- 1、本文档共8页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
医用重点高值耗材监测预警方案及使用效果
信息化作为精细化管理的强有力“抓手”,在医用耗材管理上也
可以通过信息化和大数据分析等方法,揭示对医用耗材产生影响的因
素,切实解决使用数据不可见、科室医生不可比、流程管控不可管等
问题,为我院实现精细化的医用耗材管理提供数据支撑。同时可以利
用本研究构建的监测预警模型,实现重点医用耗材的精准管理,减少
医用耗材违规使用的情况,使患者在就医费用上获益,医生在耗材使
用上合规,医院在跟踪管理上提升。
一、系统设计
根据医院高值耗材管控的需要,本研究基于医院数据中心构建了
医用重点高值耗材监测预警的系统架构,见图1。利用大数据技术,
以医院数据中心为基础,汇聚患者基本信息、诊断信息、手术信息、
费用信息等数据,通过数据标准化和结构化处理后形成专题数据库,
按照出院或实时口径实现耗材使用数据的可视化,以及科室和医生使
用医用耗材的有效对比。
图1医用重点高值耗材监测预警系统架构
在耗材费用统计的基础上,研究分析医用耗材数据的特点和DRGs
等指标数据变化的趋势,从智慧供应链管理(SPD)系统获取重点耗
材类别信息,对重点高值耗材的具体使用进行临界点分析与设置,基
于临界点在高值耗材使用过程中进行预警提示,规范院内使用流程,
实现医院高值耗材使用预测与有效控制。预警点设置:根据耗材费用
统计的基础,以及各科室一定时间区间内的耗占比变化趋势,结合耗
材成本、治疗方法调整、人员结构变化等相关影响因素,形成临界点
分析模型,定期形成耗材使用的医师、科室临界点。耗材预警:根据
临界点统计结果,对各科室、医师进行监管,若医师或科室超过耗材
使用的临界点,则告警到医院、科室管理层级,并提示医师、科室关
注耗材使用情况或根据需要调整预警临界点。
二、功能实现
1、数据标准化及可视化
为实现数据的多维统计可视化,首先从数据中心的数据模型中提
取医用耗材管理的维度和指标信息,然后通过数据中心的多维统计分
析引擎在这些维度和指标之间建立关联,形成应用于多维分析整个过
程的功能域,包括多维项目建立、数据源配置、模型定义、立方体定
义、多维模型构建等,执行多维统计分析方法来检索出统计结果,最
后将统计结果以可视化的形式进行显示。
2、监测预警模型
在构建监测预警模型之前,首先要建立用于建模的指标体系,本
研究通过专家咨询和设计问卷调查的方法,拟定指标体系包括3个维
度,即患者维度、耗材维度和医护维度作为一级指标,二级指标8个,
三级指标27个,见图2。
图2医用耗材研究指标体系
为便于模型设计和后续数据分析,使用因子分析方法,降低数据
维度,达到用少量因子反映整个指标体系信息的目的。对上一步构建
的指标体系进行因子重要性分析,特征重要性以信息增益进行度量,
得出影响医用耗材使用的多特征因子重要性,见图3。
图3多特征因子重要性分析
根据多特征因子重要性分析结果,结合应用场景的特点选择重要
性得分超过700的11个因子进行分析建模。在使用分析方法之前,
首先需要对数据进行数据预处理,使用PCA进行数据降维,使用均值
-方差进行数据标准化以解决量纲问题。所涉及的分析挖掘算法体系
构建主要是时间序列分析、聚类分析、分类分析和关联分析。针对不
同时段(周、月、年),需要得出耗材在不同时间段使用情况,为预
测模型提供参考,时间序列分析待选模型为ARIMA(整合移动平均自
回归模型),ARIMA模型的主要优势在于只需要内生变量而不需要借
助其他外生变量,较为适合耗材数据分析。针对不同病例耗材使用情
况,选取部分因子进行聚类分析,得出病例分布情况,进而进行分群
管理,最大化耗材使用效率。主要模型为DBScan(密度聚类),Spectral
(谱聚类),K-Means(划分聚类)。通过对比最终聚类结果,找到
最合适的聚类模型进行工程化。通过病例分群构建标签之后,使用分
类模型,对数据进行分类,以便后续进行精确分类管理。分类模型选
择XGBoost和RandomForest等集成算法,XGBoost和RandomForest
分别是boosting和bagging两类集成算法的代表,这两个算法可以
从不同角度对模型结果进行对比。此外,通过对同一个病例中使用的
配套耗材进行关联
文档评论(0)