DRGs運(yùn)籌學(xué)原理和數(shù)據(jù)驅(qū)動(dòng)的醫(yī)療編碼研究課件

1、DRGs運(yùn)籌學(xué)原理和數(shù)據(jù)驅(qū)動(dòng)的醫(yī)療編碼研究目標(biāo)2工業(yè)工程思想為核心，采用量化分析方法，研究醫(yī)療系統(tǒng)中的問題提高醫(yī)療服務(wù)的安全，質(zhì)量，效用，效率和及時(shí)性。衛(wèi)生醫(yī)療系統(tǒng)工程運(yùn)籌學(xué)模型系統(tǒng)仿真數(shù)據(jù)挖掘以上的結(jié)合方法患者醫(yī)護(hù)人員醫(yī)療機(jī)構(gòu)政策，醫(yī)保要素醫(yī)護(hù)專家在醫(yī)療領(lǐng)域受到專業(yè)訓(xùn)練醫(yī)療系統(tǒng)是一個(gè)復(fù)雜且要求極高的系統(tǒng)工程師在研究復(fù)雜系統(tǒng)方面受到專業(yè)訓(xùn)練醫(yī)療專家和工業(yè)/系統(tǒng)工程師之前在各自領(lǐng)域獨(dú)立將工業(yè)/系統(tǒng)工程應(yīng)用于醫(yī)療系統(tǒng)衛(wèi)生醫(yī)療系統(tǒng)工程4國務(wù)院衛(wèi)生事業(yè)發(fā)展十二五規(guī)劃(2012)優(yōu)化醫(yī)療衛(wèi)生機(jī)構(gòu)布局，加強(qiáng)醫(yī)療質(zhì)量監(jiān)管，通 過多種方式降低大病慢性病醫(yī)療費(fèi)用國務(wù)院促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要 (2015)建設(shè)覆蓋

2、醫(yī)療服務(wù)、醫(yī)療保障、藥品供應(yīng)、計(jì)劃 生育公共衛(wèi)生和綜合管理業(yè)務(wù)的醫(yī)療健康管理和 服務(wù)大數(shù)據(jù)應(yīng)用體系。工程院和醫(yī)學(xué)院 NAE and IOM (2005)建立一個(gè)更好的醫(yī)療服務(wù)系統(tǒng)：一個(gè)新的工程 和醫(yī)療的合作伙伴美國總統(tǒng)科學(xué)技術(shù)顧問委員會(huì)PCAST(2014)更好地醫(yī)療服務(wù)，更低的成本: 采用系統(tǒng)工程 促使提升中國美國系統(tǒng)工程-國家層面號(hào)召2016-10-25 “健康中國2030”規(guī)劃綱要嚴(yán)格落實(shí)醫(yī)療保險(xiǎn)基金預(yù)算管理，積極探索按疾病診斷相關(guān)分組付費(fèi)（DRGs）2016-11-08 關(guān)于進(jìn)一步推廣深化醫(yī)藥衛(wèi)生體制改革經(jīng)驗(yàn)的若干意見鼓勵(lì)實(shí)行按疾病診斷相關(guān)分組付費(fèi)（DRGs），逐步將醫(yī)保支付方式改革覆

3、蓋所有醫(yī)療機(jī)構(gòu)和醫(yī)療服務(wù)2017-01-09 “十三五”深化醫(yī)藥衛(wèi)生體制改革規(guī)劃2017年，開展DRG付費(fèi)試點(diǎn)，到2020年，醫(yī)保支付方式改革覆蓋所有醫(yī)療機(jī)構(gòu)和醫(yī)療服務(wù)，普遍實(shí)施多元復(fù)合式醫(yī)保支付方式， 按項(xiàng)目付費(fèi)占比明顯下降；鼓勵(lì)實(shí)行按疾病診斷相關(guān)分組付費(fèi)（DRGs）方式；2017-04-25 深化醫(yī)藥衛(wèi)生體制改革2017年重點(diǎn)工作任務(wù)國家選擇部分地區(qū)開展按疾病診斷相關(guān)分組（DRGs）付費(fèi)試點(diǎn)，鼓勵(lì)其他地方積極探索2017-06-28 國務(wù)院辦公廳關(guān)于進(jìn)一步深化基本醫(yī)療保險(xiǎn)支付方式改革的指導(dǎo)意見國家選擇部分地區(qū)開展按疾病診斷相關(guān)分組（DRGs）付費(fèi)試點(diǎn)2017-07-04 7部委關(guān)于做好國家

