基于因果分析的医疗质量改进策略

基于因果分析的医疗质量改进策略演讲人01基于因果分析的医疗质量改进策略02引言：医疗质量改进的因果思维转向03理论基础：因果分析在医疗质量改进中的逻辑起点04应用框架：基于因果分析的医疗质量改进实施路径05实践案例：因果分析在医疗质量改进中的实证探索06挑战与对策：因果分析在医疗质量改进中的现实困境与突破07未来展望：因果分析赋能医疗质量改进的进阶方向08结语：因果分析——医疗质量改进的“精准导航仪”目录01基于因果分析的医疗质量改进策略02引言：医疗质量改进的因果思维转向引言：医疗质量改进的因果思维转向在临床一线工作的二十余年中，我见证过太多因“经验主义”导致的医疗质量改进偏差：某科室为降低术后感染率，盲目增加抗生素使用频次，却忽略了手卫生依从性这一核心混杂因素；某医院为缩短平均住院日，强制轻症患者出院，反而导致非计划再入院率上升。这些案例暴露出传统医疗质量改进方法的局限——过度依赖“相关性”判断，而非“因果性”探究。随着医疗系统复杂性加剧，随机对照试验（RCT）因伦理、成本限制难以覆盖所有场景，观察性数据成为质量改进的重要依据，而如何从数据中剥离虚假关联、识别真实因果，成为医疗质量管理的核心命题。因果分析，作为连接“数据”与行动”的桥梁，为医疗质量改进提供了全新的思维范式。它不仅关注“什么措施有效”，更回答“为什么有效”“在何种条件下有效”，推动质量改进从“试错式粗放管理”向“机制化精准施策”转型。本文将从理论基础、应用框架、实践案例、挑战对策及未来展望五个维度，系统阐述基于因果分析的医疗质量改进策略，以期为医疗从业者提供一套兼具科学性与实操性的方法论体系。03理论基础：因果分析在医疗质量改进中的逻辑起点医疗质量的内涵与因果关联的本质医疗质量是一个多维概念，世界卫生组织（WHO）将其定义为“卫生服务提高个体和群体健康目标达到的程度”，涵盖安全性、有效性、及时性、效率性、公平性及患者体验六大核心维度。这些维度的提升本质上是对“医疗干预-健康结局”因果关系的优化：安全性要求避免“治疗导致的不良事件”（负向因果），有效性追求“治疗带来预期获益”（正向因果），及时性强调“干预时机与因果效应的匹配”……然而，医疗场景中的因果关系往往被“混杂偏倚”“选择偏倚”“测量偏倚”等干扰因素掩盖。例如，观察到“使用药物A的患者生存率更高”，可能是药物A本身有效，也可能是医生更倾向于将药物A用于病情较轻的患者（选择偏倚）。因果分析的核心任务，正是通过统计模型和设计策略，识别并控制这些干扰，揭示“净效应”（NetEffect）——即干预本身对结局的真实影响。因果分析的核心理论框架因果图的逻辑基础：有向无环图（DAGs）有向无环图（DirectedAcyclicGraphs,DAGs）是因果分析的“可视化语言”，通过节点（变量）和有向边（因果关系）构建假设模型。在医疗质量改进中，DAGs能帮助团队：01-识别混杂因素：位于暴露与结局之间，且与二者均相关的变量（如“患者基础疾病”既影响治疗方案选择，又影响术后结局）；02-排除中介因素：位于暴露与结局之间的中间变量（如“血压”是“降压药”与“脑卒中”的中介，若调整血压则会掩盖药物的真实效应）；03-发现collider偏倚：暴露与结局的共同结果（如“住院天数”是“手术方式”与“并发症”的共同结果，强行调整可能导致虚假关联）。04因果分析的核心理论框架因果图的逻辑基础：有向无环图（DAGs）例如，在“手卫生依从性与手术部位感染（SSI）”研究中，DAGs可明确“手术时长”“ASA评分”为混杂因素，而“术后抗生素使用”可能为中介变量，避免在分析中错误调整中介导致效应低估。因果分析的核心理论框架潜在结果框架：因果效应的量化定义由DonaldRubin提出的潜在结果框架（PotentialOutcomeFramework）为因果效应的量化提供了数学基础。其核心思想是：对同一个体，若同时接受干预（A=1）和不接受干预（A=0），结局的差值（Y₁-Y₀）即为“个体因果效应”（IndividualCausalEffect,ICE）。但由于个体无法同时处于两种状态，这一“反事实问题”（CounterfactualProblem）需通过群体层面的统计推断解决。医疗质量改进中常用的效应指标包括：-平均处理效应（ATE）：干预组与对照组的平均结局差，适用于“整体人群”策略评估（如全院推广手卫生培训的效果）；因果分析的核心理论框架潜在结果框架：因果效应的量化定义-条件平均处理效应（CATE）：特定亚组人群的因果效应，适用于“个体化”改进策略（如“对于老年患者，微创手术vs开腹手术的术后并发症差异”）；-平均处理效应在处理组（ATT）：仅干预组人群的因果效应，适用于“已实施干预”场景的效果复盘（如某科室已采用新流程，评估其对本科室医护效率的影响）。因果分析的核心理论框架结构因果模型（SCM）：从关联到因果的桥梁结构因果模型（StructuralCausalModel,SCM）通过方程式描述变量间的因果关系，将DAGs的定性假设转化为定量分析。其核心公式为：\[Y=f(A,C,\varepsilon)\]其中，Y为结局变量，A为干预变量，C为混杂因素，ε为误差项（未观测因素）。通过识别模型结构（如是否满足“可忽略性假设”：即A与C独立，且A与ε无关），可估计出干预A对Y的因果效应。例如，在“抗生素使用与耐药率”研究中，若“患者基础疾病”（C）同时影响抗生素使用（A）和耐药率（Y），且C可观测，则可通过调整C（如回归分析、倾向性评分匹配）控制混杂，估计A对Y的净效应。04应用框架：基于因果分析的医疗质量改进实施路径应用框架：基于因果分析的医疗质量改进实施路径将因果分析融入医疗质量改进需遵循“问题识别-假设构建-数据准备-模型估计-策略落地-效果验证”的闭环流程，每个环节均需结合医疗场景的特殊性（如数据异构性、临床伦理约束）进行设计。问题识别：从“现象描述”到“因果假设”质量改进的起点是精准识别“问题现象”，但传统方法常停留于“指标异常描述”（如“本月科室跌倒率上升20%”），缺乏对“异常原因”的因果追问。因果分析要求团队通过“5Why分析法”和“DAGs构建”实现从“现象”到“因果问题”的转化。问题识别：从“现象描述”到“因果假设”现象拆解：指标归因与变量定义首先，需明确“结局变量”的临床意义。例如，“跌倒率上升”需进一步拆解为“住院患者跌倒率”“门诊患者跌倒率”“跌倒导致伤害程度”等子指标，避免“笼统指标”掩盖真实问题。其次，通过鱼骨图（人、机、料、法、环、测）列出所有可能的“暴露因素”（如“地面湿滑”“护士巡视频次”“患者意识状态”）。问题识别：从“现象描述”到“因果假设”因果假设构建：DAGs初步绘制基于临床经验和文献回顾，绘制初步的DAGs。例如，假设“地面湿滑”（X₁）、“护士巡视频次”（X₂）、“患者意识状态”（X₃）均与“跌倒发生”（Y）相关，且“患者意识状态”受“镇静药物使用”（X₄）影响，而“护士巡视频次”受“护士人力配置”（X₅）影响。此时，DAGs需明确：-X₄（镇静药物）是否为X₃（意识状态）与Y（跌倒）的中介？-X₅（人力配置）是否通过X₂（巡视频次）间接影响Y？-是否存在未观测混杂（如“患者年龄”，既影响意识状态，又影响跌倒风险）？通过DAGs，可聚焦“核心因果路径”，排除无关变量干扰，避免“数据挖掘式”分析的盲目性。数据准备：从“原始数据”到“因果推断友好数据”医疗数据具有“多源异构”（电子病历、检验检查、护理记录等）、“时间动态”（干预与结局存在时间滞后）、“缺失高发”（关键变量记录不全）等特点，需通过预处理满足因果推断的数据要求。数据准备：从“原始数据”到“因果推断友好数据”数据整合与变量标准化-多源数据融合：通过患者唯一ID关联住院系统、电子病历、护理系统、检验系统，构建“干预-暴露-结局-混杂”的全流程变量库。