Assessing the impact of social prescribing on health service utilisation: Evidence from the UK

这项基于英国 4,547 名参与者纵向数据的研究表明，社会处方显著降低了全科医生就诊、急诊就诊及住院率，且这种效益在不同社会人口群体中普遍适用。

要点

这篇论文就像是在给英国的医疗系统做了一次“体检”，重点检查了一种叫做**“社会处方”（Social Prescribing）**的新疗法，到底能不能帮医生“减负”。

为了让你更容易理解，我们可以把整个故事想象成**“给生病的社区开一张特殊的‘生活处方’"**。

1. 背景：医院太忙了，医生累坏了

想象一下，英国的国家医疗服务体系（NHS）就像一家超级拥挤的急诊室。

• 问题： 人太多了，而且很多人生病不仅仅是因为身体不好，而是因为孤独、压力大、没钱、或者不知道去哪找乐子。
• 现状： 医生（GP）每天要接待大量病人，但其中约 19% 的时间，病人其实不需要吃药或手术，他们只是需要有人聊聊，或者需要有人带他们去公园走走、参加个合唱团、或者找个志愿者帮忙。
• 新方案： 于是，NHS 推出了“社会处方”。这就像医生不再只开“药片”，而是开了一张**“生活体验券”。病人拿着这张券，去找一位“链接员”（Link Worker）。链接员就像一位“生活向导”**，帮病人找到社区里的活动（比如园艺、艺术课、运动小组），让他们重新融入社会，找回生活的乐趣。

2. 核心问题：这招管用吗？

大家心里都在打鼓：

• 乐观派说： 如果病人心情好了、身体动了、朋友多了，他们是不是就不需要老跑医院了？这样就能给医院“减负”。
• 怀疑派说： 万一病人因为参加了活动，反而更关注健康，跑医院更勤了呢？或者，那些本来就需要很多医疗帮助的人，是不是因为太忙了才没空去参加活动？

这篇研究就是为了解开这个谜团。

3. 研究方法：像侦探一样查数据

研究人员没有搞那种小规模的实验，而是像**“大数据侦探”**一样，调取了英国 120 多个地方、4500 多名病人的真实记录。

• 时间跨度： 他们对比了这些病人在参加“社会处方”活动之前和之后（大约 3 到 12 个月）的情况。
• 看什么指标： 他们主要数了三样东西：
  1. 去**全科医生（GP）**诊所的次数。
  2. 去**急诊室（A&E）**的次数。
  3. 被住院的次数。

4. 研究发现：惊人的“减负”效果

结果非常令人振奋，就像给拥挤的急诊室打开了一扇通风窗：

• 看全科医生（GP）： 平均每个人在 3 个月内，少跑了 1 趟诊所。
  • 比喻： 这相当于把原本需要看 1.9 次医生的频率，直接降到了 0.9 次，减少了超过一半（53%）！
• 看急诊室（A&E）： 去急诊的次数减少了 62.6%。
  • 比喻： 以前每 100 个人里可能有 7 个人会去急诊，现在只有 3 个人了。
• 看住院： 住院次数减少了 61.7%。
  • 比喻： 本来可能要住进医院的人，现在大部分都在社区里通过“生活处方”解决了问题。

最有趣的是： 这种效果对所有人都差不多。不管是住在城市还是农村，是年轻人还是老年人，只要参加了这个活动，大家的看病次数都明显下降了。这说明“社会处方”不是只针对某类人的“特效药”，而是一剂通用的“健康维生素”。

5. 为什么会有这种效果？

研究人员认为，这背后的逻辑很简单：

• 治本不治标： 很多人生病是因为“心”累了或者“社会关系”断了。社会处方通过让人动起来、聊起来、笑起来，解决了这些根本问题。
• 社交就是良药： 当一个人不再孤独，有了朋友和支持网络，他的身体和心理健康自然变好，就不需要频繁求助于医院了。
• 主动管理健康： 参加活动的人，变得更懂得照顾自己，知道什么时候该休息，什么时候该运动，而不是等到病重了才去急诊。

6. 局限性：虽然很棒，但还不是完美

当然，研究也诚实地指出了不足：

• 没有对照组： 就像我们只看了“吃药”的人变好了，但没有一个完全一样的“没吃药”组来对比（虽然用了统计方法尽量排除干扰）。
• 自我报告： 数据是病人自己回忆的，可能有点偏差（比如记错了去了几次医院）。
• 时间不够长： 目前只看了短期效果（3-12 个月），不知道几年后效果还在不在。

