Спецпроекты

Качеством медицинской помощи по системе ОМС занялся искусственный интеллект

2566
ИТ в госсекторе
Большие данные и машинное обучение: без упоминания этих технологий редко обходится разговор о цифровой трансформации. Однако реальные примеры их успешного использования, особенно для государственных нужд, в России можно обнаружить не часто. Такой опыт есть у Федерального фонда обязательного медицинского страхования. О ходе проектов, связанных с анализом данных, рассказывает заместитель Председателя ФОМС Елена Сучкова.

С какими объемами данных вы работаете?

Елена Сучкова: В российской системе обязательного медицинского страхования (ОМС) застрахованы более 146 миллионов человек. И, когда любой из них обращается за медицинской помощью, регистрируется страховой случай. Сведения о каждом таком случае вносятся в реестр счета – это файл формата XML с более чем сотней параметров. Он содержит информацию об услугах, оказанных медицинской организацией, включая сведения о применении лекарственных препаратов. Кроме того, в реестре счета есть сведения о диагнозе, результатах и исходе лечения.

С этими данными работают организации нескольких типов. В субъектах РФ государственную политику в области ОМС реализуют территориальные фонды ОМС, которые взаимодействуют с другими участниками системы – страховыми компаниями и медицинскими организациями.

В 85 субъектах РФ и г. Байконуре работают территориальные фонды ОМС. Около десяти тысяч медицинских организаций оказывают помощь людям, предоставляют информацию об оказанных медицинских услугах и, на ее основании, получают средства ОМС на оплату своей деятельности. На основе этих данных происходит не только движение значительных финансовых средств, но и принятие управленческих решений о развитии и совершенствовании системы ОМС в стране.

suchkova800.jpg
Елена Сучкова: Применение элементов искусственного интеллекта для экспертных проверок в системе ОМС – не дань моде, а решение насущной государственной задачи наиболее адекватным методом

Успех национальных проектов в сфере здравоохранения невозможен без достоверных, актуальных и полных данных. В феврале 2019 года мы впервые представили полную и развернутую информацию по Национальному проекту «Здравоохранение» в рамках борьбы с онкологическими заболеваниями, наладили процесс ежемесячного сбора данных по всей стране. Для этого потребовалась очень серьезная организационная и техническая работа.

С какими основными проблемами сталкивается ваше ведомство при сборе и анализе данных и какие задачи стоят перед вами в связи с этим?

Елена Сучкова: Основное требование к данным – их достоверность и актуальность. На уровне первичных данных эта задача решена достаточно давно. Медицинские организации предоставляют их страховым компаниям для осуществления оплаты за оказанную медицинскую помощь. Этот финансовый механизм работает как часы.

Однако Федеральный фонд для статистики в основном получает не первичные данные, а консолидированные и агрегированные, их формируют территориальные фонды ОМС. Пока такая отчетность собирается вручную, нельзя быть уверенными в ее достоверности на все 100%. Организовать полностью автоматический сбор отчетности и исключить возможность искажения фактов – без преувеличения задача государственной важности. Именно ее мы пытаемся решить, создавая централизованную аналитическую систему на основе распределенного OLAP.

Другая стратегическая задача связана с организацией контроля качества оказания медицинской помощи в медицинских организациях. Сейчас эксперты страховых медицинских организаций работают в ручном режиме и проверяют не более 5–6% всех страховых случаев, из которых 20% признаются дефектными. Доля дефектных случаев в общем объеме проверенной медицинской помощи не превышает 0,3%. Для выбора объекта проверки необходимо просмотреть все реестры счетов и отобрать конкретные случаи. При этом, естественно, возможны ошибки – влияет человеческий фактор. Кроме того, проверка такого массива данных требует существенных человеческих ресурсов. В целях оптимизации процесса и полноты проверяемых данных реестров счетов на оплату оказанной медицинской помощи мы создали инструмент на основе машинного обучения.

Как именно помогают вам технологии машинного обучения?

Елена Сучкова: Проверки в системе ОМС условно делятся на технологические, проводимые в автоматизированном режиме, и экспертные. К технологическим относятся форматно-логический контроль и медико-экономический контроль. К экспертным – медико-экономическая экспертиза (МЭЭ) и экспертиза качества оказанной медицинской помощи (ЭКМП).

