CC BY
55
С.Б. Чолоян,
д.м.н., главный врач ГАУЗ «Детская городская клиническая больница», г. Оренбург, Россия, e-mail: sb433@mail.ru А.К. Екимов,
экономист ГАУЗ «Детская городская клиническая больница», г. Оренбург, Россия, e-mail: ekimov_ak@mail.ru О.Г. Павловская,
к.м.н., доцент ФГБОУ ВО «Оренбургский государственный медицинский университет» Минздрава России, e-mail: pavlovskaya-o@mail.ru М.В. Шеенкова,
к.м.н., генеральный директор, главный врач Общества с ограниченной ответственностью «Медгард-Оренбург», г. Оренбург, Россия, e-mail: ms_1301@mail.ru И.В. Дмитриева,
начальник отдела АСУ ГАУЗ «Детская городская клиническая больница», г. Оренбург, Россия, e-mail: dmitrieva_70@mail.ru Е.Н. Байгазина,
программист отдела АСУ ГАУЗ «Детская городская клиническая больница», г. Оренбург, Россия, e-mail: elena311075@mail.ru Л.В. Данилова,
врач ГАУЗ «Детская городская клиническая больница», г. Оренбург, Россия, e-mail: lyryndina@yandex.ru
ФОРМИРОВАНИЕ НОВОЙ МОДЕЛИ МЕДИЦИНСКОЙ ОРГАНИЗАЦИИ, ОКАЗЫВАЮЩЕЙ ПЕРВИЧНУЮ МЕДИКО-САНИТАРНУЮ ПОМОЩЬ. ОБРАЩЕНИЯ ПАЦИЕНТОВ В ПОЛИКЛИНИКУ: АНАЛИЗ И МОДЕЛИРОВАНИЕ
УДК: [614.2:616-053.2-082:519-24] (470.66) (1-21)
Чолоян С.Б.., Екимов А.К., Павловская О.Г., Шеенкова М.В., Дмитриева И.В., Байгазина Е.Н, Данилова Л.В. Формирование новой модели медицинской организации, оказывающей первичную медико-санитарную помощь. Обращения пациентов в поликлинику: анализ и моделирование (ГАУЗ «Детская городская клиническая больница», г. Оренбург, ФГБОУ ВО «Оренбургский государственный медицинский университет» Минздрава России)
Аннотация. В рамках формировании новой модели медицинской организации, оказывающей первичную медицинскую помощь детям перспективным математическим аппаратом для принятия управленческих решений являются цепи Маркова с оценками. Генерирование моделей с различными сценариями при обращениях детей в поликлинику позволило установить, что активизация диспансерной работы ведет к снижению как числа посещений с лечебно-диагностической целью, так к общему числу обращений в поликлинику. Опыт проведения диспансерной работы будет тиражироваться в другие регионы с 2019 года.
Ключевые слова: первичная медико-санитарная помощь детям, обращение за медицинской помощью, цепи Маркова, цепи Маркова с оценками, моделирование управленческих решений.
Реализация приоритетного проекта «Создание новой модели медицинской организации, оказывающей первичную медико-санитарную помощь», активизировала все работы в медицинских организациях России. ГАУЗ «Детская городская клиническая больница» г. Оренбурга (ДГКБ) вошла в проект с августа 2018 года. Здесь
© С.Б. Чолоян, А.К. Екимов, О.Г. Павловская, М.В. Шеенкова, И.В.
и ранее проводились работы по оптимизации профилактических, лечебно-диагностических и иных процессов (внедрение круглосуточной работы диспетчерского центра, круглосуточной стоматологической и неотложной медицинской помощи в 2018 году, развитие с этого же года госуларствен-но-частного партнерства по 17 отлицензированным Дмитриева, Е. Н. Байгазина, Л. В. Данилова, 2019 г.
Менеджер №3
здравоохранения 2019
Я
видам деятельности, внедрение метода проведения профилактических осмотров по принципу «Ромашка» (2017 г.) и др.. Однако сегодня анализируется большее количество различных процессов по девяти критериям Минздрава России и формируется новая модель организации, оказывающей первичную медико-санитарную помощь детям, на базе детской поликлиники № 4. Ключевыми участниками проекта являются Минздрав России, Росздрав-надзор, ФОМС, ФМБА России, Государственная корпорация по атомной энергии «Росатом», органы исполнительной власти Оренбургской области, территориальный фонд обязательного медицинского страхования Оренбургской области, территориальный орган Росздравнадзора Оренбургской области, ФГБОУ ВО «Оренбургский государственный медицинский университет» Минздрава России, страховые медицинские организации, работающие на территории г. Оренбурга.
«Новая модель медицинской организации» - па-циентоориентированная медицинская организация (МО), отличительными признаками которой являются доброжелательное отношение к пациенту, отсутствие очередей за счет правильной организации процессов и работы персонала, качественное оказание медицинской помощи, приоритет профилактических мероприятий в первичном звене здравоохранения. Основные направления проекта: перераспределение нагрузки между врачом и средним медицинским персоналом; оптимизированная логистика движения пациентов с разделением потоков на больных и здоровых; переход на электронный документооборот, сокращение бумажной документации; открытая и вежливая регистратура; комфортные условия для пациента в зонах ожидания; организация диспансеризации и профилактических осмотров на принципах непрерывного потока пациентов с соблюдением нормативов времени приема на одного пациента; внедрение мониторинга соответствия фактических сроков ожидания оказания медицинской помощи врачом с момента обращения пациента в МО установленным срокам ожидания в соответствии с Программой государственных гарантий бесплатного оказания гражданам медицинской помощи.