例如，将“手术方式”（干预变量）、“术后并发症”（结局变量）、“手术时长”（混杂变量）从不同系统中提取并整合。-变量标准化：统一临床术语（如将“心衰”“心力衰竭”合并为“心力衰竭”），处理极端值（如“住院时长=3650天”可能为录入错误，需核对修正），分类变量（如“性别”编码为0/1）和连续变量（如“年龄”标准化为Z-score）需根据模型要求转换。数据准备：从“原始数据”到“因果推断友好数据”缺失数据处理与因果平衡检查-缺失机制判断：通过“缺失完全随机（MCAR）”“缺失随机（MAR）”“缺失非随机（MNAR）”检验，选择处理策略。例如，“手术时长”缺失若因护士忘记记录（MAR），可采用多重插补（MultipleImputation）；若因病情危重无法记录（MNAR），需在分析中标注并做敏感性分析。-因果平衡检查：在观察性研究中，干预组与对照组的混杂因素分布常不均衡（如重症患者更多集中在干预组）。需通过“标准化均值差异（SMD）”衡量平衡性：SMD<0.1表示平衡良好，否则需调整（如倾向性评分匹配、逆概率加权）。数据准备：从“原始数据”到“因果推断友好数据”时间变量处理：因果时序的明确医疗干预的因果效应具有“时间依赖性”，需明确“暴露时间”“结局时间”“混杂因素测量时间”。例如，研究“降压药使用与心肌梗死风险”，需确保“降压药使用时间”早于“心肌梗死发生时间”，且“血压基线值”在用药前测量，避免“时间偏倚”（如用药后血压变化被误认为混杂因素）。模型选择：从“统计关联”到“因果效应估计”根据研究设计（RCT/观察性研究）、数据类型（连续/分类）、样本量大小，选择合适的因果模型。医疗质量改进中常用的模型及其适用场景如下：模型选择：从“统计关联”到“因果效应估计”观察性数据模型：控制混杂的经典方法-回归调整（RegressionAdjustment）：通过多元回归模型纳入混杂因素，直接估计干预效应。适用于“小样本”“混杂因素较少”场景（如某科室评估“新护理流程”对压疮发生率的影响，调整“年龄”“Braden评分”等混杂）。-倾向性评分匹配（PSM）：为干预组每个匹配1个或多个混杂因素相似的对照组，模拟“随机化”。适用于“混杂因素较多”“连续变量与分类变量混杂”场景（如研究“机器人辅助手术vs传统手术”的疗效，匹配“ASA评分”“手术类型”等）。-工具变量法（IV）：寻找与干预相关但与结局无关的工具变量，解决“未观测混杂”（如用“医院到患者家的距离”作为“是否选择手术”的工具变量，因距离影响就医选择，但不直接影响术后恢复）。123模型选择：从“统计关联”到“因果效应估计”观察性数据模型：控制混杂的经典方法-中介分析（MediationAnalysis）：探究干预通过“中介变量”影响结局的路径。例如，“手卫生培训（干预）”通过“手卫生依从性（中介）”降低“SSI发生率（结局）”，可量化中介效应占比，指导针对性改进（若中介效应占比高，则需重点提升依从性）。模型选择：从“统计关联”到“因果效应估计”机器学习增强模型：处理高维数据与复杂交互传统模型在“高维混杂”（如基因数据、影像学特征）和“非线性交互”中表现有限，需结合机器学习算法：-因果森林（CausalForest）：基于随机森林的思想，估计不同个体/亚组的异质性因果效应（CATE），识别“哪些患者从干预中获益更多”（如“老年患者vs青年患者”对同一降压药的反应差异）。-双重机器学习（DML）：用机器学习分别估计干预和结局对混杂因素的响应，再通过residualization剥离混杂影响，解决“高维维度灾难”问题（如评估“多药联用”对慢性病预后的影响，控制数十个实验室指标混杂）。-结构方程模型（SEM）与贝叶斯网络：适用于多变量、多路径的复杂因果系统（如“糖尿病管理”中，“饮食控制”“运动”“药物”“血糖控制”“并发症”的因果网络构建）。模型选择：从“统计关联”到“因果效应估计”模型验证：稳健性与敏感性分析-内部验证：通过bootstrap重抽样、交叉验证评估模型稳定性，避免“过拟合”（如某模型在训练集中ATE=0.3，但在测试集仅0.1，则需简化模型或增加样本）。