4、衛(wèi)生計(jì)生委和國家中醫(yī)藥局屬管醫(yī)院參加屬地公立醫(yī)院綜合改革有關(guān)工作的通知44家屬管醫(yī)院9月底前全部參加屬地公立醫(yī)院綜合改革，開展DRGs試點(diǎn)，取消藥品加成疾病診斷相關(guān)分組-國家層面號(hào)召歷史和背景原理和案例5運(yùn)籌學(xué)原理1967年，醫(yī)院尋求質(zhì)量和費(fèi)用控制的工業(yè)方法 (Medicare實(shí)施兩年后)設(shè)計(jì)分析框架對(duì)醫(yī)療服務(wù)進(jìn)行“測量”在某個(gè)層面，每個(gè)患者都是特殊的管理層面，更重要是找出相似性，用來評(píng)估和比較相對(duì)其它行業(yè)（如制造），有更多困難挑戰(zhàn)從患者角度很難評(píng)估醫(yī)療服務(wù)價(jià)值和質(zhì)量不會(huì)直接支付醫(yī)療服務(wù)費(fèi)用信息和有效激勵(lì)的缺失導(dǎo)致了在其它行業(yè)非常有效的市場力量被扭曲6歷史和背景DRG孕育而生本質(zhì)是一種病案組合

5、歷史和背景7病案組合：解釋醫(yī)療服務(wù)和花費(fèi)的不同DRG的“相似”標(biāo)準(zhǔn)：臨床過程，資源消耗強(qiáng)度9歷史和背景1852Florence Nightingale提出概念Martin Feldstein證明可用性MGH開始實(shí)踐Robert B. Fetter開發(fā)DRG1900s19651967Yale DRGsTrial：State of New JerseyCongress act： DRGs-PPS198319671970sDRGs Family WorldwideDRG分組原則和結(jié)構(gòu)可管理的分組數(shù)量兩個(gè)相似：臨床和資源消耗應(yīng)用后改善明顯原理和案例9AUTOGRP系統(tǒng)功能：將MDC（主要疾病分類）細(xì)分

6、為DRG（按疾病診斷分組）思想：最大化差異性的減少/最小化不可解釋的差異性=1=1原理：min = =()2. . = + ：第組中第位觀察病例的因變量數(shù)據(jù)值（費(fèi)用、住院時(shí)長等資源消耗 衡量指標(biāo)）；：第組所有觀察病例的因變量數(shù)據(jù)的平均值；：病例因變量的實(shí)際值與本組平均值之差。AUTOGRP系統(tǒng)中，觀察病例的因變量值組內(nèi)相近，組間差異大。10原理和案例觀察病例樣本如下圖所示，AUTOGRP實(shí)現(xiàn)過程如下：確定因變量（例如費(fèi)用、住院時(shí)長等），自變量 （例如年齡、診斷等）對(duì)于某個(gè)選定的自變量 ，將其分類（圖中對(duì)應(yīng)為1, 2, 3）；例如，手術(shù)這個(gè)變量，沒有手術(shù)是一類，輕微手術(shù)是一類，大手術(shù)是一類。3.

7、12N=1將自變量X=X , X ,X的分類進(jìn)行歸組，只能歸屬于一組： = 1,2,3, , for (1 ), where = ( ) 。例如，手術(shù)這個(gè)變量，將輕微手術(shù)X1和大手術(shù)X2歸為一組，無手術(shù)X3是一類。12原理和案例R2R1 R2觀察病例樣本如下圖所示，AUTOGRP實(shí)現(xiàn)過程如下：分組是根據(jù)自變量X分組，而計(jì)算組間方差是對(duì)應(yīng)因變量Y的值，例如費(fèi)用或者住院時(shí)長。組間方差的公式是組中每個(gè)觀察病例因變量的值與組平均值的離差的平方和。13原理和案例R2R1 R2 4.計(jì)算每組因變量的組間方差：2= , 1 ； = =1 ( )觀察病例樣本如下圖所示，AUTOGRP實(shí)現(xiàn)過程如下：原理和案例R

8、2R1 R25.計(jì)算總的組間方差值： 2= ;=1 =1 = ( ) 1+ 2總的組間方差值是各個(gè)組的組間方差值之和。13為什么選用（總的組間方差值）作為分類指標(biāo)？對(duì)于一個(gè)給定的自變量，分類算法的目標(biāo)是找到特定的分組，使得對(duì) 應(yīng)的因變量的總組間方差最小。考慮到總的組間方差TWGSSQ與自變量無法解釋的方差成比例，所以TWGSSQ的最小化導(dǎo)致數(shù)據(jù)不明原因的方差最小化。 ：總的組間方差值。14原理和案例判斷終端分組當(dāng)某一分組并不足以保證另外的數(shù)據(jù)也這樣分類時(shí)，例如，組中的觀察數(shù)據(jù)量 小于某個(gè)閾值，就需要停止繼續(xù)分組。 100 醫(yī)學(xué)可解釋性決定了模型是否能被醫(yī)務(wù)工作者所理解，并基于專業(yè)知識(shí)論證結(jié)果的