Сегодня в ДГКБ проводится работа под контролем кураторов Центра организации первичной медико-санитарной помощи Минздрава России, а также регионального центра. Предварительные итоги подведены на совместном совещании 13-14 декабря 2018 г. с приглашением участников проекта из семи регионов России.
Цель исследования - показать результаты анализа и моделирования обращений пациентов в поликлиники ДГКБ, полученные с помощью математического метода - «цепи Маркова с оценками».
Объектом анализа и моделирования были обращения пациентов ДГКБ, которые были зафиксированы в медицинской информационно-аналитической системе (МИС) «Антибиотик+» в течение периода с 01.01.2018 по 16.10.2018, который далее называется как «анализируемый период». За анализируемый период в поликлиники ДГКБ обратилось 38654 пациента, у которых было 476762 посещений врачей поликлиник (для справки 12,3 посещения на 1 пациента (при нормативном показателе 9,2).
Обработка проводилась в программных средах Антибиотик+, VISUAL FOXPRO, STATISTICA 10.0.
Длительность нахождения пациента в каждом состоянии оценивалась как разность двух моментов времени от момента окончания предыдущего посещения до момента окончания текущего посещения. Иными словами длительность посещения врача оценивалось суммой времени нахождения пациента в очереди к врачу и временем приема пациента самим врачом. Моменты времени фиксировались МИС «Антибиотик+». Для первого посещения, у которого нет данных для оценки времени нахождения пациента в очереди к врачу, указанные характеристики заменялись средним временем нахождения пациента в очереди к врачу, вычисленным по всем посещениям, кроме первого посещения. Следует отметить, что систематическое описание обращений пациентов поликлиники невозможно без медицинской информационной системы (МИС), имеющейся в МО, которая позволяет дать для решения задачи управления указанные развернутые данные о пациенте, обратившемся в поликлинику. Именно такой МИС в МО является МИС «Антибиотик+», которая функционирует в ДГКБ г. Оренбурга более 15 лет (http://www. antibiotic-plus. ru/) [2, 3, 4].
В статье анализ обращений пациентов в поликлинику оценивается на основе цепей Маркова (ЦМ) с оценками [7, 8, 9, 16, 17, 19], где в качестве оценок исследуемого процесса выступает время посещения врача поликлиники пациентом. ЦМ называется последовательность случайных событий с конечным числом состояний (https://ru.wikipedia. org/wiki/). Состоянием называется существенная часть изучаемого процесса, имеющая характерные отличия от других частей процесса. Последовательность состояний, зафиксированная на определенном отрезке времени называется цепью. Определение
с
#хс
->
Менедже,
ЦМ можно дать, используя ее основное свойство, которое называется «свойством марковости». ЦМ является последовательность событий, в которой каждое последующее событие зависит только от предыдущего события [5, 6].
В математическом методе ЦМ с оценками изучаемое явление (процесс) можно оценивать при помощи двух классов объектов: класс объектов -«матрица вероятностей перехода» и класс объектов - «распределения длительностей нахождения объектов в выделенных состояниях». Построение ЦМ с оценками начинается с выделения событий (качественные характеристики процесса), которые полно описывают изучаемый процесс, а так же выделяется признак, который характеризует процесс (количественные оценки процесса). Далее на основе выделенных оценок строится цепь и доказывается, что она является ЦМ с оценками [6]. На основе построенной ЦМ с оценками формируются «матрица вероятностей перехода» и «распределения длительностей нахождения объектов в выделенных состояниях». Анализ полученных матриц и распределений оценок дает представление об анализируемом процессе. Полученные матрицы и распределения являются основой для построения модели и моделирования различных сторон изучаемого процесса. В статье в качестве состояний выбраны следующие состояния. Состояние S1 - состояние, когда пациент обратился в поликлинику за оказанием лечебно-диагностической помощи; Б2 - состояние, когда пациент, обратившийся в поликлинику, проходит профилактический осмотр; Б3 - состояние, когда с пациентом поликлиники проводятся диспансерные мероприятия; Б4 - состояние, когда пациент обратился в поликлинику с прочими целями. Для получения непрерывности процесса, когда в любой момент времени можно указать в каком состоянии находится пациент, необходимо ввести состояние Б0 - состояние, когда человек находится вне стен МО и не получает медицинскую помощь.
Оценкой процесса обращений пациентов в поликлиники ДГКБ выступает «длительность нахождения объекта в каждом из выделенных состояний». Цель анализа - установить влияние диспансерной работы на параметры ЦМ (условные вероятности перехода и длительности нахождения объектов в выделенных состояниях S1-S4). Состояние S0 (пациент находится вне стен поликлиники) не анализируется, поскольку состояние Б0 не является характеристикой потока пациентов в поликлинику. Необходимо сделать замечание, касающееся терминологии, которой
придерживались авторы статьи. Для принятия управленческого решения в статье оценивается длительность нахождения пациентов в выделенных состояниях Б1-Б4. В терминологии математического аппарата ЦМ с оценками находятся оценки связанные с нахождения объектов в состояниях Б1-Б4. Поэтому в статье в равной степени будут использоваться термины «пациент» и «объект».
Каждое посещение пациентом врача поликлиники описывалось многими признаками, включая такие признаки посещения как пол и возраст пациента; номер поликлиники ДГКБ (их сегодня пять), номер врачебного участка, который обслуживает пациента; врач, принимавший пациента, и его врачебная специальность; цель посещения пациента и другие признаки. Из отмеченного следует, что на основе одной хронологической последовательности посещений врачей поликлиники пациентами можно построить совершенно разные ЦМ с оценками, каждая из которых будет характеризовать разные стороны изучаемого процесса.
Все анализируемые пациенты были разделены на 6 групп. В «группу 1» были отнесены все пациенты, с которыми диспансерная работа не проводилась. В «группу 2» были отнесены все пациенты, для которых в течение анализируемого периода наблюдалось одно посещение в поликлинику с целью диспансеризации. И, наконец, в последнюю шестую группу («группа 6») были отнесены все пациенты, у которых в течение анализируемого периода наблюдалось пять и более посещений поликлиники с целью диспансеризации.
По результатам всех посещений поликлиники всеми пациентами за определенный период упорядоченных в хронологическом порядке строится ЦМ. По полученной ЦМ можно установить, в каком состоянии и сколько времени находился пациент в течение всего анализируемого периода. Оценка производилась на основе анализа матриц вероятностей переходов для групп пациентов с разным количеством диспансерных посещений за анализируемый период. Так же анализировались распределения оценок длительностей, описывающих посещения пациентов, различающихся разным количеством диспансерных посещений за анализируемый период.
Для каждой группы были получены матрицы частот переходов, на основе которых были вычислены матрицы вероятностей переходов объектов по выделенным состояниям Б0-Б4. Распределения оценок длительности нахождения объектов в выделенных состояниях находились для всей ЦМ без разделения объектов на группы. Можно отметить, что значения
енеджер № 3
здравоохранения 2019
частот переходов по строке матрицы характеризуют величины потоков пациентов, в то время как значения вероятностей переходов по строке описывают интенсивность потоков пациентов из некоторого состояния, которое характеризует строка матрицы вероятностей переходов. Ниже в качестве примера приводятся матрица частот переходов (таблица 1) и матрица вероятностей переходов (таблица 1а), характеризующие потоки пациентов в поликлиники ДГКБ за анализируемый период для всех анализируемых объектов.
Из матрицы частот переходов можно, в частности, установить, что за анализируемый период посещения 38654 пациентов поликлиник ДГКБ оценивались как 876338 переходов по стояниям S0-S4 (сумма частот по всем строкам матрицы).
Примечание. Необходимо иметь ввиду, что 876338 переходов не означает 876338 посещения (всего посещений было зафиксировано 476762), поскольку в анализируемый период после посещений поликлиники пациент переходил в состояние 50 - состояние «находится вне стен поликлиники». Далее состояние 50, его переходы и оценки длительностей не анализировались, поскольку они не характеризуют потоки пациентов внутри поликлиники.
Если рассмотреть вторую строку матрицы частот переходов (строка Si=S1), то можно установить, что в состоянии 51 (пациент находится в поликлинике с лечебно-диагностической целью) из всех 139372 переходов (сумма по строке) более всего пациентов переходили в состояние S0 (состояние «находится вне стен поликлиники») (число переходов равно 114266).
Из таблиц 1 и 1а можно установить, что вероятность перехода, выражающая интенсивность перехода объектов из состояния 50 в состояние 53 (переход Б0-53) равна р03=0,10124. Вероятность перехода 53-53 равна р33=0,1 1398. Имеем примерно одинаковую интенсивность переходов из состояний 50 и 53. В то же время как по матрице частот переходов можно установить, что величины потоков значительно отличаются и равны 50-53 (п03=43392) и 54-53 (п33=5908). Матрица вероятностей переходов по выделенным состояниям является основным инструментом получения количественных показателей, характеризующих особенности работы поликлиник ДГКБ с пациентами. Различия между потоками пациентов при посещении поликлиники можно установить, если сравнивать вероятности переходов в матрицах вероятностей переходов, описывающих переходы пациентов различных групп. В таблицах 2,
Матрица частот переходов, полученная из таблицы посещений пациентов поликлиник ДГКБ за анализируемый период
Состояния Si, из которых переходил пациент
Состояния Si Состояния Б/', в которые перешел пациент
в0 sl s2 s3 s4
51=50 76270 115448 135310 43392 58180
51=51 114266 21010 2698 572 826
51=52 136728 1494 52024 1516 1304
51=53 43166 590 1660 5908 508
51=54 58170 830 1374 444 2650
С
Таблица 1
#хс
Таблица 1а.
Матрица вероятностей переходов пациентов по выделенным состояниям при обращении пациентов поликлиники ДГКБ
Состояния Si Состояния Sj, в которые перешел пациент
s0 s1 s2 s3 s4
Состояния Si, из которых переходил 51=50 0,17795 0,26936 0,31570 0,10124 0,13574
51=51 0,81986 0,15075 0,01936 0,00410 0,00593
пациент 51=52 0,70819 0,00774 0,26946 0,00785 0,00675
51=53 0,83281 0,01138 0,03203 0,11398 0,00980
51=54 0,91652 0,01308 0,02165 0,00700 0,04175
№ 3 Менеджер
2019 здравоохранения
3 приведены матрицы вероятностей перехода пациентов по состояниям S0-S5 ^-находится вне стен поликлиники; Б1-проходит диагностику или лечение; S2-проходит профилактику; S3-проходит диспансеризацию; S2-обращается в поликлинику с прочими целями) для групп пациентов «группа 1» и «группа 2».
При анализе показателей в рамках поставленной задачи из всех состояний интерес представляет динамика вероятностей перехода по состояниям Б1 и Б3.
