫時缺乏中風嚴重度的缺陷，藉由此經過驗證的中風嚴重度代理指標，讓研究者未來在進行健保研究資料庫之中風相關研究時，可使用 SSI 來代替臨床上使用之 NIHSS，以利於提升研究之品質。 而以全人口資料庫所進行之高品質中風研究，不僅有助於醫學知識之進展，也能提供政策制定者規劃醫療制度所需。
參考文獻：