-敏感性分析：评估“未观测混杂”对结果的影响。例如，用“E值”判断需要多强的未观测混杂才能改变结论（若E值=5，意味着需一个使结局风险增加5倍的未观测混杂，才能推翻“干预有效”的结论，则结果较稳健）。策略落地：从“因果证据”到“临床行动”因果分析的价值在于指导实践，需将统计结果转化为可操作的改进策略，并考虑“可行性”“成本效益”“伦理合规”。策略落地：从“因果证据”到“临床行动”策略制定：基于CATE的精准干预若因果分析发现“干预效应存在异质性”（如CausalForest显示“年龄>65岁患者的ATT=0.4，而≤65岁患者ATT=0.1”），则需制定“分层策略”：对高风险人群（老年患者）优先推广干预，对低风险人群可维持原方案，避免“一刀切”导致的资源浪费。策略落地：从“因果证据”到“临床行动”成本效益与风险评估在策略落地前，需评估“实施成本”（如培训费用、设备投入）与“预期收益”（如并发症减少带来的住院费用节约、赔偿风险降低）。例如，某医院通过因果分析发现“使用防跌倒床垫可降低跌倒率50%”，但需计算床垫采购成本与跌倒导致的医疗支出、赔偿金额的平衡点，确保策略经济可行。策略落地：从“因果证据”到“临床行动”伦理与合规性审查医疗干预涉及患者权益，因果分析指导的策略需通过伦理委员会审查，确保：01-知情同意：若策略涉及患者分组（如“仅对高风险患者使用新疗法”），需明确告知患者并获得同意；02-公平性：避免因“因果效应异质性”导致资源分配不公（如“低收入地区患者因数据缺失被排除在干预外”）；03-数据隐私：分析过程中对患者数据去标识化，符合《个人信息保护法》《医疗健康数据安全管理规范》等法规。04效果验证：从“短期效果”到“长期因果”质量改进策略实施后，需通过“因果效应再评估”验证效果，形成“PDCA循环”（计划-执行-检查-处理）。效果验证：从“短期效果”到“长期因果”随机对照试验（RCT）：金标准的验证若条件允许，可通过小样本RCT验证策略效果（如某科室推广“新护理流程”后，随机选取100例患者干预、100例对照，比较并发症发生率）。RCT能最大程度控制混杂，是因果效应验证的“金标准”。效果验证：从“短期效果”到“长期因果”断点回归设计（RDD）：政策效果的天然实验当干预分配基于“连续变量截断”（如“评分>60分患者使用新疗法”），可利用断点回归设计，比较“略高于截断点”与“略低于截断点”患者的结局差异，估计局部平均处理效应（LATE）。例如，某医院规定“APACHEⅡ评分>15分进入ICU”，可通过RDD评估“ICU治疗对重症患者死亡率的影响”。效果验证：从“短期效果”到“长期因果”长期追踪与动态因果调整医疗质量的改善常具有“滞后性”（如“戒烟干预”对肺癌发生率的影响需10年以上），需建立长期追踪机制，通过“时间序列分析”“动态面板模型”评估策略的持续效应。同时，随着医疗环境变化（如新技术引进、政策调整），需定期更新DAGs和模型参数，动态调整策略。05实践案例：因果分析在医疗质量改进中的实证探索案例1：降低手术部位感染（SSI）的因果改进策略问题背景某三甲医院骨科SSI率连续3个月超过3%（国家目标为2%），传统改进措施（如“增加抗生素使用时长”）效果有限，且导致耐药率上升。团队需通过因果分析识别SSI的真实驱动因素。案例1：降低手术部位感染（SSI）的因果改进策略因果分析与实施路径-问题识别与DAGs构建：通过鱼骨图列出可能因素（手术时长、手卫生依从性、术前备皮方式、患者基础疾病等），绘制DAGs明确“手术时长”“ASA评分”为混杂，“术前抗菌药物使用”为中介（图1）。01-数据准备：回顾2019-2022年1200例骨科手术患者数据，提取“手术方式”（干预变量，分为“微创”与“开放”）、“SSI发生率”（结局变量）、“手术时长”“ASA评分”（混杂变量）、“手卫生依从性”（暴露变量）。