数据分析在医保管理中的应用研究——以成都市基本医疗保险住院人次预测分析为例

黄德斌 秦佳佳 陈志超 吴 奎

（1成都市人力资源和社会保障局 成都 610031；2成都市医疗保险信息服务中心 成都 610031）

通常情况下，住院人次越多，医保基金支付压力越大。因此，对医保管理者来说，住院人次是医保基金平稳运行的关键因素之一，也是医保经办管理机构重点关注的指标。同时，《“十三五”深化医药卫生体制改革规划》（国发〔2016〕78号）、《关于控制公立医院医疗费用不合理增长的通知》（国卫体改发〔2015〕89号）均要求加强对住院人次及费用的监测，控制医疗费用不合理增长。

近年来，成都市运用“互联网+”云计算等现代信息技术，为医保治理现代化走出一条科学精准之路。通过对医保大数据的使用，实现了对复杂医疗行为的准确检测、分析和预警，使经办服务有了科学的数据技术支撑。其中，利用线性回归方法预测一定时期内的医保住院人次数据，也是成都市医保决策的一个重要支持手段。本文通过整理分析2010年-2015年成都市基本医疗保险住院人次数据，以期为成都市“十三五”期间基本医疗保险住院人次预测分析提供依据。同时也为数据分析在医保经办管理中的应用探索实践经验。

1 数据来源与研究方法

1.1 数据来源

本研究数据源于成都市基本医疗保险实时在线监控系统，汇总了2010年-2015年期间24个季次的基本医疗保险住院人次情况。由表1可以看出，六年间，基本医疗保险住院人次逐年递增，截至2015年底已达62.1万人次。

1.2 研究方法

通过初步描述性分析可以看出，2010年-2015年成都市基本医疗保险住院人次变化情况大致呈一条直线（见图1），符合线性回归统计方法相关要求，运用SPSS 20.0进行数据处理，预测2016年-2020年成都市基本医疗保险住院人次情况。

2 回归预测过程

2.1 求回归方程

将表1数据导入分析模型，以观测季度t为x轴，以人次为y轴，通过分析模型，可以得到住院人次的均值为507732人次、中位数为531168人次、标准差为84310人次、方差为7108257630人次，住院人次的回归直线方程为：y=11111.89x+368834.34，回归系数见表2。

2.2 可行性检验

观察季次t与住院人次y的相关系数R为0.93194723，二者正相关性极强，线性关系显著（见表3）。

表1 2010-2015年成都市基本医疗保险住院人次情况

图1 2010-2015年成都市基本医疗住院人次预测情况线性分析

表3 回归统计量

表4 方差分析表

模型的F检验值=145.3330061，通过查F分布临界值表可以查出F0.95（1,22）=4.30。F检验值大于F分布临界值F0.95（1,22），故模型显著成立并可信，可以用来进行预测分析（见表4）。

表5 成都市“十三五”期间基本医疗保险住院统人次预测（人次）

2.3 区间估计与实际检验

将季次t带入模型方程，即可得出预测住院人次的y点估计值，但点估计与实际值必定存在一定的偏差，我们希望得出的结果能够在大多数情况下包含真实值，故继续将模型深入化，进行区间估计。设定95%的可信区间，即真实值有95%的可能性在我们的估计范围之内，来设定预测分析区间估计公式为：

其中，Y为住院人次点估计值；n为样本量24；自由度为24-2=22；查t分布数值表在自由度为22时t0.05=2.0739；t为预测季次；t为样本年次的均值12.5；为样本年次方差与自由度乘积1150；δ为住院人次值y样本标准方差31257.5325。故2016年4季度的住院人次预测值为：Y28=28×11111.89+368834.34=679967人，95%的可行区间估计值为：（647517，712417）。

2.4 预测结果

基于上述分析。可预测得出2016年-2020年期间成都市基本医疗保险住院人次结果（见表5）。

2.5 结果验证

医保实时在线监控系统显示：2016年第4季度，全市基本医疗保险实际住院人次为653781人，与点估计预测值差距为4.01%，且该值落在95%的可行区间范围内，再次验证了预测模型的科学性与可信性。依据最新统计数据，本研究预测2017年1-3季度数据与全市实际数据差距仅为2.19%。

3 讨论

3.1 预测分析前瞻性强

应用线性回归的预测分析，既不是从样本的统计指标来推断总体参数，也不是对假设情况加以验证，而是从过去的数据推断将来，具有很好的实用性、科学性、可行性。尤其对医保管理者来说，通过统计学方法和模型对住院人次、门诊就医人次、医保基金支付情况作前瞻性判断，能为医保制度的运行绩效及政策调整提供数据支撑。

3.2 预测结果影响因素较多

预测的实质是从过去和现在的信息来推断将来的情况，但将来并非一成不变，也会受到医保政策差异、医疗服务资源（如服务机构数量、协议床位数）、人口老龄化程度、医保管理手段及控费指标（如平均住院天数、次均医保支付金额）等因素影响而发生变化。一旦影响因素发生重大变化，则会影响模型的整体精准度，这就需要重新分析以往数据特征，选择新的方法建立预测模型进行预测。从技术层面看，预测分析还可采用时间序列模型，从R2=0.868来看，运用时间序列模型来建模预测效果也尚可。但如前所述，考虑到影响预测结果的因素很多，时间只是其中一个影响因素，并且预测结果也可能差异不大，故此文研究方法选择的是线性回归。

3.3 数据分析应用的创新实践

成都市在医保数据分析研判中，从宏观、中观、微观三个维度，采用描述性分析、诊断性分析、预测性分析、决策性分析等分析方法，从简单指标分析、指标关联分析、多元回归分析、大数据算法等层次开展医保数据研判。实现了从海量医保数据中，总结经验、发现规律、预测趋势，将由数据、信息、知识、洞察力组成的链条，真正转换为洞察力，将洞察力转换为决策力，释放医保大数据的价值能量。

根据本研究的数据预测结论，在医保实时在线监控系统中新增“人次预测模型”，实时动态监测预警全市各结算分中心、各等级医疗机构的住院人次变化趋势。同时，在每季报送市领导的《医保监控分析》报告中新增“总住院人次”指标，并按照“一分、二比、三排”的思路对全市住院人次开展重点监控分析预警，发现有问题的异常数据，经现场检查核实后，全部按照医保服务协议处理，并把各分中心现场稽核情况列入市纪委驻市人社局纪检监察的重点监督对象。接下来，成都市将进一步依托医保大数据，创新大数据分析手段和方法，精准发现异常数据靶向，提升医保监督效率，力保医保基金安全可持续，朝着“更高质量、更有效率、更加公平、更可持续”的新发展目标砥砺奋进。

[1]沈宁,段司凤,阮文宁.“十二五”期间门诊人次和住院人数的预测[J].中国病案,2011,12(10):48-50.

[2]高志荣,赵辉.某院入院人数与诊疗人次的预测[J].中国医院统计,2000,7(3):159-160.

[3]刘会恩.用统计方法对我院住院人次和门诊诊疗人次进行预测[J].中国卫生统计,2007,14(2):107-109.

[4]张喜红.医院门诊人次预测[J].中国卫生统计,2000,7(2):106.