Специалистам в сфере здравоохранения требуются инструменты для принятия решений относительно планирования, тестирования и оценки новых технологий и политик. Специфика данной области (комплексность и взаимозависимость процессов) превращает любые изменения и инновации в постоянное испытание для профессионалов индустрии. Патрик Эйнцингер и Кристоф Урах из DWH Simulation Services и Венского технического университета в партнерстве с Австрийской Ассоциацией Социального Страхования (AASI) получили возможность проанализировать имеющиеся данные системы здравоохранения Австрии для принятия важных для медицинской практики решений.
Информация о выплатах страхового возмещения, собранная AASI у поставщиков услуг в сфере здравоохранения, включала в себя такие данные, как прописанные пациентам лекарства, оказанные услуги и поставленные диагнозы. В качестве инструмента анализа данных рассматривались статистические и математические модели, но в итоге специалисты остановили свой выбор на имитационном моделировании как методе, который дает возможность максимально использовать имеющиеся данные. Среди программного обеспечения выбор пал на AnyLogic за возможность многоподходного моделирования. Среди построенных моделей – агентные модели разных схем страхового возмещения средств, потраченных на амбулаторное лечение, системно-динамическая модель результатов групповой врачебной практики и микромодель оценки влияния на здоровье населения скрининга аневризмы брюшной аорты.
Сравнение систем страхового возмещения
Описание проблемы
Врачи могут назначать пациентам ненужные процедуры из-за особенностей существующей системы: Ассоциация Социального Страхования выплачивает врачу компенсацию за каждую оказанную пациенту услугу. Сейчас Ассоциация рассматривает другие варианты оплаты, например, за прием у врача, лечение приступа болезни или за период лечения. Однако прежде чем что-то менять, нужно протестировать все возможные варианты изменений, чтобы иметь полное представление о работе разных схем страхового возмещения.
Решение
Консультанты построили в AnyLogic модель, которая учитывала данные о пациентах и их медицинских проблемах, поставщиков медицинских услуг, а также оказанные пациентам услуги и схемы страхового возмещения. AnyLogic был выбран за поддержку агентного моделирования, которое позволяет задавать в модели разные параметры большому числу подгрупп – в AnyLogic агенты имеют свои атрибуты, которые определяют подгруппы. Многократные прогоны модели позволяют выявить последствия работы каждой из схем страхового возмещения.
Результат
Таким образом, анализ статистики ежедневной врачебной практики может служить отправной точкой для построения сложной модели в условиях, когда анализ литературы и опрос экспертов невозможен из-за многообразия диагнозов. Статистику заболеваемости и количество страховых случаев можно получить путем анализа выходных данных модели. Хотя для других аспектов исследования, таких как схемы лечения, необходимо делать дополнительные предположения, начальных результатов модели достаточно для оптимального подбора поставщика медицинских услуг по его портфолио.
Модель не только сравнивает разные типы страхового возмещения, но и позволяет протестировать различные предположения, а также попытаться разработать новые схемы возмещения. Это возможно благодаря свойству моделирования открывать логические связи между факторами, которые на первый взгляд неочевидны.
Результаты групповых врачебных практик
Описание проблемы
Ассоциации Социального Страхования требовалось узнать, какие результаты могут принести групповые врачебные практики – схемы организации работы, когда врачи разных специальностей работают вместе, например, пульмонолог и терапевт. Сложности исследованию придавали такие факторы, как большое количество обращений, консультаций и индивидуальных услуг, сумма возмещения которых зависит от лечащего врача. Увеличат или уменьшат врачи объем предоставленных услуг в случае изменения рабочей нагрузки/оклада? Как поведение врачей, работающих в группах, отличается от работы специалистов, трудящихся по отдельности?
Решение
Было решено создать системно-динамическую модель в AnyLogic, в которой практически все изменяемые переменные – это переменные-массивы ввиду того, что моделируются 4 группы врачей (пульмонологи с индивидуальной и групповой практикой, терапевты с индивидуальной и групповой практикой). Входные данные модели включали в себя определенный набор параметров (анализ данных, статистику OOEGKK (орган, осуществляющий страхование по болезни) и терапевтов/пульмонологов).
Результат
Параметры модели были предоставлены Ассоциации Страхования; DWH Simulation Services не смогли ознакомиться с результатами моделирования из-за политики конфиденциальности. Результаты моделирования включали такие данные, как общая сумма выплат, количество страховых случаев, консультаций, специальных услуг, двойных услуг и стоимость каждого страхового случая. Модель также позволяет Ассоциации Страхования менять входные данные и тестировать разнообразные сценарии.
Скрининг аневризмы брюшной аорты
Описание проблемы
Скрининг аневризмы брюшной аорты часто назначают пациентам мужского пола старше 65 лет. Он помогает выявить на ранней стадии болезни, связанные с разрывом брюшной аорты. Если болезнь не предотвратить вначале, это может привести к необходимости дорогостоящей и опасной операции на более поздних стадиях. Обычно выявить предрасположенность/раннюю стадию болезни помогает ультразвуковое исследование – это относительно недорогой неинвазивный способ исследования.
Австрийская Ассоциация Социального Страхования попросила DWH Simulation Services исследовать следующие вопросы:
- Как отразится на населении Австрии введение УЗИ брюшной полости для лиц старше 65 лет;
- Каким группам людей УЗИ принесет наибольшую пользу;
- Какие еще могут быть стратегии (УЗИ раз в год, раз в 2 года);
- Целесообразно ли менять подход, основываясь на индивидуальных данных пациента (например, увеличить количество процедур УЗИ, если имеются другие факторы риска).
Решение
Для решения проблемы консультанты использовали агентное моделирование. Каждому пациенту в системе здравоохранения была «назначена» аорта, и у каждого человека был рассчитан ее диаметр на основании его возраста, пола, истории болезни, а также наличия или отсутствия никотиновой зависимости и других заболеваний.
Результат
Результаты показали, что если ввести регулярное ультразвуковое исследование для 40% лиц свыше 65 лет, это уменьшит уровень смертности примерно на треть. Во внимание принимались и другие методы профилактики аневризмы брюшной аорты. Так, если процент курильщиков сократится с 38% до 20%, это приведет к тем же результатам, что и при регулярном УЗИ.
Модульная конфигурация модели позволяет ввести в нее дополнительные элементы, характерные для аневризмы брюшной аорты, и быстро получить новые результаты. Это может использоваться для дальнейшего анализа и оценки скрининговых стратегий или других изменений. Также, не меняя целиком структуру модели, в нее можно внедрить модуль, который бы отражал развитие болезни.
Исследования подобного масштаба невозможно провести клиническим путем из-за временных, логистических, этических или иных аспектов. Однако это возможно сделать в имитационном моделировании. Оно позволяет произвести анализ вероятных последствий изменения похода к профилактике и лечению заболевания, а значит, дает врачам шанс принимать более точные и эффективные решения относительно схем лечения. Также эта модель может быть применена к другим заболеваниям со схожей схемой развития.
Чтобы узнать больше о моделировании Эйнцингера и Ураха в AnyLogic, посмотрите презентацию с Конференции AnyLogic 2013:
