CC BY
33
ОБЩИЕ ВОПРОСЫ СТАНДАРТИЗАЦИИ
СКОРИНГОВЫЕ МОДЕЛИ КАК ИНСТРУМЕНТ УПРАВЛЕНИЯ РИСКАМИ И КАЧЕСТВОМ МЕДИЦИНСКОЙ ПОМОЩИ
К.С. Мильчаков, В.В. Мадьянова, Р.А. Хальфин1
Первый Московский государственный медицинский университет им. И.М. Сеченова
Проанализирована взаимосвязь качества медицинской помощи и риск-менеджмента в условиях медицинской организации. Роль математического моделирования, аналитических и статистических моделей, а также скоринговых карт в качестве интерфейса. Рассмотрены некоторые организационно-методические проблемы реализации скоринговых карт в качестве инструмента для управления рисками и качеством медицинской помощи в условиях структур здравоохранения.
Ключевые слова: скоринговые карты, риск-менеджмент в здравоохранении, качество медицинской помощи, математическое моделирование в здравоохранении
С развитием информационных технологий в последние годы открываются перспективы для создания новых отраслевых решений в различных сферах медицины. Помимо использования инструментов, основанных на эмпирических данных, становится возможным применение методов математического моделирования, статистики и анализа данных для создания новых инструментов оценки рисков. Кроме того, с 2008 г. активно развивается концепция «Big Data», позволяющая накапливать, оптимально хранить и обрабатывать очень большие объемы данных [1].
Практическое приложение научных изысканий при работе с базами данных в системе здраво-
1 Хальфин Руслан Альбертович — д-р мед. наук, профессор; директор Высшей школы управления здравоохранением ИПО ГБОУ ВПО Первый МГМУ им. И.М. Сеченова; 109004 Москва, ул. Александра Солженицына д. 28; тел: +7 (499) 763-68-02; e-mail: madvika@mail.ru.
охранения может кардинально изменить подходы ведения пациентов с позиций персонифицированной медицины и рационализации предоставления медицинских услуг (доставка услуги в правильном объеме и по экономически оправданной цене). Таким образом, в перспективе можно говорить о создании медицинской цифровой среды, где накопление исчерпывающих данных о пациентах будет служить для принятия индивидуальных клинических решений, а также помогать решать проблемы здравоохранения на уровне медицинских организаций и популяции в общем [2].
Для создания таких систем требуются мульти-дисциплинарный подход и кооперация врачей-экспертов и специалистов в области математического анализа. Однако для внедрения таких систем необходимы удобные в использовании, понятные врачу интерфейсы: именно на данном этапе часто отвергаются результаты разработок
большинства математических моделей. В такой ситуации перспективными и удобными могут оказаться интерфейсы скоринговых карт (scoring cards), используемые, к примеру, для расчета финансовых рисков в банковской практике [3—5]. В таких системах каждому фактору риска (предиктору) наступления какого-либо события или его интервалу соответствует некоторое количество баллов, а заключительное решение по проблеме принимается по сумме баллов. Представление систем оценки в таком виде не требует от конечного пользователя специальных знаний в области статистики и анализа данных, поэтому может быть широко использовано рядовыми медицинскими специалистами.
Риск-менеджмент и качество медицинской помощи. Каждая медицинская организация сталкивается с необходимостью анализа и оценки медицинских рисков для снижения количества неблагоприятных событий и достижения целей организации. Основной целью лечебно-профилактических учреждений (ЛПУ) является реализация социальных гарантий населению посредством обеспечения качественной медицинской помощи. Другие цели могут быть определены в финансовой, экономической, репутационной сферах деятельности организации.
Оценка риска позволяет дать ответ на следующие вопросы:
Какие риски могут произойти в ходе деятельности организации и какова их причина?
Каковы последствия их возникновения?
Насколько вероятен конкретный риск?
Что можно предпринять для снижения риска?
Какова эффективность проводимых мероприятий по снижению риска?
В России введен ряд государственных стандартов для регламентации работы с рисками — ГОСТ Р ИСО/МЭК 31010, ГОСТ Р 51897, ГОСТ Р 14971 для медицинских изделий.
Управление рисками помогает в принятии оптимальных и необходимых решений в условиях неопределенности циклов оказания услуг. Специалист управления рисками (риск-менеджер) должен проводить выявление и анализ рисков, а также создание анти-рискового плана, адаптированного к нуждам конкретной организации с целью смягчения последствий рисков и их избегания. Он может постоянно обновляться в соответствии с новыми реалиями, с которыми
сталкивается медицинская организация, для обеспечения оптимального качества медицинской помощи населению.
Качество медицинской помощи складывается из трех составляющих, отражающих три подхода его обеспечения и оценки: качество структуры (структурный подход), качество технологии (процессуальный подход), качество результата (результативный подход) [6]. Подходы оценки качества взаимосвязаны и взаимно дополняют друг друга.
При помощи структурного подхода контролируются лицензирование и аккредитация учреждения, аттестация и сертификация специалистов, обеспечение качества медикаментов, материального обеспечения ЛПУ.
Процессуальный подход оценивает соблюдение технологии лечебно-диагностического процесса, следование руководствам и протоколам, соответствие комплекса лечебно-диагностических мероприятий принятому стандарту медицинских технологий.
Результативный подход дает оценку качества по степени достижения результата.
Качество результата оценивают в трех плоскостях: по отношению к конкретному пациенту, всем больным ЛПУ и в рамках общественного здоровья. В первом случае оценивается, насколько результат лечения близок к ожидаемому с учетом клинического диагноза, индивидуальных особенностей пациента. Результатами стационарного лечения могут быть выздоровление, улучшение и ухудшение состояния, перевод в другое ЛПУ, смерть. В случае амбулаторно-по-ликлинического лечения — выздоровление, ремиссия, госпитализация, инвалидизация, смерть. При оценке результата на уровне ЛПУ исходами могут быть летальность, частота послеоперационных осложнений, расхождение диагнозов, степень расхождения и др. Результаты оказания медицинской помощи населению на уровне популяции характеризуют показатели общественного здоровья.
Очевидно, что на каждом этапе обеспечения качества помощи и уровне его оценки присутствуют различные риски: смертельный исход, ухудшение состояния или отсутствие выздоровления конкретных пациентов, возрастание летальности или частоты осложнений на уровне ЛПУ, уве-
личение смертности или распространенности какого-либо заболевания на уровне популяции.
Таким образом, обеспечение оптимального использования финансовых ресурсов на входе и необходимого баланса качества медицинской помощи на выходе становится одной из приоритетных задач медицинского менеджмента.
Скоринговые модели в риск-менеджменте медицинской организации. Представляется перспективным использование методов статистики и поиска данных (data mining) для создания систем управления рисками, повышения эффективности оказания медицинской помощи и функционирования медицинских объектов. Традиционно прогностические системы в компиляции с экспертным подходом используются в диагностике заболеваний, при создании протоколов лечения многих нозологий, прогнозировании вероятности наступления тех или иных исходов. Однако на протяжении долгого времени использование математических методов для управления клиническим процессом приводило лишь к частным результатам в контексте определенных нозологий [7]. В практике отсутствовали многомерные системы для оценки множества показателей одновременно, созданные с использованием больших объемов информации и соответственно обладающие высокой степенью точности.
Многочисленные скоринговые системы широко используются в системе здравоохранения для оценки тяжести заболеваний [8, 9], оценки наступления какого-либо события [10, 11], дифференциальной диагностики заболеваний [12, 13] или выявления факторов риска [14, 15]. На основании интерпретации выходных данных таких систем медицинский специалист может принять то или иное клиническое решение, которое будет оптимальным.
Точность скоринговых систем, независимо от метода их создания, в большой степени зависит от объема исходной выборки, на которой создавалась модель. Чем больше объем выборки, тем потенциально больше там находится информации о связях между различными показателями и тем выше точность коэффициентов модели (например, коэффициентов регрессионных уравнений или связей между слоями нейронных сетей).
Большинство существующих систем создано на основе относительно небольших выборок дан-
ных, количество записей в них измеряется сотнями и тысячами. Для оценки конкретной нозологии в небольшой популяции, например, на базе одного отделения или ЛПУ, точность таких моделей достаточна. Но для создания крупных многомерных систем и(или) для оценки данных, значительно превышающих по объему выше названные (например, для оценки распространенности заболевания в масштабах страны), требуется гораздо большая точность коэффициентов и соответственно большие объемы исходных выборок.
Сам факт накопления медицинских баз данных у различных ЛПУ логически подводит к необходимости их комплексного использования. В данном случае речь идет не только о примитивных отчетах структуры заболеваемости в половозрастных срезах, но и о поиске глубинных взаимосвязей, которые могут дать возможность для создания экономически целесообразных систем здравоохранения с высокой эффективностью [16]. Объем уже существующих медицинских баз данных, а также тот факт, что они постоянно прирастают новыми данными, позволяет использовать в данном случае концепцию «Big Data» [1].
По данным агентства McKinsey, накопление больших объемов данных должно сочетаться с пятью принципами: правильная жизнь, правильные медицинская помощь, медицинский персонал и объем оказания помощи, правильные инновации [17].
