醫院負面輿情統計表怎麼做？患者投訴、服務反饋與風險事件分類

醫院的輿情場景比普通企業更敏感：一條短視頻平臺上關於"排隊兩小時、問診兩分鐘"的吐槽，可能在數小時內擴散到本地同城榜；一條關於收費單的疑問，經過轉發後可能演變成"亂收費"的標籤。進入2026年，患者反饋渠道進一步分散到互聯網醫院平臺、短視頻評論區、本地生活點評、社交媒體私信和政務留言板，僅靠人工翻看已經難以覆蓋。對於醫院宣傳科、醫患關係辦公室、投訴管理科與運營管理部門來說，建立一張結構化、可追溯、可統計的醫院負面輿情統計表，是開展醫療輿情分析與輿情預警的第一步。

核心觀點：負面表達不必然代表醫療過錯，統計結果不能替代事實調查。統計表的目的是分類、留痕、分級與分流，爲後續事實覈查與改進提供線索，而不是對醫務人員或患者做結論性評價。

一、2026年醫院輿情的三個新特點

1. 反饋渠道持續碎片化

除傳統的12345政務服務便民熱線、院內投訴本、滿意度問卷之外，患者更多在短視頻平臺、同城社羣、搜索引擎問答、互聯網醫院評論區發聲。單一渠道的工單系統難以呈現全貌，需要通過網絡輿情監測系統進行跨平臺採集與歸一。

2. 短視頻傳播放大了情緒強度

短視頻的畫面、語氣、BGM會放大情緒，哪怕原始事實只是"等候時間較長"，經過剪輯後也可能被觀衆理解爲"態度惡劣"。統計表需要同時記錄"原始事實描述"與"情緒強度"，避免二者混淆。

3. AI輔助文本分類成爲常規做法

基於大模型的文本分類可以幫助宣傳科對海量帖子進行初篩，將"服務態度""收費解釋""醫療質量爭議"等標籤自動打上，再由人工複覈。但AI只做分類，不做事實判定，這一邊界必須在制度中寫清楚。

二、統計表字段設計：14個推薦字段

以下字段適用於Excel、BI工具或嵌入醫院輿情監測平臺的工單模塊。字段設計遵循"事件可追溯、分類可統計、責任可分流"的原則。

三、醫院負面輿情事件分類樹

分類樹以"患者感受到的問題類型"爲切入點，而不是以"醫院內部流程"爲切入點，便於前端標籤化。建議限定一級類目在6—8個之間，避免分類過細造成統計稀疏。

一級分類A：服務態度

• A1 溝通語氣問題（如被反映"冷漠""不耐煩"）
• A2 解釋說明不充分（如術前告知、檢查說明）
• A3 等候體驗（排隊、叫號、協調）

一級分類B：就醫流程

• B1 掛號與預約
• B2 檢查檢驗流程
• B3 住院與出院流程
• B4 轉診與多學科協作

一級分類C：收費與價格解釋

• C1 收費項目疑問
• C2 醫保結算問題
• C3 費用告知透明度

一級分類D：醫療質量爭議

• D1 診斷結果不一致（患者主觀反映）
• D2 治療效果不滿意
• D3 用藥與器械相關疑問

D類條目一律默認標記爲"待覈實事項"，不得在未經醫務科、質控科調查前寫入"已確認"。

一級分類E：隱私與信息安全

• E1 診療隱私暴露投訴
• E2 個人信息泄露疑慮
• E3 影像、病歷流出傳聞

一級分類F：突發與風險事件

• F1 院內安全事件（跌倒、衝突等）
• F2 公共衛生相關輿情
• F3 設備、環境、後勤相關輿情
• F4 涉及法律程序的事項

四、嚴重程度判斷維度

建議採用四級制，由"傳播量""情緒強度""涉及範圍""合規風險"四個維度加權判斷，而非單看閱讀量。

五、重複投訴識別方法

在跨渠道採集後，同一事件可能被多次重複發帖、搬運、二次剪輯。識別重複投訴有助於避免"虛高"的負面指標。推薦四種方法組合使用：

1. 文本指紋：對內容摘要做哈希，判斷是否高度相似。
2. 時間—渠道—科室三元組：同一天、同一科室、相似描述自動合併爲"同一事件候選"。
3. 帳號關聯：同一發帖人跨平臺重複發佈標記爲"同源擴散"而非新事件。
4. 人工複覈：由投訴管理科每日對"候選合併項"確認，避免AI誤合併真正獨立的兩起投訴。

六、跨部門處理流程

統計表只有嵌入處理流程才能產生價值。推薦以"採集—分類—分級—分流—覈實—回應—歸檔"七步閉環運轉。

• 採集：由網絡輿情監測系統7×24小時抓取，院內渠道同步錄入。
• 分類：AI初篩打標，宣傳科人工複覈，統一填入F06/F07。
• 分級：按四維度判定L1—L4，L3及以上觸發預警推送。
• 分流：按F13指派責任部門，醫療質量類必須抄送醫務科與質控科。
• 覈實：責任科室在時限內調取原始記錄調查，形成事實材料。
• 回應：由宣傳科統一對外口徑，院內渠道由醫患辦回覆。
• 歸檔：填寫F14結論，關聯調查文件編號，供後續季度分析。

七、脫敏示例（示意，非真實事件）

以上均爲教學示意，不代表任何真實患者或事件；所有字段均不含姓名、就診卡號、病歷號、聯繫方式等個人信息。

八、落地建議與常見誤區

• 不要用"負面輿情條數"作爲單一KPI，建議配合"L3以上事件平均響應時長""覈實後澄清率""重複投訴識別率"綜合衡量。
• AI分類置信度低於設定閾值的條目必須進入人工隊列，避免錯標醫療質量類事件。
• 統計表要與院內HIS、投訴系統做字段映射，便於後期檢索事實材料；但原始病歷仍留在業務系統，不進入輿情表。
• 涉及醫療政策、行業數據的引用，需註明來源機構與發佈時間，避免二手轉述。

通過結構化的字段、清晰的分類樹、分維度的嚴重度判斷和閉環的跨部門流程，醫院能夠把分散的網絡聲音轉化爲可統計、可追溯、可改進的管理信號。醫院輿情監測的目標不是"消滅負面聲音"，而是幫助醫院及時發現問題、分清事實與情緒、保護醫患雙方的合法權益。