9、合理性，從而 在實(shí)際中推廣應(yīng)用33研究背景獨(dú)熱表示法& 三種常見的醫(yī)療編碼降維方式獨(dú)熱表示法維度與醫(yī)療編碼個(gè)數(shù)相等（1萬+），表示一個(gè)特定醫(yī)療編碼時(shí)，僅有對(duì)應(yīng) 維取值為1，其余維取值為0優(yōu)點(diǎn)：可解釋性強(qiáng)缺點(diǎn)：維度過高，容易造成預(yù)測模型過擬合相關(guān)研究綜述34獨(dú)熱表示法& 三種常見的醫(yī)療編碼降維方式特征選擇法從所有醫(yī)學(xué)概念中選擇出“重要”的概念進(jìn)行表示成功應(yīng)用于：醫(yī)療文本檢索與分類、疾病表型預(yù)測等分類任務(wù)缺點(diǎn)：會(huì)造成大量患者的醫(yī)學(xué)概念信息被抹除相關(guān)研究綜述35獨(dú)熱表示法& 三種常見的醫(yī)療編碼降維方式特征聚合法將醫(yī)學(xué)概念進(jìn)行分組，將屬于同一組的醫(yī)學(xué)概念看作完全相同，以往研究 及應(yīng)用多從醫(yī)學(xué)角度出發(fā)進(jìn)

10、行分組優(yōu)點(diǎn)：可解釋性強(qiáng)，結(jié)果貼近臨床經(jīng)驗(yàn)缺點(diǎn)：從醫(yī)學(xué)角度看合理的分組結(jié)果，預(yù)測能力不能保證相關(guān)研究綜述36獨(dú)熱表示法& 三種常見的醫(yī)療編碼降維方式醫(yī)療編碼嵌入法利用自然語言處理領(lǐng)域的表示學(xué)習(xí)模型：詞嵌入模型，將醫(yī)學(xué)概念映射為低維連 續(xù)向量，多為無監(jiān)督模型優(yōu)點(diǎn)：預(yù)測能力強(qiáng)缺點(diǎn)：可解釋性較差，向量每一維含義不清晰相關(guān)研究綜述37研究課題及其相互關(guān)系39研究課題：概述醫(yī)療編碼分組ICD編碼的樹型分層結(jié)構(gòu)可解釋性預(yù)測能力提高預(yù)測能力詞嵌入模型潛語義分析（Latent Semantic Analysis, LSA）, Skip-gram, CBOW將單詞映射為低維連續(xù)向量語義相近的單詞，歐式距離也相近從

11、統(tǒng)計(jì)的角度判斷語義是否相近訓(xùn)練需給定語料庫，語料庫由句子組成，句子提供單詞所處上下文所處上下文相近的單詞，語義相近39研究課題：預(yù)測任務(wù)導(dǎo)向的醫(yī)療編碼表示學(xué)習(xí)詞嵌入模型應(yīng)用于醫(yī)療編碼表示學(xué)習(xí)潛語義分析（Latent Semantic Analysis, LSA）, Skip-gram, CBOW將醫(yī)療編碼映射為低維連續(xù)向量語義相近的編碼，歐式距離也相近從統(tǒng)計(jì)的角度判斷語義是否相近訓(xùn)練需給定語料庫，語料庫由醫(yī)療語句組成，醫(yī)療語句提供醫(yī)療編碼所處上下文所處上下文相近的編碼，語義相近研究關(guān)注：如何為醫(yī)療編碼提供合理的上下文？醫(yī)療編碼 醫(yī)療語句預(yù)測任務(wù)導(dǎo)向的電子病歷聚合（Prediction Task