Под правильной жизнью подразумевается всестороннее информирование пациента о факторах риска, необходимых изменениях в образе жизни пациента, активное вовлечение потребителя медицинских услуг в мониторинг собственного здоровья. Правильная медицинская помощь включает в себя использование только тех манипуляций и терапевтических схем, которые прошли оценку с позиций доказательной медицины. Парадигма правильного медицинского персонала предполагает рациональное использование медицинских кадров на каждом из этапов системы обслуживания пациента в системе здравоохранения. Правильный объем оказания медицинской помощи должен включать в себя подход, подразумевающий использование лекарственных средств для ведения больного только в необходимой для него дозировке. При этом используется анализ индивидуальной восприим-
чивости пациента к веществам на основании не только общепопуляционных данных, но и субрегистров по определенным генетическим полиморфизмам пациентов. Правильные инновации должны заключаться в анализе слабых мест существующей системы и модификации имеющихся механизмов, а также в поиске новых знаний [17].
Таким образом, системы здравоохранения в развитых странах должны содержать удобные для использования в повседневной практике системы прогнозирования и анализа информации, обучаемые на данных из централизованных баз, где каждая новая электронная запись становится дополнительным звеном в решении новых задач как клинического плана, так и управленческого уровня. Несомненно, способом решения таких задач должно быть использование методов статистики, добычи данных и других математических алгоритмов. Перспективным интерфейсом результатов полученных моделей для конечных пользователей являются скоринговые карты, они легко поддаются интерпретации, существует потенциальная возможность для реализации скрининга, они легко реализуются как в медицинских информационных системах, так и на простых бумажных носителях.
ЛИТЕРАТУРА
1. Lynch C. Editorial. Community cleverness required. URL: http: // www.nature.com/nature/journal/v455/n7209/ full/455001a.html (дата обращения: 10.09.2014 г.).
2. Costa F.F. Big data in biomedicine // Drug Discov. Today. 2014. № 19 (4). С. 443—440.
3. Киблицкий С.А. Скоринг-методика оптимизации банковской деятельности при кредитовании физических лиц: Дис. ... канд. экон. наук. М., 2011. 124 с.
4. Погорлецкая Ю.И. Кредитный скоринг в системе банковского риск-менеджмента: Дис. ... канд. экон. наук. Санкт-Петербург, 2009. 161 с.
5. Уланов С.В. Скоринговые модели и средства управления рисками для поддержки принятия кредитных решений: Дис. ... канд. экон. наук. Ижевск, 2007. 152 с.
6. Donabedian A. Evaluating the Quality of Medical Care // Milbank Q. 2005. № 83 (4). P. 691—729.
7. Гельфанд И.М., Розенфельд Б.И., Шифрин М.А. Очерки по совместной работе математиков и врачей. М.: Наука, 1989. 272 с.
8. Lins R.L., Elseviers M.M., Daelemans R., Arnouts P. etal. Re-evaluation and modification of the Stuivenberg Hospital Acute Renal Failure (SHARF) scoring system for the prognosis of acute renal failure: an independent multicentre, prospective study // Nephrol. Dial. Transplant. 2004. № 19 (9). P. 2282—2288.
9. Zolnoori M., Zarandi M.H., Moin M., Teimorian S.J. Fuzzy rule-based expert system for assessment severity of asthma // Med. Syst. 2012. № 36 (3). P. 1707—1717.
10. Гайнуллина Ю.И. Фармакоэпидемиологическое и фар-макоэкономическое обоснование периоперационной антибиотикопрофилактики при остром аппендиците: Дис. ... канд. мед. наук. Владивосток, 2004. 136 с.
11. Григорьев С.Г. Многомерное математико-статистичес-кое моделирование сложных медицинских систем: Ав-тореф. дис. ... д-ра мед. наук. Санкт-Петербург, 2003. 42 с.
12. Реброва О.Ю. Математические алгоритмы и экспертные системы в дифференциальной диагностике инсультов: Дис. ... д-ра мед. наук:. М., 2003. 325 с.
13. Ермакова Н.В. Нейроиммунные аспекты патогенеза лихорадочной и менингеальной форм клещевого энцефалита: Дис. ... канд. мед. наук. Челябинск, 2007. 173 с.
14. Зелтынь-Абрамов Е.М. Тромболитическая терапия и разрывы сердца в остром периоде инфаркта миокарда: Дис. ... д-ра мед. наук: М., 2011. 225 с.
15. Тетюшкина Е.В. Клинико-морфологические предикторы прогрессирования хронического гломерулонефрита: Дис. ... канд. мед. наук. М., 2008. 158 с.
16.Yoo I., Alafaireet P., Marinov M., Pena-Hernandez K., Gopidi R., Chang J.F., Hua L. Data mining in healthcare and biomedicine: A survey of the literature // J. Med. Syst.
2012. V. 36. P. 2431—2448.
17. Groves P., Kayyali B., Knott D., Van Kuiken S. The «big data» revolution in healthcare. [Электронный ресурс].
2013. URL: http://www.images-et-reseaux.com/sites/ default/files/medias/blog/2013/12/mckinsey_131204_ _the_big_data_revolution_in_ healthcare.pdf (дата обращения: 15.09.2014).
