医院负面舆情统计表怎么做？患者投诉、服务反馈与风险事件分类

医院的舆情场景比普通企业更敏感：一条短视频平台上关于"排队两小时、问诊两分钟"的吐槽，可能在数小时内扩散到本地同城榜；一条关于收费单的疑问，经过转发后可能演变成"乱收费"的标签。进入2026年，患者反馈渠道进一步分散到互联网医院平台、短视频评论区、本地生活点评、社交媒体私信和政务留言板，仅靠人工翻看已经难以覆盖。对于医院宣传科、医患关系办公室、投诉管理科与运营管理部门来说，建立一张结构化、可追溯、可统计的医院负面舆情统计表，是开展医疗舆情分析与舆情预警的第一步。

核心观点：负面表达不必然代表医疗过错，统计结果不能替代事实调查。统计表的目的是分类、留痕、分级与分流，为后续事实核查与改进提供线索，而不是对医务人员或患者做结论性评价。

一、2026年医院舆情的三个新特点

1. 反馈渠道持续碎片化

除传统的12345政务服务便民热线、院内投诉本、满意度问卷之外，患者更多在短视频平台、同城社群、搜索引擎问答、互联网医院评论区发声。单一渠道的工单系统难以呈现全貌，需要通过网络舆情监测系统进行跨平台采集与归一。

2. 短视频传播放大了情绪强度

短视频的画面、语气、BGM会放大情绪，哪怕原始事实只是"等候时间较长"，经过剪辑后也可能被观众理解为"态度恶劣"。统计表需要同时记录"原始事实描述"与"情绪强度"，避免二者混淆。

3. AI辅助文本分类成为常规做法

基于大模型的文本分类可以帮助宣传科对海量帖子进行初筛，将"服务态度""收费解释""医疗质量争议"等标签自动打上，再由人工复核。但AI只做分类，不做事实判定，这一边界必须在制度中写清楚。

二、统计表字段设计：14个推荐字段

以下字段适用于Excel、BI工具或嵌入医院舆情监测平台的工单模块。字段设计遵循"事件可追溯、分类可统计、责任可分流"的原则。

三、医院负面舆情事件分类树

分类树以"患者感受到的问题类型"为切入点，而不是以"医院内部流程"为切入点，便于前端标签化。建议限定一级类目在6—8个之间，避免分类过细造成统计稀疏。

一级分类A：服务态度

• A1 沟通语气问题（如被反映"冷漠""不耐烦"）
• A2 解释说明不充分（如术前告知、检查说明）
• A3 等候体验（排队、叫号、协调）

一级分类B：就医流程

• B1 挂号与预约
• B2 检查检验流程
• B3 住院与出院流程
• B4 转诊与多学科协作

一级分类C：收费与价格解释

• C1 收费项目疑问
• C2 医保结算问题
• C3 费用告知透明度

一级分类D：医疗质量争议

• D1 诊断结果不一致（患者主观反映）
• D2 治疗效果不满意
• D3 用药与器械相关疑问

D类条目一律默认标记为"待核实事项"，不得在未经医务科、质控科调查前写入"已确认"。

一级分类E：隐私与信息安全

• E1 诊疗隐私暴露投诉
• E2 个人信息泄露疑虑
• E3 影像、病历流出传闻

一级分类F：突发与风险事件

• F1 院内安全事件（跌倒、冲突等）
• F2 公共卫生相关舆情
• F3 设备、环境、后勤相关舆情
• F4 涉及法律程序的事项

四、严重程度判断维度

建议采用四级制，由"传播量""情绪强度""涉及范围""合规风险"四个维度加权判断，而非单看阅读量。

五、重复投诉识别方法

在跨渠道采集后，同一事件可能被多次重复发帖、搬运、二次剪辑。识别重复投诉有助于避免"虚高"的负面指标。推荐四种方法组合使用：

1. 文本指纹：对内容摘要做哈希，判断是否高度相似。
2. 时间—渠道—科室三元组：同一天、同一科室、相似描述自动合并为"同一事件候选"。
3. 帐号关联：同一发帖人跨平台重复发布标记为"同源扩散"而非新事件。
4. 人工复核：由投诉管理科每日对"候选合并项"确认，避免AI误合并真正独立的两起投诉。

六、跨部门处理流程

统计表只有嵌入处理流程才能产生价值。推荐以"采集—分类—分级—分流—核实—回应—归档"七步闭环运转。

• 采集：由网络舆情监测系统7×24小时抓取，院内渠道同步录入。
• 分类：AI初筛打标，宣传科人工复核，统一填入F06/F07。
• 分级：按四维度判定L1—L4，L3及以上触发预警推送。
• 分流：按F13指派责任部门，医疗质量类必须抄送医务科与质控科。
• 核实：责任科室在时限内调取原始记录调查，形成事实材料。
• 回应：由宣传科统一对外口径，院内渠道由医患办回复。
• 归档：填写F14结论，关联调查文件编号，供后续季度分析。

七、脱敏示例（示意，非真实事件）

以上均为教学示意，不代表任何真实患者或事件；所有字段均不含姓名、就诊卡号、病历号、联系方式等个人信息。

八、落地建议与常见误区

• 不要用"负面舆情条数"作为单一KPI，建议配合"L3以上事件平均响应时长""核实后澄清率""重复投诉识别率"综合衡量。
• AI分类置信度低于设定阈值的条目必须进入人工队列，避免错标医疗质量类事件。
• 统计表要与院内HIS、投诉系统做字段映射，便于后期检索事实材料；但原始病历仍留在业务系统，不进入舆情表。
• 涉及医疗政策、行业数据的引用，需注明来源机构与发布时间，避免二手转述。

通过结构化的字段、清晰的分类树、分维度的严重度判断和闭环的跨部门流程，医院能够把分散的网络声音转化为可统计、可追溯、可改进的管理信号。医院舆情监测的目标不是"消灭负面声音"，而是帮助医院及时发现问题、分清事实与情绪、保护医患双方的合法权益。