随着国内医保制度的不断完善和创新发展，医保事业对精细化发展的需求愈加强烈。2019年1月，国家医保局发布《关于医疗保障信息化工作的指导意见》，强调全面推进医保工作智能化、信息化、标准化的重要作用。国内依旧面临慢性病患病率持续上升、卫生资源配置不合理、临床决策不够精确、诊疗方案效果不佳的现实困境，这些问题均与大数据的挖掘分析力度不够有关。
医保大数据涉及所有参保患者的就诊资料和信息数据，通过多种工具深入挖掘、剖析、提炼其价值，对于医疗事业发展具有重要意义。借助于大数据技术，复杂的医保工作可以变得更加直接、客观，对于数据的分析、监测以及预警会更加高效。本研究通过对医保领域的大数据应用研究进展进行综述，为医疗保障高质量发展提供借鉴和思路。
1 医保大数据挖掘技术的主要功能和方法
医保全过程管理的每个环节均可产生大量数据，为实现医保领域的智能监管、科学决策、高效服务，需对医保大数据进行全面收集、处理、分析、应用。数据挖掘技术能够从海量数据中提取关键信息并分析，按功能可将数据挖掘分为描述（Descriptive）模式和预测性（Predictive）模式两大类，其中主要的分析方法有关联规则分析、聚类分析、大数据分类与偏差、大数据时序模型及预测四大类。
关联规则分析
关联规则分析是从属于无监督学习的数据挖掘技术，目前已被应用于病人就诊规律归纳、中医用药配伍规律总结、疾病危险因素监测等方面，同时也能够发现医保大数据之间的隐藏关联并提取具有特定临床价值的信息群。衡量关联规则强度的指标为支持度、置信度和提升度。常用的基础关联算法主要有Apriori算法、FP-Tree算法、Eclat算法、灰色关联法等。
聚类分析
聚类分析是从属于无监督机器学习的探索性分析，其中近邻传播聚类分析是能够研究医保大数据整体规律的有效算法。通过相似度最优原则将医保大数据划分为多个类（簇），并基于迭代搜寻将医保对象间的相似性视作类代表点，针对医保对象的本质属性进行数据挖掘和提取。使用聚类分析计算类代表点数量，能够实现医保精细化管理，并可基于此实现对医保监管范围和力度的动态调控。
大数据分类与偏差分析
大数据分类是对有效信息进行采集、加工、解析的基础环节，主要包括两个主要步骤：一是基于数据训练集实现数学模型的建立；二是使用该数学模型将尚未涵盖在数据训练集内的类标号对象进行分类操作。医保大数据具有信息海量和情况复杂的双重特点，需根据不同应用场景选择合适的分类算法。分类算法主要有支持向量机算法、决策树算法、神经网络分类算法、朴素贝叶斯算法等。大数据偏差分析的主要目的在于对比观测结果与期望结果的偏差，将偏差分析引入医保大数据领域，有利于发现监管中的异常行为。
大数据时序模型及预测
大数据时序模型建立在对既往数据变化规律探寻的基础上，以便对未来发展情况进行可靠性预测。预测的对象包括医保基金运行效率、卫生费用使用情况、医疗机构运营状况、卫生服务优化流程、患者病情变化阶段等，这些预测有利于提高资源的合理配置和使用。能够用于医保大数据预测的时序模型主要有平稳时间序列模型、灰色预测模型、指数平滑模型、回归模型等。
2 大数据挖掘技术在医保领域应用的典型案例和推广趋势
宏观层面：合理分配医保资金
医保大数据挖掘可用于决策部门优化资金分配机制，决策者可在研究供需关系的基础上确定医保总额预算和资金分配计划。例如，英国全民医疗服务体系（NHS）依据人口地区差异、年龄结构、经济状况、劳动力成本、患病率及死亡率等方面构建分配模型并通过既往数据实现校正预测，进而达到医保资金按需分配的目的。从2012年起，上海便利用医保大数据模型对定点医院职工医保进行预算分配。该模型纳入包括高质量发展、经济运行、资源布局、运行效率、综合绩效、医疗产出在内的239个指标，并通过神经网络模型对定点医院的年度考核数据进行模型训练。模型检验结果表明，所构建的模型准确度、合理性、拟合优度较高，对于判断区域内医保资金使用情况和未来流向具有指导意义。
中观层面：指导医疗机构支付和管理
医保大数据广泛应用于医疗机构的支付方式改革和管理服务创新。自2020年起，DRG/DIP支付模式被探索运用于住院费用结算。该支付模式将疾病诊断类同、临床过程相似、资源消耗相近的病例归为一类，利用大数据聚类及决策树算法优势实现病种的可比性。浙江省宁波市运用数据挖掘工具探究患者医保购药的药品之间的关联性及用药习惯。上海DIP病种分组方式是结合临床经验和统计方法对医保数据进行降噪，探究病种与成本间的客观规律，得到疾病诊断+治疗方式的组合目录。除此之外，医疗机构还可结合就诊数据、财务数据、运营数据分析引起医疗服务质量下降、住院费用增加、运营状况亏损的内在原因，为医疗机构优化运营模式和服务流程提供策略和建议。
微观层面：监管供需行为