02-模型选择：采用“中介分析+倾向性评分匹配”，控制混杂后，发现“微创手术”使SSI率降低1.8%（ATE=-0.018，P<0.01），其中“手卫生依从性提升”贡献了45%的中介效应。03案例1：降低手术部位感染（SSI）的因果改进策略因果分析与实施路径-策略落地：针对“开放手术”（SSI高风险），制定“三重改进措施”：①强制使用抗菌药物术前1小时给药（规范中介路径）；②增加手术室手卫生监督频次（提升暴露变量）；③对手术时长>2小时的患者，术中追加抗菌药物（调整混杂因素）。-效果验证：实施6个月后，开放手术SSI率从3.5%降至1.8%，达到国家目标；耐药率未上升，成本效益比（每降低1%SSI节约的医疗费用）为1:4.2。案例2：急诊分诊效率的因果优化问题背景某医院急诊科平均分诊等待时间为45分钟（目标为≤20分钟），患者投诉率居高不下。传统方法（“增加分诊护士数量”）未显著缩短等待时间，需通过因果分析识别“分诊效率瓶颈”。案例2：急诊分诊效率的因果优化因果分析与实施路径-问题识别与DAGs构建：通过“分诊流程拆解”发现，影响等待时间的关键环节包括“患者到院登记”“护士初筛”“医生复诊”。DAGs显示“患者病情危重程度”（混杂）既影响分诊时间，又影响等待时间，“护士经验”（暴露）与“分诊工具准确性”（中介）为核心变量。-数据准备：收集2023年1-6月3000例急诊患者数据，提取“分诊等待时间”（结局）、“护士工作年限”（暴露）、“患者危重程度”（按ESI分级，混杂）、“分诊工具使用规范性”（中介，是否按“五级分诊标准”执行）。-模型选择：采用“因果森林”分析异质性效应，发现“工作年限<1年的护士”导致的分诊延迟是主要问题（CATE=15分钟，P<0.001），且“分诊工具使用不规范”中介效应占比62%。案例2：急诊分诊效率的因果优化因果分析与实施路径-策略落地：针对“低年资护士”，实施“精准培训计划”：①开发“分诊决策支持系统”（AI辅助ESI分级，提升工具准确性）；②建立“高年资护士带教-低年资护士实操”的1对1导师制；③优化流程，对“ESIⅠ级（危重）”患者启动“绿色通道”，跳过常规分诊。-效果验证：3个月后，低年资护士分诊等待时间从52分钟降至22分钟，全科平均等待时间降至19分钟，患者投诉率下降68%。案例3：肿瘤化疗患者生活质量的因果中介分析问题背景某肿瘤医院化疗患者生活质量（QoL）评分持续低于全国平均水平，传统“对症支持治疗”效果有限。团队需探究“化疗方案”“症状管理”“心理干预”对QoL的因果路径。案例3：肿瘤化疗患者生活质量的因果中介分析因果分析与实施路径-问题识别与DAGs构建：基于文献和临床经验，DAGs显示“化疗方案强度”（暴露）、“恶心呕吐控制率”（中介）、“焦虑抑郁评分”（中介）、“社会支持度”（混杂）共同影响QoL。-数据准备：纳入2022年500例肺癌化疗患者，采用EORTCQLQ-C30量表评估QoL，收集“化疗方案”（TC/PC方案）、“止吐药物使用”（是否使用5-HT3受体拮抗剂）、“HAMA/HAMD评分”（焦虑抑郁）、“家庭月收入”（社会支持代理变量）。-模型选择：采用“结构方程模型（SEM）”分析多路径中介效应，发现“TC方案”通过“降低恶心呕吐发生率”（间接效应β=0.32，P<0.01）和“减轻焦虑抑郁”（间接效应β=0.28，P<0.01）提升QoL，但“高强度方案”对骨髓抑制的负向效应（直接效应β=-0.21，P<0.05）部分抵消了总效应。案例3：肿瘤化疗患者生活质量的因果中介分析因果分析与实施路径-策略落地：制定“个体化化疗-症状管理-心理支持”组合策略：①对“年轻、高社会支持患者”优先推荐TC方案，配合“预防性止吐+心理疏导”；②对“老年、低社会支持患者”选择PC方案，强化“骨髓抑制监测与支持治疗”。