总结

这篇论文告诉我们一个好消息：“社会处方”真的有效。

它证明了，有时候最好的药方不是药片，而是一张通往社区、自然和人际关系的门票。通过把病人从“孤独的病房”带到“热闹的社区”，我们不仅治好了他们的心病，还意外地帮医院省下了巨大的资源。

这就好比，与其一直给漏水的屋顶拼命接水（频繁看医生），不如直接把屋顶修好（通过社会活动改善生活状态），这样水自然就漏得少了。这对于未来如何设计更聪明、更人性化的医疗系统，是一个巨大的启示。

技术摘要

这是一份关于英国社会处方（Social Prescribing, SP）对医疗服务利用影响的详细技术总结。该研究基于英国国家层面的纵向行政数据，采用贝叶斯统计模型进行了严谨的评估。

1. 研究背景与问题 (Problem)

• 背景：英国国家医疗服务体系（NHS）面临巨大压力，人口老龄化、复杂健康问题（如心理健康和长期慢性病）以及资金压力导致需求激增。约 19% 的全科医生（GP）时间用于非医疗原因，主要与社会决定因素有关。
• 社会处方（SP）：作为一种将患者与社区非临床支持（如艺术、自然、运动、志愿服务）联系起来的机制，SP 已被纳入 NHS 长期计划。其核心是通过“联系工作者”（Link Worker）进行个性化转介。
• 研究缺口：虽然 SP 旨在改善整体健康和福祉，但其是否能通过减少医疗服务利用（如 GP 就诊、急诊 A&E 和住院）来缓解医疗系统压力，目前证据尚不充分且存在争议。现有研究多为小规模试点，方法学质量参差不齐（样本量小、统计效力不足），且缺乏针对 SP 全面推广后（2019 年后）的高质量全国性证据。
• 核心问题：SP 干预是否会导致初级和二级医疗服务利用的减少？这种影响在不同社会人口学群体中是否存在异质性？

2. 研究方法 (Methodology)

• 数据来源：
  • 使用 Access Elemental 平台数据，这是英国最广泛采用的数字化 SP 平台。
  • 样本量：最终分析样本为 4,547 名患者，来自英国 120 多个 SP 站点。
  • 设计：前后对照研究（Pre-post study design）。
  • 随访时间：两次测量点之间间隔 3-12 个月，平均随访 5.3 个月。
• 测量指标：
  • 结果变量：患者自我报告过去 3 个月内的医疗服务利用情况，包括：
    1. 全科医生（GP）就诊次数。
    2. 急诊（A&E）就诊次数。
    3. 医院住院次数。
  • 协变量：性别、年龄、地区剥夺指数（IMD 五分位）、城乡分布、转介途径（医疗 vs. 非医疗）。
• 统计分析：
  • 模型：采用 贝叶斯增长曲线模型（Bayesian growth curve modelling）。
  • 具体模型选择：
    • GP 就诊：计数数据，使用 Poisson 模型。
    • A&E 和住院：由于存在大量零值（零膨胀），使用 Hurdle Lognormal 模型（包含两部分：1. 预测是否为零的 Hurdle 部分；2. 预测非零值的 Lognormal 部分）。
  • 异质性分析：通过拟合条件增长模型（Conditional growth models），考察不同社会人口学特征（如年龄、地区、转介途径）对干预效果的调节作用。
  • 软件：R 语言 (4.4.1)，使用 brms 包进行贝叶斯建模。

3. 关键结果 (Key Results)

研究发现在 SP 干预后，所有医疗服务利用指标均呈现一致且显著的下降趋势：

• 全科医生（GP）就诊：

  • 人均就诊次数平均减少 1 次（95% CI: -1.07 至 -0.95）。
  • 相对减少幅度为 53.1%（从干预前的 1.89 次降至 0.89 次）。
  • 个体异质性显著：基线就诊次数较高的患者，其减少幅度相对较小（截距与斜率呈弱正相关）。