依托区块链技术可以实现对就诊全流程、全环节进行记录和监管，且监督数据无法被篡改。例如，上海市将11699名医生分为15类，并使用无监督机器学习方法建立大数据预警模型；按照医生诊疗行为的不同特征，设计包括接诊数量、康复理疗中医治疗费用、专家专业观点等10个指标；根据指标异常值确定疑点医生范围（偏差分析），并利用层次分析法计算指标权重，对每位疑点医生进行打分；根据分数建立红、橙、黄三级预警机制，从而实现对服务提供方的及时有效监管。随着DRG/DIP支付方式改革的深入，金华、广州等地以DRG/DIP支付所产生的数据为数据源，针对不同临床现象，应用人工智能和大数据技术建立模型，从病案数据采集、病种分组、基金支付等方面建立大数据监管实践路径，加强对临床诊疗过程的监管。
3 医保大数据应用面临的问题与挑战
数据结构呈现链条化、混乱化和碎片化
医保领域相关数据不仅包括医疗费用、财务数据和支出明细，还包括预防保健、临床治疗、康复随访等多个环节产生的数据，各种数据存储于管理系统中并形成累积数据。累积数据类型不同但却存在各种交集、数量庞大但却结构化缺失，因此在桥接方式与传递效率方面，目前仍受到信息标准和框架构成的限制。数据结构存在链条化、混乱化和碎片化问题，进而难以在医保政策制定、精准医疗探索、产业风险预测等方面提供充分信息支撑和干预依据。
医保大数据的临床应用价值未充分发挥
医保大数据已经成为医保支付方式改革的重要参考依据，也对医院成本核算和管控能力提出更高要求。但在医院层面，目前医保大数据模块和临床其他医疗模块基本是相互独立的，缺少医疗费用和医疗行为的联动监管和数据分析，导致无法对临床诊疗方案的卫生经济价值进行有效评估，医保大数据对临床决策的辅助作用并不明显，说明医院内部管理系统与医保大数据之间未能有效关联、融合。为更好发挥医保大数据的价值，医院需要建立一套完整的管理体系，各管理部门可能需要进行相应的职能转换，包括改革原有按项目付费条件下的激励机制、质量考核指标等，推动医院运营管理更规范，进而促进医院医疗技术发展和诊疗能力进一步提升，进一步实现医保大数据的全面展示及深层次含义的全面挖掘。这对于临床诊疗决策和医疗服务质量提升意义重大。
大数据使用过程中的隐私性较难保障
医保大数据包含姓名、年龄、性别、证件号码、手机号码、家庭住址、成员关系等用户信息，诊疗等信息涉及个人隐私，一旦信息未被妥善处理或遭遇泄露，可能会造成严重负面影响。除此之外，医保大数据监测会诱导对医保患者的状态及行为进行预测，进而产生倾向性监测数据，而倾向性监测数据的不合理使用会给医保患者带来巨大安全风险。同时，在数据集成、数据分析、数据管理过程中缺乏相应的安全评估系统和监督使用机制，难以对医保大数据的使用环节进行统一规范，也一定程度提高了隐私泄露的可能性。
4 数据挖掘在医保领域应用的价值
宏观层面：支持战略决策
除规避医疗风险外，医保大数据的核心作用在于确保医疗服务质量和效率，改善运行现状。决策者可以通过医保大数据分析寻找事件的驱动因素和关键环节，以此作为制定战略决策的基石。成功的战略决策离不开大数据的分析运用，此类分析的要点在于通过由大到小、由粗到细、由点到面的层级挖掘和关键问题寻找，既需要专业分析技术的支持，又需要决策者的逻辑性、结构化思维，依据环境变化动态调整决策战略。
中观层面：管理医疗机构
目前，医保大数据对于医疗机构的管理指导仍是粗放式的，效果欠缺，亟须理顺医疗机构与医保机构的行政关系，明确两者的责任、权利及义务，并从医保支付方式中引入谈判机制。在中观层面，医保管理部门可以通过大数据监测定期对医疗机构的政策执行情况进行监督检查，确保医疗服务的合规性。医保管理部门可以通过大数据监测建立数据筛查、财务审核、病例审核等多元核查体系，积极引入第三方参与医保监督，提升监管的专业能力和业务水平，抑制不合理医疗费用增长及规范不合理医疗行为。
微观层面：基金使用监测
在医保基金使用监测方面，首要的是能够及时发现欺诈、浪费、滥用等现象。通过对医保大数据的实时监测，医保监管部门可以发现过度医疗或不合理医疗、药品的不合理使用、不合规就诊行为等。因此，开发并引入电子实时监控平台对医疗机构及患者的就诊行为进行追踪和监测，强化医保部门和医疗机构的信息平台搭建工作，有利于提高对医保资金使用情况的监测，从而积极引导患者科学就医。此外，通过医保大数据的挖掘和分析，归纳利益相关者的医保资金使用规律，有利于进一步提高医保资金的管理效率。
综上，大数据挖掘在医保领域具有巨大发展前景和价值，但在实践应用过程中也会面临一些挑战，包括数据结构呈现链条化、混乱化和碎片化，现行数据应用模式难以辅助临床决策，大数据使用过程中隐私保护难等问题。因此，需立足于国内医保大数据的应用发展现状，对医保大数据挖掘应用案例进行深入分析，积极推广先进经验，助力“智慧医保”发展。
发表评论 取消回复