12、 Guided Health RecordAggregation, PTGHRA）40研究課題：預(yù)測任務(wù)導(dǎo)向的醫(yī)療編碼表示學(xué)習(xí)研究目標(biāo)：利用詞嵌入模型，生成對(duì)于特定任務(wù)具有強(qiáng)預(yù)測能力的 醫(yī)療編碼向量預(yù)測任務(wù)指導(dǎo)醫(yī)療語句生成通過控制醫(yī)療編碼所處上下文，影響詞嵌入模型訓(xùn)練研究課題：預(yù)測任務(wù)導(dǎo)向的醫(yī)療編碼表示學(xué)習(xí)41與以往研究構(gòu)建醫(yī)療語句方式的對(duì)比研究課題：預(yù)測任務(wù)導(dǎo)向的醫(yī)療編碼表示學(xué)習(xí)42PTGHRA 算法流程研究課題：預(yù)測任務(wù)導(dǎo)向的醫(yī)療編碼表示學(xué)習(xí)43PTGHRA 預(yù)測表現(xiàn)（測試集上的2）基準(zhǔn)方法研究課題：預(yù)測任務(wù)導(dǎo)向的醫(yī)療編碼表示學(xué)習(xí)醫(yī)療編碼嵌入法表現(xiàn)明 顯優(yōu)于獨(dú)熱表示法44PTGHRA 預(yù)測

13、表現(xiàn)（測試集上的2）基準(zhǔn)方法“等值”聚合標(biāo)準(zhǔn)下的PTGHRA研究課題：預(yù)測任務(wù)導(dǎo)向的醫(yī)療編碼表示學(xué)習(xí)醫(yī)療編碼嵌入法表現(xiàn)明顯優(yōu)于獨(dú)熱表示法PTGHRA表現(xiàn)明顯優(yōu)于基準(zhǔn)方法45PTGHRA 預(yù)測表現(xiàn)“等間隔”&“等分位數(shù)”聚合標(biāo)準(zhǔn)下的PTGHRA研究課題：預(yù)測任務(wù)導(dǎo)向的醫(yī)療編碼表示學(xué)習(xí)46與其他非監(jiān)督式醫(yī)療語句構(gòu)建方法的對(duì)比不考慮病歷間的相似性：復(fù)制法、隨機(jī)聚合法考慮病歷間的相似性：診斷聚合法、手術(shù)操作聚合法研究課題：預(yù)測任務(wù)導(dǎo)向的醫(yī)療編碼表示學(xué)習(xí)47PTGHRA 帶來的預(yù)測能力提升隨數(shù)據(jù)規(guī)模的變化數(shù)據(jù)規(guī)模越小，提升效果越明顯研究課題：預(yù)測任務(wù)導(dǎo)向的醫(yī)療編碼表示學(xué)習(xí)48將預(yù)測模型融入醫(yī)療決策系統(tǒng)健

14、康干預(yù)措施設(shè)計(jì)醫(yī)療資源配置優(yōu)化臨床決策支持探索預(yù)測能力更強(qiáng)的醫(yī)療編碼表示方式基于多個(gè)導(dǎo)向任務(wù)的算法應(yīng)用于分類任務(wù)的算法51總結(jié)：未來研究展望52參考文獻(xiàn)Ding R, Jiang F, Xie J, et al. Algorithmic prediction of individual diseases J. International Journal of Production Research, 2017, 55(3): 750-768.Powers C A, Meyer Cmroebuck M C, Vaziri B. Predictive modeling of total healt

15、hcare costs using pharmacy claims data: A comparison of alternativeeconometric cost modeling techniques J. Medical Care, 2005, 43(11): 1065-1072.Chen L, Zhang X, Xu X, et al. Mortality prediction of ICU patients using EDA-enhanced logistic model J. International Journal of Services Operations and In

16、formatics, 2012, 7(2-3): 182-196.Anderson D, Bjarnadttir M. When is an ounce of prevention worth a pound of cure? Identifying high-risk candidates for case managementJ. IIE Transactions on Healthcare Systems Engineering, 2016, 6(1): 22-32.Davis D A, Chawla N V. Time to CARE: A collaborative engine f

17、or practical disease prediction J. Data Mining and Knowledge Discovery, 2010, 20(3):388-415.Yu S, Ma Y, Gronsbell J, et al. Enabling phenotypic big data with PheNorm J. Journal of the American Medical Informatics Association, 2017, 25(1): 54-60.Bertsimas D, Bjarnadttir M V, Kane M A, et al. (2008).

18、Algorithmic prediction of health-care costs J. Operations Research, 56(6):13821392. Duncan I, Loginov M, Ludkovski M. Testing alternative regression frameworks for predictive modeling of health care costs J. North AmericanActuarial Journal, 2016, 20(1): 65-87.Xie Y, Schreier G, Hoy M, et al. (2016).

19、 Analyzing health insurance claims on different timescales to predict days in hospital J. Journal of Biomedical Informatics, 60:187196.Ho J C, Ghosh J, Sun J. Marble: High-throughput phenotyping from electronic health records via sparse nonnegative tensor factorization C. The 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2014: 115-124.Choi Y, Chiu C Y, Sontag D. Learning low-dimensional representations of medical concepts C. AMIA Summits on Translational Science Proceedings.20