Сравнивая матрицы вероятностей перехода (таблица 2 и таблица 3) можно установить, что отличия в диспансерной работе приводят к изменениям, касающимся других видов работ в выделенных группах 1 и 2 (изменения в которых, возможно, не предполагались и не планировались). Иными словами проведение (и непроведение) врачами поликлиник МО диспансерной работы приводит к тому, что потоки пациентов по анализируемым состояниям также меняются. Оценка изменений в потоках пациентов обращающихся в поликлинику на основе непосредственного анализа значений вероятностей перехода недостаточна продуктивна. Лучшим подходом в анализе тенденций, связанных с проведением диспансерной работы, является графическое сравнение значений вероятностей переходов из одинаковых состояний.
При анализе динамики вероятностей переходов представляют интерес две группы показателей. Первая группа характеризует динамику вероятностей переходов «из интересующих состояний» в состояние S0. Вторая группа характеризует динамику вероятностей переходов «в интересующие состояния» из состояния S0. Следовательно, вторая группа показателей дает информацию о том, как влияет диспансеризация на обращение пациентов в поликлинику из состояния S0 (обращаемость пациента в поликлинику) при увеличении интенсивности диспансерной работы. Аналогично трактуется динамика показателей первой группы. Динамика показателей второй группы характеризует изучаемое явление более широко, поскольку в определенном смысле характеризует эффект изучаемого явления «в целом», в то время как динамика вероятностей переходов из интересующего состояния в состояние S0 характеризует изучаемое явление в узком контексте и отвечает на вопрос «какое влияние оказывает изучаемый эффект на интенсивности потоков из анализируемого состояния». В качестве эффекта в задаче рассматривается эффект усиления диспансерной работы в поликлинике.
Таблица 2
Матрица вероятностей переходов пациентов группы 1 по выделенным состояниям при обращении пациентов в поликлиники ДГКБ
Состояния Si Состояния Б/, в которые перешел пациент
s0 sl s2 s3 :;4
Состояния Si, БИБО 0,21786 0,27546 0,37059 0,00000 0,13610
переходил 5ИБ1 0,82775 0,14747 0,01882 0,00000 0,00596
пациент Si=S2 0,70985 0,00623 0,27845 0,00000 0,00548
Si=S3 0,00000 0,00000 0,00000 0,00000 0,00000
Si=S4 0,92193 0,01224 0,01986 0,00000 0,04596
Таблица 3
Матрица вероятностей переходов пациентов группы 2 по выделенным состояниям при обращении пациентов в поликлиники ДГКБ
Состояния Si Состояния Б/, в которые перешел пациент
s0 s1 s2 s3 :;4
Состояния Si, Si=S0 0,15764 0,27672 0,28752 0,14678 0,13134
переходил Si=S1 0,82074 0,14795 0,01923 0,00687 0,00521
пациент Si=S2 0,69831 0,00944 0,26769 0,01651 0,00805
Si=S3 0,92560 0,01439 0,04945 0,00000 0,01056
Si=S4 0,91038 0,01300 0,02667 0,01333 0,03662
енеджер № 3
здравоохранения 2019
На рис. 1 показана динамика вероятностей переходов из состояния 50 в состояния 51 (пациент обращается с лечебно-диагностической целью) и 53 (обращение пациента с целью диспансеризации).
Примечание. Из таблиц 2, 3 можно установить, что для группы 1 р01=0,27546 и р03=0,00000. Для группы 2 р01=0,27672 и р03=0,14678. Именно указанные значения вероятностей переходов отражены на рис. 1.
Анализ рис. 1 позволяет сделать два вывода. Во-первых, с увеличением числа посещений с целью диспансеризации идет постоянное снижение числа посещений с лечебно-диагностической целью. Во-вторых, в группе пациентов с числом посещений с целью диспансеризации, равном 3 посещения, число посещений с лечебно-диагностической целью становится примерно равным числу диспансерных посещений.
На рис. 2 показана динамика вероятностей переходов, характеризующая переход пациентов из состояний 51 и 53 в состояния 50.
Анализируя график рис. 2, можно отметить, что с увеличением интенсивности диспансерной работы вероятность перехода в состояние 50 из состояния
51 незначительно снижается. Вероятность перехода в состояние 50 из состояния 53 также снижается. Объяснением отмеченной динамики является эффект незначительного увеличения вероятности посещения других специалистов пациентами, находящихся в состоянии 51. Более значительно проявляется динамика увеличения вероятности повторного посещения других специалистов пациентами, находящимися в состоянии 53 (рис. 3). Отмеченная особенность появления нескольких посещений с целью диспансеризации при одном обращении пациента в поликлинику является характерной особенностью улучшения организации диспансерной работы в МО.
Как отмечалось ранее, второй важной характеристикой оценки влияния диспансерной работы на показатели работы поликлиники являются статистики (М±т) распределений длительностей нахождения пациентов в анализируемых состояниях (таблица 4).