Проверки форматно-логического контроля обеспечивают корректность вводимых данных. Нельзя ввести вместо имени пациента число, или вместо даты ввести символьные значения. Проверки медико-экономического контроля имеют уже более сложную архитектуру и предотвращают введение некорректных и противоречивых сведений об оказанной медицинской помощи. Например, нельзя записать оказание медицинской помощи по профилю «гинекология» пациенту мужского пола. Также на этапе медико-экономического контроля контролируется корректность ввода финансовой составляющей реестра счета. Применение совокупности технологических проверок обеспечивает корректное формирование реестров счетов для дальнейшей оплаты оказанной медицинской помощи. Эти проверки мы постоянно совершенствуем.

Экспертным проверкам отводится наиболее важная роль. МЭЭ подразумевает выявление несоответствий предъявленных к оплате медицинских услуг записям в первичной медицинской документации и учетно-отчетной документации медицинской организации: например, несоответствие указанных в реестре счета сроков оказания медицинской помощи или профиля оказания медицинской помощи сведениям, зафиксированным в истории болезни.

ЭКМП предполагает выезд врача-эксперта в медорганизацию, на место. Эксперт – сотрудник страховой компании – изучает историю болезни и делает заключение о том, насколько правильно было проведено лечение и соответствует ли оно утвержденному Минздравом России протоколу лечения при данном заболевании, в том числе в части проведения диагностических исследований и применения лекарственных средств. Все летальные исходы проверяются в обязательном порядке и именно так.

В целях выявления всех случаев, где необходимы экспертные проверки, применяются технологии искусственного интеллекта и машинного обучения. Число экспертов при этом не уменьшится, но возрастет качество проводимых экспертиз. Выявлять все случаи с нарушениями – это уже задача нейросети. У нас есть прекрасная база для машинного обучения: в территориальных фондах ОМС накоплен огромный объем данных: есть реестры счетов и есть акты экспертиз, проведенных по выявленным нарушениям.

Страховые компании считают это направление чрезвычайно востребованным. Не менее существенно это и для государства в целом, и для отдельных граждан: без эффективного контроля никакая деятельность невозможна, а в такой сложной области, как здравоохранение, тем более.

Применение элементов искусственного интеллекта для экспертных проверок в системе ОМС – не дань моде, а решение насущной государственной задачи наиболее адекватным методом. Здесь не задача «подгоняется» к технологии, а для реально существующей задачи подбирается оптимальное технологическое решение, в результате чего достигаются значимые результаты.

Как реализовывался проект по машинному обучению и каковы были результаты?

Елена Сучкова: Мы совместно с территориальным фондом Московской области провели пилотный проект по разработке АИС «Эксперт». Он продолжался полгода.

Три месяца ушло на то, чтобы обучить нейросеть. Для пилотного проекта были предоставлены все реестры счетов и акты экспертиз за 2017 год по одному субъекту РФ. Совпадение результатов при традиционной проверке экспертами и при работе нейросети на исторических данных было близко к 90%. На актуальных данных совпадение «ручной» и «машинной» проверок составило 87%. При этом около 5% несоответствий составили пропущенные экспертами случаи, то есть ошибки, связанные с человеческим фактором.

С такой технологией у нас появилась наконец возможность отбирать для проведения экспертного контроля абсолютно все страховые случаи по всей стране. Нейросеть выявляет подозрительные – потенциально дефектные – случаи, а дальше с ними разбираются эксперты. Это позволяет экономить время, кардинально поднять качество проверок, и как следствие – качество оказания самой медицинской помощи. Страховые компании знают о нашем проекте и приветствуют его результаты.

Не совсем обычным был ход проекта. Территориальный фонд ОМС Московской области создал рабочую группу с участием представителей страховых компаний. Нужно понимать, что это коммерческие организации, которые интересует результативность и экономия собственных ресурсов, а не абстрактные цели. Все принимали очень активное участие, выступали с предложениями, генерировали идеи. Для СМО важно не сократить штат экспертов, а получить высокотехнологичный инструмент для их работы. С помощью применения нейросетей можно в разы поднять качество проверки – это самое важное.

