大数据赋能南平市CHS-DRG付费平台建设

许椿榕

［摘 要］本次平台建设利用大数据技术，将病人年龄、疾病诊断、合并症、并发症、治疗方式和资源消耗等多维度信息作为疾病诊断相关分组（Diagnosis Related Groups，DRG）所需要的基础信息，遵循“临床特征相似、资源消耗相近”的原则进行分析、建模、计算、应用。平台投入运行后，医保基金使用效率得到提高，对医疗行为和医保患者就医行为的管理更加精准，使医-保-患三方达成共识，有效推动医保支付方式改革发展，推进我国医疗保障事业不断向前发展。

［关键词］大数据；CHS-DRG；医保付费；南平市

doi：10.3969/j.issn.1673 - 0194.2023.16.029

［中图分类号］F842.6；R197.1［文献标识码］A［文章编号］1673-0194（2023）16-0091-03

0     引 言

2019年5月，国家医保局等四部门联合印发《关于印发按疾病诊断相关分组付费国家试点城市名单的通知》（医保发〔2019〕34号），提出“深化医保支付方式改革，加快推动疾病诊断相关分组（DRG）付费国家试点工作”，福建省南平市成为30个试点城市之一。2019年10月，国家医疗保障局印发《关于印发疾病诊断相关分组（DRG）付费国家试点技术规范和分组方案的通知》（医保办发〔2019〕36号），正式公布了《国家医疗保障DRG分组与付费技术规范》（以下简称《技术规范》）和《国家医疗保障DRG（CHS-DRG）分组方案》（以下简称《分组方案》）。2020年2月，《中共中央 国务院关于深化医疗保障制度改革的意见》要求大力推进大数据应用，推广按疾病诊断相关分组付费［1］。

1     大数据赋能概述

大数据是指无法在一定的时间范围内用常规软件捕捉和处理的数据集合。大数据的数据形态、技术、应用形式区别于传统的数据，具有大量、高速、多样、真实及低价值密度等特点［2］。本次CHS-DRG各个维度的数据来自二级以上综合性医院2016—2019年“出院病例病案首页”、2020—2021年“医疗保障基金结算清单”和医保业务信息系统。大数据赋能是对平台所需的数据进行需求分析、信息分类、信息抽象，提取数据元、确定数据类型、定义数据元属性等，针对不同场景，挖掘场景特性，应用大数据技术建模，结合医学专业知识，最终确定付费数据［3］。

2     CHS-DRG付费平台设计与建设

在国家试点工作组的统一领导下，南平市按照“顶层设计、模拟测试、实际付费”三步走的思路，在统一使用国家制定的疾病诊断等15项编码的基础上，根据《技术规范》和《分组方案》，应用大数据技术，建设CHS-DRG付费平台［4］。平台总体架构（见图1）主要包括4层，分别是字典层、接口层、数据层和应用层。

2.1   字典层

数据字典是各类数据描述的集合，它对数据的数据项、数据结构、数据流、数据存储、处理逻辑等进行定义和描述。字典层涵盖了医保疾病诊断和手术操作字典、医用耗材字典、药品字典、医疗服务项目字典、医保业务数据字典、定点医疗机构字典及医保结算清单等，是平台设计的基础。

2.2   接口层

接口层主要是在字典层的基础上，使医院信息系统（Hospital Information System，HIS）与医保业务信息系统、医保业务信息系统与DRG分组器、医院电子病历（Electronic Medical Record，EMR）系统与医保业务信息系统等不同系统之间能够通过接口层安全、稳定、准确地传送数据。

2.3   数据层

数据层主要由数据采集、数据治理、数据赋能等几部分组成，通过对海量、多源、异构的数据进行采集、治理、融合、分析、建模、计算等数据处理，建立CHS-DRG基础数据库、业务应用库、主题数据库、知识规则库、数据资产管理库，通过图形、报表等方式显示各指标的当前值、变化趋势和异常预警，为CHS-DRG付费平台的管理和决策提供数据依据，形成不同业务场景的数据产品。

2.4   应用层

应用层是在数据层基础上建设的，包括制定细分组、计算权重和费率，确定各DRG组付费标准，大数据监测，智能监控，付费结算，领导驾驶舱，数据大屏，决策分析等应用模块，其中确定细分组、计算权重和费率及大数据监测和智能监控是基础与重点。

2.4.1   确定细分组、计算权重和费率

遵循国家医保局《技术规范》和《分组方案》的要求，按照统一的分组操作指南，结合本地实际情况，构建相应的数学模型，通过与实际住院总金额比较，检验模型的合理性、适用性，确定本地的DRG细分组、权重和费率。

2.4.1.1   DRG细分组

细分DRG分组是在核心疾病诊断相关分组（ADRG）的基础上进行二次聚类。本次设计是将同资源病例入组，通过建立正态分布模型，以住院医疗费用为轴心，用动差法进行正态性检验，经过对数转换、数据裁剪，使相应的病例在大样本的情况下近似正态分布。

（1）數据裁剪。按国家技术指导组的指导，计算每个DRG组裁剪的低费用异常界值和高费用异常界值。

低费用异常界值=Q1－0.5×（Q3－Q1）（1）

高费用异常界值=Q3＋1.5×（Q3－Q1）（2）

式（1）（2）中，Q1为下四分位数，等于该DRG中所有病例总费用由小到大排列后第25%的数字；Q3为上四分位数，等于该DRG中所有病例总费用由小到大排列后第75%的数字。本次数据裁剪模型整体裁剪率为9.29%，小于50%。

