北京市醫療保險數據應用的實踐與探索

任瑋韜

（北京市醫療保險事務管理中心 北京 100050）

北京市基本醫療保險自2001年啟動以來，參保人數由啟動初期的城鎮職工參保人員的210余萬人增長到2017年底城鎮職工、城鄉居民參保人員近1600萬人，醫療保險醫療費用支出從2001年的25億元增長到2017年的910余億元。隨著信息化建設的逐步完善，醫療保險醫療費用管理也從原來的只有住院費用電子數據上傳，門診費用手工審核錄入發展為全部醫療保險醫療費用電子數據上傳，從而實現醫保數據全面信息化管理。

隨著信息技術在醫療保險領域的廣泛應用，醫保數據呈現爆炸式增長，產生了豐富的大數據資源。如何利用數據發掘信息，提高醫保經辦管理工作效率，為管理決策提供支持，最大限度提升醫保基金使用效率，促進和改善民生，成為當下的一個研究重點。北京市醫療資源豐富，醫保結算業務量巨大，通過加強信息化和數據標準化建設，北京市醫保經辦管理機構不斷擴大醫保數據在管理中的應用，進行了有效的初步探索與實踐。

1 北京市醫保數據基本情況

1.1 數據組成

1.1.1 持卡結算業務數據。自北京市全面實施持社保卡就醫結算起，所有定點醫療機構須使用醫生工作站服務參保人員。無論門診還是住院，醫保持卡結算費用數據均須準確、及時地匯集到醫保數據庫中。在采集費用數據的基礎上，額外采集住院病案首頁數據，并與衛生計生部門共同推進住院病案首頁標準化，保證病案信息采集準確，為按病種分組（DRGs）付費打下基礎。

1.1.2 手工報銷業務數據。參保人員因特殊情況未在定點醫療機構持卡結算但符合報銷政策的費用，可手工報銷。參保人員就診的分類金額數據通過企業上報電子數據或手工錄入等方式匯集到醫保數據庫。此部分數據占數據總規模的3%。

1.1.3 異地實時結算業務數據。隨著異地實時結算業務的開展，北京市在外省就醫參保人員及外省來北京市就醫參保人員的醫療費用數據均可通過人社部平臺、就醫省平臺傳入北京醫保數據庫。

1.2 數據采集時效

門急診持卡結算業務數據、手工報銷業務數據均采用實時上傳機制，一般在10分鐘之內就可以上傳到醫保數據庫；住院及門診特殊病持卡結算業務數據、異地結算業務數據在定點醫療機構工作人員確認后，采用非實時手工上傳或每天夜間自動上傳的方式傳送到醫保數據庫。

1.3 數據規模

從2001年北京市醫保信息系統投入運行后，隨著醫保業務的不斷發展，參保人群的不斷擴大，醫保信息系統數據量也增長迅猛。截至2017年底，醫保數據庫中累計門診費用數據超17億筆；住院類費用數據超1900萬筆。門診日交易量最高可達150萬筆，住院類日交易量最高可達1.1萬筆。門診年交易量達1.2億人次約3億筆交易；住院類年交易量達200萬人次約250萬筆。

2 數據應用

2.1 日常監控

2.1.1 對定點醫療機構費用監控。建立兩大類21項系統自動審核規則，對定點醫療機構上傳的交易數據進行智能輔助審核，將違規費用自動拒付，對不合理費用添加可疑標識，提示經辦機構審核人員進行重點審核；自動完成醫保費用基礎數據匯總、統計，形成定點醫療機構費用情況、服務利用情況、指標使用情況等月報、季報和年報表，對超指標情況較重的定點醫療機構進行提示。

2.1.2 對參保人員行為監控。建立個人就醫信息監控預警，設置就醫頻次、費用累計、就醫行為判斷等多項監控指標，發現存在疑似團伙開藥、超量開藥、超常規就診等異常行為的，及時提示醫保經辦管理人員進行調查。對確認存在違規行為的參保人員自動監控所有費用數據，并采取警告提醒，追回違規費用，甚至暫停社保卡實時結算功能等措施，幫助規范參保人員就診行為。

2.1.3 藥品使用監控。對定點醫療機構藥品使用金額、數量、增長率等指標進行按月監測。根據監測指標排名鎖定重點關注藥品及醫療機構。對于費用及增長率明顯高于同級同類的定點醫療機構，發放告知書，組織召開專題會議，督促定點醫療機構開展自查和整改工作。針對整改效果不明顯的定點醫療機構，采取處方點評、病歷分析、專項檢查等措施繼續跟進。

2.1.4 診療項目監控。重點分析增長快、用量大、費用高的診療項目，開展專項調研、檢查。對于醫藥分開綜合改革中調整比較大的診療項目，建立專項監測指標，重點關注使用量及申報費用的變化情況，發現問題及時處理。

2.2 醫藥分開綜合改革

北京市醫藥分開綜合改革正式實施后，對定點醫療機構醫保費用數據進行每日、每周、每月監測，形成百余份監測報告，為深化改革提供科學參考。同時，對改革前后參保人員就醫頻次及費用變化、醫保基金支出變化、定點醫療機構醫療行為變化等數據進行分析，特別是針對改革后可能出現的醫療機構不合理的診療行為，如因住院床位費、護理費上漲后出現的將不符合入院標準的參保人員收住院治療的情況、針灸按摩人次異常增長的情況等，進行重點監控。

2.3 付費方式改革

為深化付費方式改革，提高總額指標分配的準確性、合理性，北京市醫保經辦管理機構利用大量數據手段開展付費管理工作的科學測算，包括：

2.3.1 總額預付工作中基數的確定。以上一年度各定點醫療機構總額預付或總量控制指標額度內基金申報額為基礎，扣除不合理費用后，門診和住院分別確定。門診按照就診人員的年齡結構，以次均費用、人次人頭比、藥占比、耗材占比、自費比和拒付率為評價參數進行核定。住院探索以按病種分組為技術支撐的費用效率評價指標，考慮疾病復雜程度對費用的影響，以次均費用、人次人頭比、藥占比、耗材占比、自費比、病例組合指數和拒付率為評價參數進行核定。

2.3.2 基金增幅的確定。根據本年度城鎮職工基本醫療保險基金支出預算、上一年度定點醫療機構總額指標及費用發生情況，按照定點醫療機構級別、類型等因素確定增幅。為促進分級診療制度的落實，門診增幅向二級及以下定點醫療機構傾斜，住院增幅向三級定點醫療機構傾斜。

2.3.3 核增額的確定。定點醫療機構超支或結余部分，分段按比例累加計算，門診和住院分別進行質量核定后確定。

3 應用成果

3.1 確保基金收支平衡，可持續

通過將大數據手段運用于付費管理，醫保基金使用效率顯著提高，費用不合理增長得到有效控制，醫保基金累計結余連年增加，已達7.6個月平均支付水平，處于國家規定的6-9個月平均支付水平[1]的合理區間，實現了“基金收支平衡，略有結余”的總體目標，提升了醫保基金的可持續運行能力。

3.2 精準定位，提升監管效率

通過大數據監控精準定位疑似違規行為，三年來共調查處理存在嚴重問題的定點醫療機構70家，對31000余名參保人員進行違規處理，其中對26721人進行警告，對818人進行停鎖卡處理，切實保障了醫保基金安全。

3.3 支持醫改，精準減負

醫藥分開綜合改革開展一年來，醫保基金共增加專項支出22.8億元，減少個人負擔近6000萬元。為減輕參保人員負擔，充分利用大數據手段監測醫改前后相關數據變化情況，及時調整支付政策，特別是針對重大疾病、精神病患者的支付政策，醫保基金為此增加支出近3000萬元，降低個人負擔近54%。

4 思考

4.1 數據標準化建設是大數據應用和發展的重要基礎

對大數據進行有效分析的前提是必須要保證數據的質量，專業的數據分析工具只有在高質量的大數據環境中才能提取出隱含的、準確的、有用的信息。因此數據質量在大數據環境下顯得尤其重要[2]。北京市醫保大數據的初步應用得益于采集數據的高質量。北京市醫保經辦管理機構從2009年起對定點醫療機構上傳的數據質量提出明確要求，對涉及藥品及診療項目使用、診斷信息、就診信息等關鍵字段的重要信息進行規范，通過反饋數據質量監控周報，督促定點醫療機構加強管理，直至全市定點醫療機構上傳數據質量穩定后，將包含不合格數據的交易自動拒付，保障了采集數據的可用性。但是，目前門急診診斷、中草藥飲片尚未形成統一的國家或行業數據標準，為數據質量管理工作帶來了一定的困難。為進一步提高醫保數據質量，北京市醫保經辦管理機構已經著手設計建立符合經辦管理需要的中草藥飲片數據庫，并啟動了門急診診斷標準化的研究。這些數據標準化的建立，將為醫保大數據應用的不斷發展提供基本保障。

4.2 多數據來源實現大數據聯動是提升應用智能化的有效手段

目前北京市醫保大數據的應用主要基于醫保醫療費用數據及部分診斷、病案數據，數據來源相對單一，且尚未運用機器學習、神經網絡算法等先進技術，大數據應用的智能化水平還有待進一步提高。隨著醫保信息化建設工作的不斷推進，在軟硬件性能能夠充分支撐的基礎上，逐步將生物信息、檢查檢驗等數據納入醫療保險數據庫作為審核的輔助數據，利用機器學習、神經網絡算法等技術實現并完善AI輔助智能審核。同時，通過大數據平臺與公安、民政、公共衛生等部門進行大數據聯動，提高使用非本人社保卡就醫、黃牛倒號、藥販子倒藥等違法違規行為的大數據智能甄別精度，有效提高大數據應用的智能化水平。

4.3 大數據健康管理是新的發展方向

建立在相關關系分析法基礎上的預測是大數據的核心，通過一個關聯物并實施監控，我們就能預測未來[3]。大數據技術的可預測性，為醫療保險醫療費用控制及管理提供了新的思路和可能。可以預見，隨著大數據技術的發展，醫保大數據應用服務在做好醫保醫療費用報銷監管及定點醫療機構付費管理的同時，向參保人員健康管理前移，符合“實施健康中國戰略”的新發展方向，即利用大數據手段及時向參保人員發出健康風險提示，干預健康風險行為，給予個性化醫療衛生指導及就醫便利，從而幫助預防控制疾病發生，降低疾病致殘率，減緩慢性病發展，可以有效地減少醫保基金支出，把有限的醫保資金真正用到需要的地方。

[1]人力資源社會保障部.關于進一步加強基本醫療保險基金管理的指導意見（人社部發〔2009〕67號）[Z].2009.

[2]宗威,吳鋒.大數據時代下數據質量的挑戰[J].西安交通大學學報(社會科學版),2013,33(05):38-43.

[3]維克托·邁爾-舍恩伯格，肯尼思·庫克耶,著；盛楊燕，周濤,譯.大數據時代[M].浙江：浙江人民出版社，2013.