• 急诊（A&E）就诊：

  • 人均就诊次数绝对减少 0.04 次（95% CI: -0.06 至 -0.03）。
  • 相对减少幅度为 62.6%（从 0.07 降至 0.03）。
  • 机制分析：
    • 零值概率：无 A&E 就诊的概率从 94.4% 增加到 97.8%。
    • 非零值频率：对于有就诊记录的患者，就诊频率仅微降 5.1%（从 1.23 降至 1.16）。
    • 这表明 SP 主要减少了“偶尔就诊者”的就诊概率，而非大幅降低高频就诊者的频率。

• 医院住院：

  • 人均住院次数绝对减少 0.03 次（95% CI: -0.03 至 -0.02）。
  • 相对减少幅度为 61.7%（从 0.04 降至 0.02）。
  • 机制分析：
    • 零值概率：无住院概率从 96.7% 增加到 98.6%。
    • 非零值频率：有住院记录的患者，住院频率下降 8.2%。
    • 基线住院次数较高的患者，其减少幅度更大（截距与斜率呈强负相关，-0.81）。

• 亚组差异（异质性）：

  • 总体而言，医疗服务利用的变化在不同社会人口学群体间差异有限。
  • 城乡差异：农村地区的 GP 就诊减少幅度在统计上略大于城市，但实际数值差异微小。
  • 转介途径：医疗途径转介的患者在 A&E 就诊概率上的下降更为明显（非医疗途径转介者基线概率已很低，存在“地板效应”）。
  • 年龄：70 岁以上老年人住院概率变化不大（可能因共病复杂）；30 岁以下年轻人在住院频率上的下降最为显著。

4. 主要贡献 (Key Contributions)

1. 大规模全国性证据：这是首批利用英国国家层面、大规模（n>4,500）、多站点数据评估 SP 对医疗服务利用影响的研究之一，弥补了以往小规模试点研究的不足。
2. 方法学严谨性：
   • 采用了先进的 贝叶斯增长曲线模型，能够处理纵向数据中的个体异质性和随机效应。
   • 针对零膨胀数据（A&E 和住院）使用了 Hurdle 模型，能够区分“是否使用服务”和“使用频率”两个不同的过程，提供了更细致的机制洞察。
   • 量化了不确定性（95% 可信区间），避免了以往非同行评审研究中常见的过度简化分析。
3. 数据多样性：不仅包含 GP 转介，还涵盖了非医疗途径（如教育、地方政府）的转介，提供了更全面的 SP 实施图景。
4. 机制洞察：揭示了 SP 对初级和二级护理的影响机制可能存在差异（初级护理中基线高者减少少，二级护理中基线高者减少多），提示 SP 可能通过不同的路径（如社会连接、健康行为改善、患者激活）发挥作用。

5. 研究意义与局限性 (Significance & Limitations)

• 意义：

  • 政策支持：为 NHS 扩大 SP 规模提供了强有力的实证支持，表明 SP 不仅能改善患者福祉，还能有效降低初级和二级医疗服务的利用，从而缓解医疗系统压力并可能节省成本（尽管绝对数值小，但考虑到二级护理的高单价和巨大的转介基数，总节省潜力巨大）。
  • 公平性：结果显示 SP 对不同社会人口学群体（除少数细微差异外）具有广泛的适用性，有助于促进健康公平。
  • 理论验证：支持了 SP 通过改善心理健康、增强社会连接和提升自我管理能力来减少医疗需求的理论假设。

• 局限性：

  • 缺乏对照组：采用前后对照设计，无法完全排除“回归均值”（Regression to the mean）效应（即基线极高者自然回落）或其他时间相关混杂因素。尽管模型通过允许截距与斜率相关来部分缓解此问题，但因果推断仍需谨慎。
  • 数据偏差：分析样本在地区分布（苏格兰和北爱尔兰占比高，威尔士占比低）和转介途径上存在不平衡。
  • 自我报告偏差：医疗服务利用数据基于患者回忆，可能存在回忆偏差或社会期许偏差。
  • 随访时间：仅关注干预后 3-12 个月内的短期效果，缺乏长期累积效应的评估。

结论：该研究提供了强有力的证据，表明社会处方与英国初级和二级医疗服务利用的显著减少相关。尽管存在方法学限制，但其结果支持将 SP 作为应对医疗系统压力、优化资源配置的重要策略。未来需要更多具有对照组的长期研究来进一步验证因果机制。