（2）分组效能。根据组内变异系数（Coefficient of Variation，CV）指标和总体方差减少系数（RIV）指标，建立分组效能评价体系，衡量分组方案是否满足分组和付费的需要。当CV＞1（临床专家判断成组除外）或RIV＜70%（国际通行）时进行异常预警。分组效能符合后方能进行权重、费率及付费标准等相关内容的计算。

2.4.1.2   权 重

DRG相对权重（Related Weight，RW）是对每一个DRG依据其资源消耗程度所给予的权值，反映该DRG的资源消耗相对于其他疾病的程度。本次按照以下公式对各DRG组权重进行建模：

（3）

DRG权重初步计算完成后，剔除特殊数据点、不合理费用等，考虑医保政策导向，采用作业成本校正法进行最终调整。以2021年病例为样本，按照公式（3）计算组数与病例数权重区间占比，结果如表1所示。

2.4.1.3   费率（R）

按照国家《技术规范》中“同级医院同病同价”的原则，本次CHS-DRG费率模型设计综合考虑了南平市各试点医疗机构间服务能力差异，建立以下数学模型：

（4）

2.4.1.4   付费标准

将各DRG组的权重与费率相乘，得出付费标准。

2.4.1.5   费用分析比较

按照国家《技术规范》和南平市CHS-DRG付费方案的设计要求，CHS-DRG付费结算金额与实际住院总金额应非常接近，须符合5%的费用差距要求。本次设计以2021年DRG试点医疗机构病例数据为样本，与2021年这些病例数据实际住院总金额进行分析比较，情况详见表2。

从表2中数据可以看出，本次DRG付费模型设计得出的2021年各试点医疗机构CHS-DRG付费结算金额与实际住院总金额总差异基本低于5%，一致性系数较高，说明本次设计的付费模型的付费结算金额与实际住院总金额情况相符，费率和付费标准较为适宜。

2.4.2   大数据监测与智能监控

《关于开展医保基金监管“两试点一示范”工作的通知》（医保办发〔2019〕17号）中明确要求，在开展DRG付费国家试点的地区和开展基于大数据的病种分值付费的地区，运用智能监控系统加强对临床行为的过程监控，丰富大数据分析比较维度，提升监控效果。随着付费工作的开展，医保结算清单信息质量和医疗服务行为等方面出现一些问题，如低码高编、编码套低，分解住院、低标准入院、服务转移、推诿病人等。本文应用数据挖掘等大数据技术，根据CHS-DRG付费实践经验，结合医学领域相关专业知识，进行大数据监测与智能监控。

目前，CHS-DRG大数据监测主要采用标杆分析法和指标技术，对各医疗机构的各项指标进行比较。大数据监测的內容主要有各医疗机构病例组合指数、不同病例类型（如费用极高病例、费用极低病例、不稳定病组病例和未入组病例）、权重分布、同类疾病资源消耗量、费用效率系数等［5］。

智能监控是在大数据背景下对不同场景进行数据建模，主要监控内容有基金分配（主要监控CHS-DRG付费结算金额与实际金额差距、基金拨付、基金盈亏原因分析等）、病案信息质量、医疗服务质量（运用数据挖掘发现异常值和可疑违规病例）、CHS-DRG病种维度基金相关指标（包括费用结构组成、费用增长趋势、重点指标监控分析和专项指标监控分析等）、病种难度趋势和手术难度趋势等。

截至目前，大数据监测与智能监控已能从县市、医疗机构、病组、参保类型、年龄段等多维度查看费用趋势、费用结构、相关指标和病组分布等情况，各监测、监控指标已形成数据大屏。

3     结束语

大数据赋能医保精细化管理是未来的一个趋势，用数据说话，用数据管理，用数据决策，用数据创新，医保事业的发展离不开数据的支撑。本次运用大数据技术对医保数据进行反复迭代计算分析，寻找出相似的病种案例，根据相似的病种治疗情况确定分组，针对不同级别医疗机构价格上存在的差异进行修正，进一步减小医保支付金额与实际金额之间的支付误差。同时，通过监测与监控，推动医院医疗服务行为更加规范，患者能更好地得到高质量的医疗服务，医疗机构主动控制成本，剔除不必要的诊疗环节，减轻患者个人经济负担，努力达成医-保-患三方共赢，进一步提升医保精细化管理和信息化管理水平，为促进医保支付方式改革、加强医疗保障科学管理提供有力的技术支撑。

主要参考文献

［1］崔斌，朱兆芳.国家医疗保障疾病诊断相关分组（CHS-DRG）制定与实施的关键环节探讨［J］.中国医疗保险，2021（5）：47-51.

［2］熊志强，张娴静.基于大数据背景下的计算机信息处理技术研究［J］.北京印刷学院学报，2020（1）：142-144.

［3］田啸.大数据环境下计算机应用技术研究［J］.电脑知识与技术，2019（14）：246-247.

［4］辛聪.DRG付费改革在促进医保建设中的作用探究［J］.中国市场，2022（6）：33-34.

［5］祝玲，董子坤.DRG支付下的大数据医保基金监管创新实践［J］.卫生经济研究，2021（12）：37-40.