При анализе распределений длительности нахождения объектов в анализируемых состояниях представляет интерес наличие статистически значимых различий в длительностях нахождения пациентов в группах 2-6, которые сравниваются со статистиками в группе пациентов, где диспансерная работа
0,4500000 0,4000000 0,3500000 0,3000000 0,2500000 0,2000000 0,1500000 0,1000000 0,0500000 0,0000000
s1
группа 1 группа 2 группа 3 группа 4 группа 5 группа 6
Рис. 1. Динамика вероятностей переходов из состояния S0 в состояния S1 (пациент обращается с лечебно-диагностической целью) и S3 (обращение пациента с целью диспансеризации)
С
#хс
Менедже,
1,0000000 0,9000000 0,8000000 0,7000000 0,6000000 0,5000000 0,4000000 0,3000000 0,2000000 0,1000000 0,0000000
группа 1 группа 2 группа 3 группа 4 группа 5 группа 6
Ф Переход s1-s0 И переход s3-s0
Рис. 2. Динамика вероятностей переходов, характеризующая переход пациентов из состояний S1 и S3 в состояние S0
0,3000000
0,2500000
0,2000000
0,1500000
0,1000000
0,0500000
0,0000000
группа 1 группа 2 группа 3 группа 4 группа 5 группа 6
♦ Вероятность перехода в S1-S1 И Вероятность перехода в S3-S3
Рис. 3. Динамика вероятностей повторного перехода в состояния, в котором пациент находился на предыдущем шаге
енеджер № 3
здравоохранения 2019
не проводилась (группа 1). Сравнение проводилось на основе непараметрического критерия Уилкоксо-на-Манна-Уитни [11].
Примечание. При сравнении длительности нахождения объектов группы 1 в состоянии S3 с длительностями нахождения объектов состоянии ЭЭ других групп необходимо учесть, что для группы 1 имелись только статистики состояния S3, начиная с группы 2. Поэтому сравнение проводится не с группой 1, а с группой 2, статистики которой сравниваются со статистиками остальных групп.
Из таблицы 4 можно установить динамику статистических показателей М и т во время нахождения объектов в анализируемых состояниях, а также сравнить статистики показателей между состояниями. Средняя длительность нахождения пациентов в состоянии S1 составляет от 2698,72 до 2924,48 секунд. Следует напомнить, что под длительностью нахождения объекта в состоянии понимается сумма длительностей нахождения объекта в очереди на прием к врачу и длительность приема врача. Причем средние значения нахождения пациентов в состоянии S1 не имеют статистически значимых отличий (р>0,05) по критерию Уилкоксона-Манна-Уитни. Средняя длительность нахождения пациентов в состоянии S2 составляет от 2249,82 до 2518,68 секунд. Средние значения нахождения пациентов в состоянии 52 имеют статистически значимые отличия (р>0,05) по критерию Уилкоксона-Манна-Уитни от средней длительности нахождения пациента в S2 для группы, в которой диспансеризация
не проводилась (2249,82±17,71 секунд). Средняя длительность нахождения объектов в состоянии S3 (пациент обратился в поликлинику с целью диспансеризации) составляет от 2775,51 до 3201,54 секунд. В анализируемых выборках средняя длительность в состоянии S3 была наибольшей для группы 3, в которой за анализируемый период наблюдалось 2 посещения с профилактической целью. Для большинства групп («группа 3», «группа 5» и «группа 6») средние длительности нахождения пациентов в состоянии S3 имеют статистически значимые отличия (р<0,05) по критерию Уилкок-сона-Манна-Уитни от средней длительности нахождения пациентов в состоянии S3 для группы 2. Важно отметить, что средняя длительность посещения врача поликлиники с диспансерной целью в целом сокращается (за исключением группы 3) при увеличении интенсивности диспансерной работы. Средняя длительность нахождения объектов в состоянии S4 (пациент имеет прочие цели обращения) составляет от 2902,54 до 3586,65 секунд. Для большинства групп («группа 2», «группа 3», «группа 5» и «группа 6») средние длительности нахождения пациентов в состоянии S4 не имеют статистически значимых отличий (р<0,05) по критерию Уилкоксона-Манна-Уитни от средней длительности нахождения пациентов в состоянии S4 для группы 1. Диапазоны средних длительностей нахождения объектов в анализируемых состояниях таковы, что наибольшие средние длительности нахождения объектов наблюдаются в состоянии
Признак Длительность нахождения в состоянии S1 (М±т) секунд Длительность нахождения в состоянии S2 (М±т) секунд Длительность нахождения в состоянии S3 (М±т) секунд Длительность нахождения в состоянии S4 (М±т) секунд
Группа 1 2698,72±25,12 2249,82±17,71 0,0 2902,54±62,26
Группа 2 2837,58±51,18(1) 2296,03±35,47(2) 2906,28±82,93 2946,82±88,15(1)
Группа 3 2727,56±53,77(1) 2279,74±49,77(2) 3201,54±91,03(2) 3033,44±158,7(1)
Группа 4 2770,46±69,56(1) 2404,32±86,22(2) 2886,44±64,00(1) 3586,65±264,7(2)
Группа 5 2708,62±83,28(1) 2342,92±107,8(2) 2857,16±106,1(2) 3261,37±451,4(1)
Группа 6 2924,48±105,3(1) 2518,68±106,3(2) 2775,51±78,03(2) 3014,16±154,2(1)
Обозначения:
(1) - Вероятность сходства р>0.05
(2) - Вероятность сходства р<0.05
С
#хс
Таблица 4
Статистики (M±m) распределений длительностей нахождения пациентов в анализируемых состояниях и вероятность сходства статистик состояний S1-S4 первой группы пациентов «группа 1» со статистиками состояний S1-S4 пациентов других групп по непараметрическому критерию Уилкоксона-Манна-Уитни
Менедже,
54 (обращение в поликлинику с прочими целями). Наименьшие средние длительности нахождения объектов наблюдаются в состоянии 52 (пациент посещает врача поликлиники с целью профилактики). Посещения с лечебно-диагностическими и диспансерными целями имеют промежуточные значения средних длительностей нахождения объектов в указанных состояниях.