Мы совместно с территориальным фондом ОМС Московской области доработаем наше решение на базе машинного обучения до полноценной промышленной ИТ-системы с ролевым доступом, политиками безопасности, шлюзами доступа из различных приложений. Как только это будет сделано, начнем ее бесплатно тиражировать, чтобы все желающие территориальные фонды ОМС субъектов РФ могли подключаться и использовать эти же аналитические возможности.

Развертывание этих систем, созданных на базе методов искусственного интеллекта, позволит получать результат, значимый для всех участников процесса: государства, граждан, страховых компаний, медицинских организаций.

Как устроен в ФОМС сбор отчетности? Каким образом вы планируете автоматизировать эту работу?

Елена Сучкова: Мы собираем очень много разнообразной отчетности. Ее предоставляют нам все территориальные фонды ОМС. Объем получаемых для обобщения и дальнейшего анализа сведений только по одному из направлений колоссален.

Часть отчетности мы сами агрегируем на федеральном уровне, используя первичные данные, например по онкологическим заболеваниям и по смертности. В большинстве случаев отчетность по качеству медицинского обслуживания, финансовым затратам и многому другому агрегируется вручную территориальным фондом ОМС в виде итоговых показателей и присылается нам. Эту ручную обработку данных необходимо исключить, чтобы обеспечить полную достоверность и актуальность информации.

С этого года мы создаем систему централизованного динамического анализа распределенных данных. В каждом территориальном фонде ОМС будет развернуто хранилище данных с OLAP-инструментарием. Это позволит нам из первичных данных фонда автоматически получать все показатели, не оставляя на местах возможность их ручной коррекции. Собранные данные мы сами будем структурировать в OLAP, формировать кубы данных и передавать в центральное хранилище, где и будет осуществляться анализ.

В настоящий момент подготовка и сбор отчетности происходят несколько иначе. Категории и состав показателей утверждаются приказом Минздрава России и ФОМС. По результатам анализа перечня показателей мы проектируем форму сбора и регламенты предоставления отчетности для территориальных фондов ОМС. Им, в свою очередь, нередко требуется произвести доработку информационных систем, на что уходит время. И после нескольких итераций по согласованию и реализации этого процесса мы получаем результат.

Мы хотим все это делать фактически в режиме реального времени. Нужен конструктор отчетности, которым могли бы пользоваться сотрудники без обращения в ИТ-службу. Вот тогда это будет по-настоящему быстро. И человеческий фактор будет практически исключен на этапе сбора информации. Принципиально новая возможность этой системы – изменять набор показателей для формирования отчетности в различных разрезах. Основа всего этого – тот же реестр счета. Набор сведений в нем определяется приказом, и может быть изменен тоже только приказом. Однако в рамках принятого реестра можно будет в любой момент поднимать наверх больше данных.

При необходимости задать новые параметры для построения отчета больше не потребуется перепрограммировать систему. Такую возможность дает так называемая Smart OLAP технология.

На каком этапе находится этот проект?

Елена Сучкова: На данный момент проведены предварительные разработки. Уже ясна архитектура системы, определены основные принципы пользовательских инструментов, принципы работы. Опытная эксплуатация будет возможна в конце текущего года в пилотных субъектах России. При положительных результатах в следующем году будет возможно масштабирование на другие субъекты.

Мы предвидим значительные сложности на этапе обучения сотрудников территориальных фондов ОМС и наших специалистов работе в новой среде. Придется не просто дать людям новые навыки, а менять менталитет и сложившиеся взгляды на аналитику. Но это совершенно необходимо и полностью реально.

Самое главное в этой работе – время. Пока что данные для национального проекта «Здравоохранение» мы собираем раз в месяц. Эффективно вести сбор данных для нескольких проектов, связанных со здравоохранением, в таком режиме будет крайне сложно. Без актуальных данных ни о каких действительно эффективных решениях речь идти не может.


Стратегия месяца

Периферийные вычисления перемещаются в центр внимания

Взгляд месяца

Идея внутренней разработки себя не оправдала

Наталия Оржевская

директор центра управления командами, «Диасофт»