Rambler's Top100
Статьи ИКС № 09-10 2017
Яна ЗВЕРЕВА  07 ноября 2017

Потерянные миллионы графоклеток

В статистических и оперативных отчетах региональных медицинских информационно-аналитических центров, отвечающих за сбор и обработку данных об оказании медпомощи, – миллионы графоклеток с различными показателями. Тем не менее извлечь нужную информацию можно не всегда.

Необходимы специальные инструменты, которые позволят эффективно работать с данными, чтобы руководитель мог не только выявить проблему, но и разобраться в ее причинах.

Всё было бы просто, если бы не было так сложно

Аналитические BI-системы давно и успешно применяются во многих отраслях, но их внедрение в здравоохранении имеет свою специфику:

Невозможно сопоставить данные отчетов. В здравоохранении на уровне региона и тем более страны задействовано множество информационных систем: бухгалтерские, кадровые, медицинские, лабораторные и др. В большинстве этих систем предусмотрена возможность формирования отчетов, но поскольку системы между собой не связаны, сопоставить данные из таких отчетов и получить более подробную картину невозможно.

Например, отчетность о причинах смертности и о лабораторных исследованиях формируется в двух разных типах систем. Отчеты содержат агрегированные данные, из которых невозможно установить принадлежность к пациенту. Выявить связь между определенным лабораторным показателем и летальным исходом на основе таких отчетов невозможно.

Низкое качество данных. Ошибки ручного ввода, опечатки и просто халатное отношение к заполнению электронных форм в масштабах региона может приводить к большой погрешности в отчетах. Из усредненных данных в отчете не ясно, как именно было получено то или иное значение, не является ли отклонение от нормы следствием неверно внесенного параметра или отсутствующих данных пациента.

Негибкая система формирования отчетов. Традиционная система сбора статистики в здравоохранении основана на фиксированных формах отчетности. На подготовку срочного или нестандартного отчета тратится огромное количество человеко-часов. За разработку каждого нового отчета приходится платить разработчику, а если нужно посмотреть на те же данные под другим углом, все приходится делать заново.

Ограниченные возможности детализации данных. Аналитические инструменты, которые сейчас используются в здравоохранении, как правило, не позволяют «спуститься» от укрупненного показателя до врача, пациента или случая обслуживания. Такие отчеты дают возможность увидеть проблему, но не помогают выявить причину.

Простой пример: если в регионе выявлены случаи оспы, то в отчете для главного эпидемиолога должно быть указано, в каких учреждениях зафиксированы эти случаи и, главное, по какому адресу живут пациенты. Для этого система должна не только формировать отчет, но и детализировать его до необходимого уровня.

Данные – информация – знания

Что же нужно сделать для того, чтобы превратить нарастающий поток информации в реальный ресурс для повышения доступности и качества здравоохранения?

♦Данных собираем много, а на запрос Минздрава быстро не ответить.

Разработчик формирует новые отчеты долго, а конструктора для самостоятельного анализа нет.

♦ Данные вызывают сомнения, но как рассчитана та или иная цифра, неясно.

♦ Отчет формируется несколько дней, а данные нужны сегодня. 

Во-первых, чтобы анализировать данные на уровне региона, нужно научиться собирать и хранить данные на региональном уровне. Это сложнее, чем может показаться на первый взгляд: необходимо обеспечить обмен данными между информационными системами, уметь поддерживать актуальное состояние и версионность региональных справочников, а также решить задачу идентификации пациента. В здравоохранении, в отличие, скажем, от банковской сферы, пациент не всегда может быть идентифицирован по одному документу, например паспорту или полису ОМС. В ряде случаев медицинская помощь может быть оказана без предъявления документов. Определить, какие медицинские записи относятся к одному и тому же человеку, важно, так как в противном случае невозможно обеспечить достоверность статистических данных.

Во-вторых, данные должны быть измеримы, прозрачны и достоверны. Система должна уметь проверять, очищать и обогащать данные: находить пустые поля, удалять лишние пробелы, определять и устранять ошибки кодировки строковых параметров, рассчитывать возраст пациента и отклонение результатов анализов от нормы.

Данных, доступных для анализа и обработки, становится намного больше, чем содержится в статистических формах. Архитектура аналитической системы для здравоохранения должна позволять подключать новые источники данных, не внося изменений в ранее сформированное хранилище.

Сегодня объем медицинских данных измеряется терабайтами, в ближайшем будущем этот показатель вырастет на порядок. Аналитическая система должна быть спроектирована специально для быстрой обработки больших массивов.

Еще одно важное свойство аналитической системы – возможность для пользователя самостоятельно формировать отчеты с помощью конструктора. Это снижает трудозатраты при построении новых отчетов в десятки раз.

Пример того, как аналитическая система может помочь в решении задач здравоохранения, – проект создания BI-системы в Санкт-Петербурге. В городе с 2011 г. обмен данными ведется через интеграционную шину, поэтому на региональном уровне накоплен большой массив информации. Задача в том, чтобы корректно совместить данные из различных региональных сервисов – интегрированной электронной медицинской карты (ИЭМК), обмена данными лабораторных исследований, управления очередями на оказание медицинской помощи и других – и сделать их доступными для анализа. Одна из поставленных перед системой задач – предоставить данные пациентов, у которых в течение года были выявлены превышающие норму значения определенных онкомаркеров.

Аналитика – будущее здравоохранения

Сегодня перед нами стоит задача собрать и объединить данные из региональных сервисов для того, чтобы предоставить пользователю средства для самостоятельного и эффективного анализа данных.

Речь идет не только об автоматизации отчетности – возможности аналитических инструментов намного шире. Одна из наиболее перспективных областей применения аналитических систем – выявление неэффективных процессов. Например, с помощью анализа данных лабораторных исследований можно изучать маршрутизацию лабораторных исследований – это ценная информация для управления процессом централизации лабораторий. Совместив данные о лабораторных исследованиях с информацией ИЭМК, можно уменьшить количество повторно назначаемых и необоснованных исследований, контролировать соблюдение сроков лабораторной диагностики, исследовать частоту выявления патологии у разных групп пациентов.

Долгосрочная, но важная цель – глубокий анализ данных, поиск причин и взаимосвязей, который будет служить основой для одного из самых перспективных направлений научных исследований – персонифицированной медицины.  

Заметили неточность или опечатку в тексте? Выделите её мышкой и нажмите: Ctrl + Enter. Спасибо!