Проведенный анализ потоков пациентов к врачам поликлиники в зависимости от интенсивности диспансерной работы дает достаточно много информации о потоках пациентов в поликлинике и характеристиках длительностей нахождения пациентов на врачебном приеме в зависимости от цели обращения.
Однако анализ фактических данных в ряде случаев не позволяет ответить на некоторые важные вопросы. Одним из таких вопросов является вопрос о том, «какова общая длительность пребывания в поликлинике пациентов, имевших анализируемые выше цели обращения?». Существуют несколько подходов для получения ответов на поставленный вопрос. В статье будет описан подход, при котором ответ на поставленный вопрос будет дан на основе метода моделирования [1, 8, 10, 12, 13]. Метод цепей Маркова с оценками позволяет не только проводить достаточно подробный анализ изучаемого процесса, но также получать интересные результаты на основе моделирования, основанного на математическом аппарате цепей Маркова с оценками [13, 14, 17, 18, 19]. Моделирование на основе цепей Маркова с оценками основано на том, что матрица вероятностей переходов, полученная для конкретной группы пациентов, характеризует тот организационный механизм взаимодействия между пациентами данной группы и МО, который сложился в медицинской организации. В свою очередь распределения оценок, которые получены для конкретной группы пациентов характеризуют сложившиеся параметры взаимодействия объектов одного класса (пациентов) с объектами другого класса (врачами поликлиники). Во многих задачах изменить сложившиеся параметры взаимодействия пациентов и врачей (выражаемые распределениями оценок) достаточно сложно, в то время, как можно изменить организационный механизм взаимодействия между пациентами и врачами (выражаемый матрицами вероятностей переходов). Нахождение общей длительности пребывания пациента в поликлинике на основе коэффициентов пересчета не может быть реализовано, поскольку иногда обращение пациента
в поликлинику имеет несколько целей посещения. Имитационное моделирование, которое используется при моделировании на основе математического аппарата ЦМ с оценками, органично использует все особенности взаимодействия определенной группы пациентов с МО, которые были выявлены на этапе анализа изучаемого процесса. Имитационное моделирование может дать ответы на вопросы, которые невозможно получить с помощью анализа исходных данных. При проведении моделирования можно установить начальные параметры моделирования, при котором модельные группы будут равны по численности (в то время, как на практике они сильно отличались по численности). Также за счет установки начальных параметров (в частности, путем изменения значений в матрицах частот переходов) можно изменить потоки пациентов в нужном для исследователя направлении (в то время, как на практике это сделать достаточно сложно или вообще невозможно).
Особую важность метод моделирования имеет при решении задач стратегического управления, т.е. таких задач, в которых цель управления требует обоснования [17, 19]. Моделирование задачи изменения потоков пациентов в поликлинике при изменении различных факторов является одной из задач модуля «Модуль поддержки принятия решений» (МППР), разрабатываемого в МИАС «Антибиотик+». Разработка модуля МППР ведется в двух направлениях. Первое направление содержит решения тактических задач управления на основе процессного подхода [19]. Второе направление включает разработку математических подходов к решению стратегических задач управления [17, 18]. Суть имитационного моделирования, на основе математического аппарата ЦМ с оценками, подробно описан в книгах «Современные подходы к управлению в здравоохранении» [8] и «Моделирование в управлении здравоохранением» [14], поэтому в статье будут приведены лишь результаты моделирования и интерпретация полученных результатов. При моделировании параметры, полученные в каждой из 6 анализировавшихся групп, называются сценариями моделирования. Моделирование каждого сценария проводилось на основе матрицы вероятностей переходов и распределений оценок продолжительности пребывания объектов в анализируемых состояниях, полученных на этапе анализа. Критерием прекращения генерирования «новых обращений» (модельных обращений пациента в поликлинику) было условие достижения 100000 посещений за анализируемый
енеджер № 3
здравоохранения 2019
период. В результате моделирования устранялось одно из важных препятствий, имевшихся на этапе анализа, - различное число посещений пациентами поликлиник, которые наблюдались в группах 1-6 на этапе анализа. Моделирование каждого обращения проводилось методом Монте-Карло [15], при котором генерированные случайные числа имели два «преобразования». Все случайные числа с нечетным номером генерации сравнивались с вероятностями в матрице вероятностей переходов, и на основе сравнения определялось состояние S0-S4, в которое переходит модельный объект на следующем этапе. Случайные числа с четным номером генерации сравнивались с кумулятивными вероятностями в соответствующем распределении длительностей
В результате сравнения находится длительность нахождения объекта в состоянии, которое было определено на предыдущем этапе. В таблице 5 приведены общие результаты моделирования.
На рис. 4-5, которые получены по данным таблицы 5, показана динамика суммарного числа посещений в состояниях 51-54 (рис. 4) и динамика суммарной длительности пребывания (часов) в состояниях 51-54.
На основе рис. 4 и 5 можно сделать следующие выводы:
1. Моделирование потоков пациентов в поликлиниках ДГКБ показывает, что активизация диспансерной работы ведет к снижению как числа посещений с лечебно-диагностической целью, так и к снижению суммарной длительности пребывания (часов) в состояниях 51.