-效果验证：6个月后，干预组QoL评分从58分提升至72分，较对照组高15分（P<0.01），且化疗中断率从12%降至5%。06挑战与对策：因果分析在医疗质量改进中的现实困境与突破挑战与对策：因果分析在医疗质量改进中的现实困境与突破尽管因果分析为医疗质量改进提供了科学工具，但在实际应用中仍面临数据、模型、认知等多重挑战，需通过技术创新与机制创新破解难题。核心挑战数据质量与异构性壁垒医疗数据存在“记录不完整”（如护理记录缺失关键细节）、“标准不统一”（不同医院对“并发症”的定义差异）、“动态性复杂”（患者状态随时间变化）等问题，导致因果分析“输入端”质量不足。例如，某研究因“30%患者手术时长缺失”，最终样本量减少50%，统计效力显著降低。核心挑战因果假设构建的主观性DAGs的构建依赖临床专家经验，不同团队可能因“先验认知差异”绘制不同模型，导致结论不一致。例如，在“抗生素与耐药率”研究中，部分专家认为“患者基础疾病”是混杂，部分专家则认为其是“效应修饰变量”（即抗生素效应随基础疾病变化），进而影响调整策略的选择。核心挑战模型复杂性与临床落地鸿沟部分高级因果模型（如因果森林、双重机器学习）需数据科学家参与建模，临床医生因缺乏统计学基础难以理解模型逻辑，导致“分析结果”与“临床实践”脱节。例如，某医院通过因果森林发现“某药物对特定基因型患者有效”，但因临床医生无法解读“基因型分层的统计意义”，该策略未能落地。核心挑战伦理与合规约束医疗数据的隐私保护（如《HIPAA》《GDPR》）和伦理审查要求，限制了数据共享和模型外部验证。例如，多中心因果分析需收集各医院患者数据，但部分医院因“数据安全顾虑”拒绝参与，导致样本代表性不足。突破路径构建医疗因果数据治理体系-统一数据标准：推动医疗机构采用《医疗质量数据元标准》《临床术语集（如SNOMEDCT、ICD-11）》，实现数据“同质化”；-建立数据质量监控平台：通过“实时校验规则”（如“手术时长>24小时”自动标记需核实）、“缺失值预警机制”，提升数据完整性；-开发医疗因果知识图谱：整合临床指南、文献证据和专家经验，构建“疾病-干预-结局”因果网络库，为DAGs构建提供客观参考。突破路径推动多学科协作的因果分析团队组建“临床医生+统计学家+数据科学家+伦理学家”的跨学科团队，实现“临床问题”与“统计方法”的双向翻译。例如，临床医生负责定义“结局变量”的临床意义，统计学家选择匹配的因果模型，数据科学家负责算法落地，伦理学家把控合规风险，确保分析结果既科学又实用。突破路径开发临床友好的因果分析工具-低代码/无代码平台：开发“因果分析可视化工具”，允许临床医生通过拖拽节点构建DAGs，自动生成倾向性评分匹配、回归调整等基础模型结果；-模型解释性（XAI）技术：采用SHAP值、LIME等方法，将复杂模型的预测结果转化为临床可理解的“归因解释”（如“该患者术后感染风险升高的主要原因是手术时长延长2小时，ASA评分Ⅲ级”）；-实时因果监测系统：嵌入电子病历系统，对“干预-结局”数据进行实时因果推断，当检测到“异常效应”（如某药物不良反应率突升）时自动触发预警。突破路径建立伦理与合规保障机制-隐私计算技术应用：采用“联邦学习”“差分隐私”“安全多方计算”等技术，在“不共享原始数据”的情况下实现多中心因果分析（如各医院在本地训练模型，仅交换模型参数）；01-患者数据授权机制：通过“区块链+智能合约”实现患者对数据的“自主授权”（如患者可选择“允许某研究团队使用我的数据，仅用于SSI因果研究”），保障数据使用透明可控。03-动态伦理审查框架：对因果分析项目实行“分级审查”：低风险项目（如回顾性病历分析）由医院伦理委员会快速审批，高风险项目（如涉及患者分组的干预）需省级伦理委员会备案；0207未来展望：因果分析赋能医疗质量改进的进阶方向未来展望：因果分析赋能医疗质量改进的进阶方向随着医疗系统向“精准化”“智能化”“协同化”转型，因果分析将与新技术、新场景深度融合，推动医疗质量改进进入“因果驱动