2. Активизация диспансерной работы ведет также к снижению профилактической работы (состояние 52), причем снижение суммарной длительности пребывания (часов) в состояниях 51 и 52 наблюдается на начальных этапах активизации диспансерной работы. На ранних этапах активизации диспансерной работы рост суммарного времени диспансерной работы на 1 час (сравнение сценариев 1 и 2) приводит к снижению суммарной длительности заболеваний (состояний 51) на 2,0 часа и к снижению суммарной длительности затрачиваемой на профилактическую работу (состояний 52) на 1,5 часа. При активизации диспансерной работы (сравнение сценариев 1 и 6) рост суммарного времени диспансерной работы на 1 час приводит к снижению суммарной длительности заболеваний (состояний
Сценарий Число посещений пациентами с лечебно-диагностической целью (состояние S^) Суммарная длительность всех посещений пациентов с лечебно-диагностической целью (часов) (состояние S^) Число посещений пациентами с целью профилактики (состояние S2) Суммарная длительность всех посещений пациентов с целью профилактики (часов) (состояние S2) Число посещений пациентами с целью диспансеризации (состояние S3) Суммарная длительность всех посещений пациентов с целью диспансеризации (часов) (состояние S3) Число посещений пациентами с прочими целями (состояние S4) Суммарная длительность всех посещений пациентов с прочими целями (часов) (состояние S4)
1 21352 198015,4 41191 234342,3 0,0 0,0 15135 102993,5
2 22788 191921,6 30126 143797,8 15402 95334,4 14086 95264,9
3 22917 180475,2 25870 113086,6 23337 142534,0 13778 93104,3
4 23470 178034,2 23187 94456,5 26969 162995,6 14471 97834,3
5 22395 165133,6 21766 84852,1 31277 189588,6 13596 91125,8
6 18821 127420,8 16582 61496,0 39488 237903,3 15317 105608,2
Таблица 5
Параметры анализируемых состояний ^1^4), полученные при помощи имитационного моделирования, и использование матриц перехода и распределениями длительностей ЦМ с оценками каждого сценария
Примечание. В таблице 5 не приведены/ параметры! состояния S0 (пациент находится вне стен поликлиники), поскольку состояние Б0 не является характеристикой потока пациентов в поликлинику.
Менедже,
45000
40000
35000
30000
25000 -
20000
15000 -Х- -
10000
5000
0
1 2 3 4 5 6
Число посещений пациентами с лечебно-диагностической целью (состояние S1)
■ Число посещений пациентами с целью профилактики (состояние S2)
Число посещений пациентами с целью диспансеризации (состояние S3)
X Число посещений пациентами с прочими целями (состояние S4)
Рис. 4. Динамика суммарного числа посещений в состояния S1-S4
250000,0 200000,0 150000,0 100000,0 50000,0 0,0
Суммарная длительность всех посещений пациентов с лечебно-диагностической целью (часов) (состояние S1)
Суммарная длительность всех посещений пациентов с целью профилактики (часов) (состояние S2)
Суммарная длительность всех посещений пациентов с целью диспансеризации (часов) (состояние S3)
Суммарная длительность всех посещений пациентов с прочими целями (часов) (состояние S4)
Рис. 5. Динамика суммарной длительности пребывания (часов) в состояниях S1-S4
Менеджер №3
здравоохранения 2019
я
S1) на 0,5 часа и к снижению суммарной длительности, затрачиваемой на профилактическую работу (состояний S2) на 0,3 часа.
Общие выводы
1. Математический аппарат ЦМ с оценками позволяет проводить анализ и моделирование процессов, протекающих в поликлинике медицинской организации, для принятия решений по актуальным задачам управления.
2. Активизация диспансерной работы приводит к
• уменьшению числа обращений с лечебно-диагностической целью;
• увеличению длительности нахождения в состоянии S1 (прием пациента с лечебно-диагностической целью, что косвенно характеризует более качественную диагностику и лечение пациента).
3. Моделирование потоков пациентов в поликлиниках ДГКБ подтверждает, что активизация диспансерной работы ведет к снижению как числа
посещений с лечебно-диагностической целью, так и снижению суммарной длительности пребывания (часов) в состояниях S1, которая следует из уменьшения числа больных детей, прикрепленных к ДГКБ, с которыми активно ведется диспансерная работа.
4. Активизация диспансерной работы ведет к увеличению переходов 51-5Г и S3-S3, что характеризует появление повторных посещений врачей при обращении с лечебно-диагностической целью или с целью диспансеризации.
С 2019 года начинается планомерное тиражирование «Новой модели медицинской организации» с учетом численности прикрепленного населения и организационной формы. По результатам завершения проекта в поликлинике № 4 ДГКБ, оценки успешности его реализации и экономической эффективности эта модель может быть распространена на другие МО первичного звена здравоохранения субъектов Российской Федерации, оказывающих медицинскую помощь детям.
с
1. Бартоломью Д. Стохастические модели социальных процессов. - М.: «Финансы и статистика», 1985. - 295 с.
2. Данилова Л.В. Опыт внедрения информационно-аналитической системы «Антибиотик» в учреждениях здравоохранения Оренбургской области / Л.В. Данилова, Е.Л. Борщук, С.Б. Чолоян // Вестник Российского университета дружбы народов. Серия: Медицина. -2010. - № 4. - С. 544-548.
3. Данилова Л.В. Отношение жителей г. Оренбурга к медицинской информационной системе «Антибиотик+» /Л. В. Данилова, Е.Л. Борщук, С.Б. Чолоян // Сборник: Современные проблемы здоровья и пути решения. Сборник материалов I Международной научно-практической интернет-конференции населения. - 2013. - С. 85-88.
4. Данилова Л.В. Повышение эффективности управления медицинской организацией с использованием медицинских информационных систем / Л.В. Данилова, С.Б. Чолоян // Врач-аспирант. - 2016. - Т. 74. - № 1.1. - С. 156-161.
5. Дэвис Дж.С. Статистический анализ данных в геологии. Книга 1. / Дж.С. Девис. - Москва: Мир, 1990. 319 с.; Кн. 2. - М. Мир, 1990. - 427 с.
6. Дэвис Дж.С. Статистический анализ данных в геологии. Книга 2. / Дж.С. Девис. - Москва: Мир, 1990. - 427 с.
7. Екимов А.К. Анализ системы здравоохранения с использованием методов марковских процессов // Реформирование системы здравоохранения города Оренбурга: Состояние, Перспективы развития. Механизмы реализации. - Оренбург, 1998. - С. 37-45.
8. Екимов А.К. Современные подходы к управлению в здравоохранении / А.К. Екимов, В.М. Естефеев, Н.Н. Комаров. - Оренбург, ОАО «ИПК «Южный Урал», 2006. - 400 с.
9. Екимов А.К.., Дрошнев В.В. Математическое моделирование основа экономического прогнозирования системы здравоохранения города / А.К. Екимов А.К., В.В. Дрошнев // Экономика здравоохранения. - 1999. - № 7-8. - С. 43-45.
10.Заболотский В.П. Математические модели в управлении / В.П. Заболотский, А.А. Ово-
денко, А.Г. Степанов. - СПб., СПбГУАП, 2001. - 196 с.
11.Закс Л. Статистическое оценивание. - М.: Статистика, 1976. - 598 с.
12.Кант В.Я. Математические методы и моделирование в здравоохранении. -М.: Медицина, 1987. - 222 с.
13.Канюков В.Н. Использование моделей для принятия управленческих решений / В.Н. Канюков, А.К. Екимов, О.М. Трубина// Формирование основных направлений развития
•ХС
Менедже,
современной статистики и эконометрики: материалы 1-ой Международной научной конференции. Т. 1. -Оренбург, ООО ИПК «Университет», 2013. - С. 425-432.
14.Канюков В.Н., Екимов А.К. Моделирование в управлении здравоохранением. - Оренбург: ОГУ, 2010. -564 с.
15.Кельтон В., Лоу А. Имитационное моделирование. Классика CS. 3-е изд. - СПб.: Питер; Киев: Издательская группа BHV, 2004. - 847 с.
16.Колесников Б.Л. Оценка диспансерной работы на основе процессов Маркова /Б. Л. Колесников, А.К. Екимов, О.С. Редина // Вестник ОГУ. - 2006. - № 6. - Т. 2. - С. 117-127.
17.Чолоян С.Б. Методы стратегического управления медицинской организации (информационный аспект) / С.Б. Чолоян, М.В. Шеенкова, А.К. Екимов [и др.] // Общественное здоровье и здравоохранение. - 2017. -№ 3. - С. 44-48.
18.Чолоян С.Б. Влияние деятельности медицинской организации, оказывающей медицинскую помощь детям, на экономику региона / С.Б. Чолоян С.Б., А.К. Екимов, О.Г. Павловская [и др.]// Менеджер здравоохранения. - 2018. - № 9. - С. 18-30.
19.Чолоян С.Б. Построение информационной системы медицинской организации, реализующей процессный подход «не с помощью CASE-средств» / С.Б. Чолоян, М.В. Шеенкова, А.К. Екимов [и др.] // Общественное здоровье и здравоохранение. - 2017. - № 3. - С. 33-38.
UDC [614.2:616-053.2-082:519-24] (470.66) (1-21)
Choloyan S.B., Ekimov A.K., Pavlovskaya O.G, Sheenkova M.V., Dmitrieva I.V., Baygazina E.N., Danilova L.V. The formation of a new model of medical organization providing primary health care. Treatment of patients in the clinic: analysis and modeling (SAIH "Children's city clinical hospital" of Orenburg, FSBEI HE "Orenburg state medical University" of the Ministry of health of the Russian Federation)
Abstract. As part of the formation of a new model of medical organization providing primary health care to children promising mathematical apparatus for management decision-making are Markov chain with estimates. The generation of models with different scenarios in the treatment of children in the clinic revealed that the activation of dispensary work leads to a decrease in both the number of visits for diagnostic and treatment purposes, as well as the total number of visits to the clinic. The experience of dispensary work will be replicated in other regions from 2019.
Keywords: primary health care for children, seeking medical care, Markov chains, Markov chains with assessments, modeling of management decisions.
Здравоохранение-2019
РОСЗДРАВНАДЗОР ЗАПУСКАЕТ ОБНОВЛЕННУЮ БАЗУ «ФАРМАКОНАДЗОР»
С1 апреля Росздравнадзор запускает обновленную базу «Фармаконадзор» Автоматизированной информационной системы (АИС). Новая национальная база нежелательных реакций основана на международном формате Совета по гармонизации ICH E2B (R3).
База позволяет автоматически принимать сообщения из программных ресурсов по фармаконадзору отечественных и зарубежных разработок, поддерживать информационный обмен анонимными данными со Всемирной организацией здравоохранения в рамках программы международного мониторинга безопасности лекарственных средств.
На сайте ведомства опубликовано руководство по использованию нового ресурса, а порядок обновления доступа Росздравнадзор разъяснит в ближайшее время в информационном письме.
Менеджер № 3
здравоохранения 2019
36 ш
