Trong dữ liệu khám chữa bệnh, ba nhóm thông tin được quan tâm nhiều nhất khi phân tích chuyên môn là:
chẩn đoán – thuốc – dịch vụ.
Một cách tiếp cận tưởng như rất hợp lý là xây các quan hệ:
bệnh A thường dùng thuốc B;
bệnh A thường làm dịch vụ C;
thuốc B thường đi cùng xét nghiệm C.
Từ đó có thể phát hiện:
- thuốc khác với pattern thông thường;
- xét nghiệm được chỉ định nhiều;
- DVKT không thường gặp ở nhóm bệnh;
- phối hợp thuốc – dịch vụ khác biệt;
- hồ sơ cần được rà soát.
Đây là một trong những ứng dụng có giá trị nhất của XML.
Nhưng cũng là một trong những vùng dễ tạo false positive nhất.
Bởi quan hệ giữa:
chẩn đoán → quyết định điều trị
không phải một bảng tra cứu một-một.
Một bệnh có thể có nhiều biểu hiện.
Một triệu chứng có thể thuộc nhiều bệnh.
Một thuốc có thể có nhiều chỉ định.
Một xét nghiệm có thể dùng để:
- xác lập chẩn đoán;
- chẩn đoán phân biệt;
- đánh giá mức độ nặng;
- theo dõi biến chứng;
- theo dõi điều trị;
- chuẩn bị can thiệp.
Do đó nguyên tắc trung tâm của Bài 7.2 là:
Quan hệ chẩn đoán – thuốc – dịch vụ trong XML trước hết là quan hệ dữ liệu và quan hệ thống kê. Chỉ khi có điều kiện chuyên môn hoặc điều kiện thanh toán cụ thể, đúng thời điểm và đủ bằng chứng mới được chuyển thành kết luận chuyên môn hoặc
PAYMENT_CONDITION.
1. Không tồn tại một quan hệ đơn giản “ICD → thuốc → dịch vụ”
Một mô hình quá đơn giản có thể là:
ICD A
→ thuốc B
→ xét nghiệm C.
Nhưng thực tế lâm sàng thường là:
triệu chứng
→ chẩn đoán sơ bộ
→ xét nghiệm
→ kết quả
→ chẩn đoán xác định hoặc chẩn đoán phân biệt
→ thuốc/can thiệp
→ theo dõi
→ đánh giá đáp ứng
→ thay đổi điều trị.
Một episode có thể chứa nhiều vòng lặp như vậy.
Vì vậy nếu chỉ lấy:
MA_BENH_CHINH
rồi so với danh sách thuốc và dịch vụ của toàn episode,
ta mới biết:
các đối tượng cùng xuất hiện trong một lần KCB.
Chưa biết chắc:
đối tượng nào là nguyên nhân trực tiếp của đối tượng nào.
2. Điểm bắt đầu là xác định chẩn đoán nào đang được nói tới
XML1 có các trường như:
MA_BENH_CHINH;MA_BENH_KT;- chẩn đoán vào;
- chẩn đoán ra;
- các thông tin chẩn đoán khác theo cấu trúc áp dụng.
Chuẩn dữ liệu quy định MA_BENH_CHINH là mã bệnh chính và MA_BENH_KT có thể chứa bệnh kèm theo hoặc mã triệu chứng, hội chứng theo hướng dẫn tương ứng.
Điều này rất quan trọng.
Một episode có thể đồng thời có:
bệnh chính;
bệnh kèm;
triệu chứng;
biến chứng;
bệnh nền.
Nếu chỉ lấy:
bệnh chính
để giải thích mọi thuốc và dịch vụ trong episode:
rất dễ kết luận sai.
3. “Bệnh chính” không có nghĩa là nguyên nhân của mọi chỉ định
Ví dụ một người bệnh nhập viện vì:
bệnh A
nhưng đồng thời có:
bệnh B;
bệnh C;
một triệu chứng D.
Thuốc X có thể điều trị B.
Xét nghiệm Y có thể theo dõi C.
Dịch vụ Z có thể đánh giá D.
Do đó quan hệ:
MA_BENH_CHINH → tất cả thuốc/dịch vụ
chỉ là:
episode-level association.
Không phải:
indication-level relation.
4. Quan hệ chẩn đoán – thuốc trong XML phần lớn phải tái dựng qua episode
XML2 chứa nhiều thông tin nhận diện và sử dụng thuốc:
MA_THUOC;- tên thuốc;
- hàm lượng;
- đường dùng;
- dạng bào chế;
- liều dùng;
- số đăng ký;
- số lượng;
- giá;
- khoa;
- bác sĩ;
- thời điểm y lệnh;
- và trong một số bối cảnh có quan hệ với
MA_DICH_VU.
Chuẩn dữ liệu còn quy định LIEU_DUNG để ghi cách sử dụng thuốc cho người bệnh và NGAY_YL để ghi thời điểm ra y lệnh thuốc.
Nhưng XML2 không cung cấp một field phổ quát có nghĩa:
“thuốc này được kê vì ICD này”.
Vì vậy quan hệ thuốc – bệnh thường phải tái dựng qua:
MA_LK
và:
bối cảnh episode.
5. Do đó “thuốc xuất hiện cùng ICD” chỉ là mức bằng chứng đầu tiên
Ví dụ trong 10.000 episode có ICD A:
80% có thuốc B.
Ta có thể kết luận:
thuốc B thường xuất hiện trong nhóm episode có ICD A.
Không nên kết luận:
“B là thuốc bắt buộc cho A.”
Cũng không được kết luận:
“Episode A không có B là điều trị sai.”
Và càng không thể tự động kết luận:
“B xuất hiện ở ICD khác A thì không được BHYT thanh toán.”
Đó là ba bước suy luận vượt quá dữ liệu.
6. Cùng một thuốc có thể phục vụ nhiều mục tiêu điều trị
Một thuốc có thể được sử dụng cho:
- nhiều bệnh;
- nhiều giai đoạn bệnh;
- triệu chứng;
- dự phòng;
- hỗ trợ thủ thuật;
- xử trí biến chứng;
- tác dụng liên quan một dịch vụ kỹ thuật.
Do đó phải đặc biệt thận trọng với rule dạng:
IF drug = X AND ICD NOT IN (...) THEN FAIL.
Nếu danh sách ICD chỉ được xây từ thống kê bệnh viện:
đây chỉ nên là candidate rule.
Không phải payment rule.
7. Nếu có quy định chỉ định hoặc điều kiện thanh toán cụ thể thì bản chất thay đổi
Có trường hợp văn bản chuyên ngành hoặc điều kiện thanh toán quy định rõ:
thuốc chỉ được thanh toán khi đáp ứng các điều kiện A, B, C.
Khi đó Dr5 không còn kiểm tra:
“thuốc này có thường dùng với ICD này không?”
Mà phải kiểm tra:
condition A có đúng không?
condition B có evidence không?
condition C có đúng thời điểm không?
Đây là:
PAYMENT_CONDITION.
Không phải:
statistical association.
8. Chẩn đoán – dịch vụ có quan hệ dữ liệu trực tiếp hơn trong một số trường hợp
XML3 có trường:
MA_BENH
để ghi mã ICD của bệnh cần chỉ định DVKT bổ sung so với mã bệnh chính trong cấu trúc chuẩn tương ứng; nếu không có thông tin, diễn giải của chuẩn gốc xác định DVKT gắn với bệnh chính.
Đây là một dữ liệu rất có giá trị vì nó giúp tạo quan hệ:
service → diagnosis context
ở mức chi tiết hơn episode.
Tuy nhiên vẫn phải sử dụng theo đúng version diễn giải có hiệu lực tại thời điểm dữ liệu.
9. Không nên biến MA_BENH thành “chẩn đoán duy nhất cho phép dịch vụ”
Ý nghĩa của field là:
cung cấp context cho chỉ định DVKT.
Nó không tự động tạo:
danh sách bệnh duy nhất được phép thực hiện DVKT.
Một DVKT có thể được sử dụng để:
- chẩn đoán;
- chẩn đoán phân biệt;
- điều trị;
- theo dõi;
- đánh giá biến chứng.
Do đó:
MA_BENH
rất hữu ích cho analytics,
nhưng việc xác định:
“DVKT này không hợp lý”
vẫn cần căn cứ chuyên môn cụ thể.
10. Đặc biệt phải tính đến trường hợp bệnh nghi ngờ và chẩn đoán phân biệt
Một trong những sai lầm lớn khi phân tích là:
chỉ chấp nhận xét nghiệm nếu kết quả cuối cùng xác nhận đúng bệnh đó.
Nhưng xét nghiệm thường được thực hiện chính vì:
chưa biết người bệnh có bệnh hay không.
Một kết quả âm tính không làm chỉ định ban đầu trở thành:
không hợp lý.
Ví dụ logic:
nghi bệnh A
→ xét nghiệm A
→ kết quả âm tính
→ loại trừ A.
Nếu chỉ nhìn chẩn đoán ra viện không còn A:
vẫn không thể kết luận xét nghiệm là thừa.
11. Vì vậy phải phân biệt “pre-test diagnosis” và “final diagnosis”
XML thường dễ cho thấy:
chẩn đoán cuối episode
hơn là toàn bộ quá trình chẩn đoán tại từng thời điểm.
Nhưng quyết định chỉ định dịch vụ được đưa ra tại:
thời điểm y lệnh.
Do đó câu hỏi đúng là:
Tại thời điểm NGAY_YL, bác sĩ có thông tin gì để ra quyết định?
Không chỉ:
“Khi ra viện, ICD cuối cùng là gì?”
Đây là nguyên tắc time-aware clinical reasoning.
12. NGAY_YL là mốc rất quan trọng để tái dựng quan hệ
XML3 có NGAY_YL để ghi thời điểm ra y lệnh; NGAY_TH_YL để ghi thời điểm thực hiện; NGAY_KQ để ghi thời điểm có kết quả trong các trường hợp áp dụng.
Nhờ đó có thể tái dựng:
diagnostic context at T1
→ order at T2
→ performance at T3
→ result at T4
→ subsequent treatment at T5.
Đây là mô hình mạnh hơn rất nhiều so với:
ICD cuối kỳ ↔ dịch vụ.
13. Quan hệ thuốc – dịch vụ cũng có thể quan trọng
XML2 có MA_DICH_VU trong những trường hợp thuốc liên quan tới DVKT theo quy định của chuẩn.
Ví dụ chuẩn gốc mô tả việc ghi mã DVKT khi thuốc được sử dụng để thực hiện DVKT và thuốc được thanh toán riêng trong các trường hợp tương ứng.
Như vậy có thể có quan hệ:
drug → service
mang ý nghĩa nghiệp vụ cụ thể.
Quan hệ này mạnh hơn việc chỉ thấy:
thuốc và dịch vụ cùng xuất hiện trong episode.
14. Nhưng không phải mọi thuốc đều phải có MA_DICH_VU
Đây là điểm rất quan trọng.
Nếu một thuốc điều trị nội khoa thông thường không có:
MA_DICH_VU
thì không được suy luận:
thuốc thiếu liên kết.
Field này chỉ áp dụng theo:
context được chuẩn quy định.
Nguyên tắc chung:
field tồn tại ≠ luôn bắt buộc.
Requiredness phải là:
contextual.
15. Tương tự, không phải mọi VTYT đều bắt buộc liên kết một DVKT
XML3 có khả năng thể hiện:
MA_DICH_VU ↔ MA_VAT_TU
trong những tình huống áp dụng.
Chuẩn cũng mô tả trường hợp VTYT sử dụng trong phẫu thuật/thủ thuật được thanh toán riêng thì ghi mã dịch vụ tương ứng, trong khi một số VTYT khác có thể để trống MA_DICH_VU.
Do đó:
absence of service link
không tự động là lỗi.
16. Có thể xây ba loại graph quan hệ
Một analytical model phù hợp có thể gồm:
Diagnosis → Drug
bệnh/triệu chứng nào thường đi với thuốc nào?
Diagnosis → Service
bệnh/triệu chứng nào thường đi với DVKT nào?
Service → Drug/VTYT
DVKT nào thường đi với thuốc hoặc VTYT nào?
Ba graph này có giá trị khác nhau.
Không nên gom chúng thành:
một bảng “ICD – thuốc – dịch vụ hợp lệ”.
17. Cần thêm dimension thời gian vào graph
Quan hệ tốt hơn là:
Diagnosis at time T1
→ Service order T2
→ Result T3
→ Drug order T4.
Ví dụ:
thuốc được kê trước khi có kết quả
có ý nghĩa khác:
thuốc được kê sau kết quả.
Một phân tích không có timeline có thể bỏ qua:
logic quyết định điều trị.
18. Kết quả XML4 có thể giúp giải thích quan hệ
XML4 có:
MA_DICH_VU;MA_CHI_SO;GIA_TRI;KET_LUAN;NGAY_KQ.
Do đó có thể xây relation:
service → result → subsequent drug.
Ví dụ analytics có thể hỏi:
sau khi kết quả X đạt một pattern nhất định, thuốc Y xuất hiện với tần suất bao nhiêu?
Đây là phân tích có giá trị.
Nhưng phải nhớ:
XML4 chỉ phản ánh lớp kết quả được truyền theo chuẩn, không mặc nhiên chứa toàn bộ evidence lâm sàng.
19. XML5 có thể cung cấp context để giải thích ngoại lệ
Nếu một thuốc/dịch vụ không giống pattern thông thường, XML5 có thể chứa:
- diễn biến;
- giai đoạn bệnh;
- hội chẩn;
- phẫu thuật;
- thời điểm.
Đây có thể là context giúp giải thích:
tại sao trường hợp này khác population.
Nhưng nếu XML5 không đủ:
cần quay về HSBA.
Không nên ép dữ liệu XML5 phải giải thích toàn bộ quyết định.
20. Phân tích đúng cần đi từ episode đến event
Không nên chỉ tạo dataset:
| ICD | Thuốc | Dịch vụ |
|---|
và bỏ hết time/context.
Cần cố gắng dựng:
patient
→ episode
→ diagnosis context
→ order
→ performance
→ result
→ medication
→ next event.
Đây là:
clinical event graph.
21. Nhưng phải tránh tạo quan hệ giả chỉ vì cùng MA_LK
Một episode nội trú dài có thể có:
- 20 chẩn đoán;
- 50 thuốc;
- 100 xét nghiệm.
Nếu nối Cartesian:
mọi diagnosis ↔ mọi drug ↔ mọi service,
sẽ tạo hàng nghìn quan hệ giả.
Do đó:
same
MA_LK
chỉ là điều kiện cần để xác định cùng episode.
Không phải bằng chứng:
direct causal link.
22. Cần dùng các khóa và thuộc tính khác để tăng độ tin cậy quan hệ
Có thể sử dụng:
MA_LK;MA_BENH;MA_DICH_VU;NGAY_YL;NGAY_TH_YL;NGAY_KQ;MA_KHOA;MA_BAC_SI;NGUOI_THUC_HIEN;- result linkage;
- sequence.
Quan hệ càng có nhiều context phù hợp:
confidence càng cao.
23. Có thể phân loại strength của relation
Ví dụ:
Direct coded relation
Một field trực tiếp mô tả quan hệ.
Temporal-context relation
Hai event có thứ tự và context phù hợp.
Episode association
Chỉ cùng MA_LK.
Population association
Chỉ thường xuất hiện cùng nhau ở nhiều episode.
Bốn mức này không được diễn giải như nhau.
24. Population association đặc biệt hữu ích để phát hiện pattern mới
Giả sử phân tích cho thấy:
95% bệnh nhân nhóm A được làm X;
nhưng:
một khoa chỉ có 20%.
Đây có thể là signal về:
- coding;
- thiếu dữ liệu;
- khác case-mix;
- khác pathway;
- underuse;
- hoặc vấn đề chất lượng.
Ngược lại, nếu một khoa có:
3 lần nhiều hơn peer,
có thể là:
- ca nặng;
- kỹ thuật chuyên sâu;
- hoặc overuse.
Analytics chỉ cho:
câu hỏi cần đặt ra.
25. Không nên chỉ tìm overuse; cần tìm cả underuse
Một hệ thống chỉ tìm:
“làm nhiều”
sẽ thiên lệch về giảm chi.
Nhưng quality analytics cũng cần phát hiện:
dịch vụ hoặc thuốc quan trọng không xuất hiện khi đáng lẽ cần được xem xét.
Tuy nhiên absence signal cũng phải rất thận trọng vì:
“không có trong XML” chưa chắc “không có trong thực tế”.
Do đó underuse detection cần evidence tốt hơn.
26. Phân tích thuốc – chẩn đoán phải chuẩn hóa ở đúng cấp
Nếu phân tích theo:
tên thương mại
có thể làm một hoạt chất bị chia thành nhiều nhóm.
Nếu phân tích quá rộng theo:
nhóm dược lý
có thể mất khác biệt quan trọng giữa sản phẩm.
Do đó nên xác định trước analytical unit:
- sản phẩm;
- hoạt chất;
- hoạt chất + hàm lượng;
- nhóm dược lý;
- đường dùng.
Tương tự ICD có thể phân tích:
- mã đầy đủ;
- nhóm 3 ký tự;
- chapter;
- phenotype tự xây.
Không có một cấp đúng cho mọi câu hỏi.
27. Phân tích DVKT cũng cần normalize đúng cấp
Một kỹ thuật có thể có:
- nhiều mã cụ thể;
- vị trí khác nhau;
- phương pháp khác nhau;
- mức giá khác nhau.
Nếu gom quá rộng:
mất signal.
Nếu tách quá nhỏ:
mẫu quá ít và outlier giả tăng.
Do đó analytical grouping phải được thiết kế theo:
câu hỏi nghiên cứu.
Không phải theo tiện lợi của code.
28. Chẩn đoán cũng phải được version hóa
Danh mục bệnh và cách mã hóa có thể thay đổi theo thời gian.
Do đó khi phân tích nhiều năm:
phải normalize ICD theo effective version.
Không nên giả định:
cùng chuỗi code luôn có cùng cách diễn giải qua mọi giai đoạn.
Nguyên tắc Loạt 2 vẫn giữ nguyên:
code + catalog + version + effective date.
29. Cần kiểm soát confounding
Nếu thấy:
thuốc A thường đi cùng tử vong cao,
không thể kết luận:
thuốc A gây tử vong.
Có thể thuốc A được dùng cho:
bệnh nhân nặng hơn.
Tương tự nếu DVKT X có chi phí rất cao:
chính nhóm bệnh được chỉ định X có thể vốn đã phức tạp hơn.
Đây là:
confounding by indication.
Một vấn đề kinh điển trong phân tích dữ liệu y tế.
30. Case-mix phải được đưa vào phân tích
Khi so sánh thuốc/dịch vụ theo khoa hoặc bác sĩ, nên cân nhắc ít nhất:
- nhóm chẩn đoán;
- tuổi;
- giới khi có ý nghĩa;
- bệnh kèm;
- loại hình KCB;
- mức độ phức tạp có thể quan sát;
- nội trú/ngoại trú;
- phẫu thuật/thủ thuật;
- thời gian điều trị.
Nếu không:
provider có ca nặng sẽ dễ bị gắn nhãn “sử dụng nhiều”.
31. Cần tách “clinical guideline” khỏi “observed practice”
Dữ liệu cho thấy:
bệnh viện thường làm A.
Điều đó không chứng minh:
hướng dẫn chuyên môn yêu cầu A.
Ngược lại:
hướng dẫn yêu cầu B
không có nghĩa dữ liệu hiện tại của bệnh viện đã làm B.
Hai nguồn phải được tách:
Observed practice
học từ XML.
Recommended practice
lấy từ guideline/quy định chuyên môn.
Chỉ khi so hai lớp mới có thể đánh giá:
practice variation.
32. Tương tự phải tách “observed practice” khỏi “payment rule”
Một pattern rất phổ biến trong dữ liệu:
không tự động trở thành điều kiện thanh toán.
Một practice hiếm:
cũng không tự động không được thanh toán.
Payment rule phải có:
legal basis riêng.
Dr5 phải tránh:
học association rồi biến thành luật.
33. Có ba loại rule rất khác nhau
Loại 1 — Data integrity rule
Ví dụ:
service result trước service execution.
Có thể kiểm tra mạnh.
Loại 2 — Clinical review rule
Ví dụ:
thuốc A hiếm gặp ở nhóm bệnh B.
→ WARN_REVIEW.
Loại 3 — Payment condition rule
Ví dụ:
văn bản quy định khoản X chỉ được thanh toán khi condition Y được đáp ứng.
→ có thể PAYMENT_CONDITION nếu đủ evidence.
Không được trộn ba loại.
34. Statistical model không được là legal basis
Giả sử model học được:
P(drug X | diagnosis Y) = 2%.
Nếu một hồ sơ có drug X với Y:
model có thể flag.
Nhưng con số 2% không phải:
căn cứ từ chối.
Nó chỉ nói:
trường hợp này hiếm trong population.
Để đánh giá tiếp cần:
context.
35. Threshold analytics phải được cấu hình như screening threshold
Ví dụ:
drug-diagnosis pair dưới 1%;
service frequency trên P95;
chi phí trên P99.
Các ngưỡng này phải được ghi là:
screening thresholds.
Không đưa vào:
dr5_payment_condition
trừ khi chính văn bản thanh toán quy định threshold tương ứng.
36. Phân tích quan hệ nên có confidence và support
Một association chỉ xuất hiện:
2/3 hồ sơ
khác hoàn toàn:
20.000/25.000 hồ sơ.
Nên theo dõi:
- numerator;
- denominator;
- support;
- prevalence;
- confidence interval khi thích hợp;
- time period;
- comparator.
Nếu không:
tỷ lệ rất cao trên mẫu quá nhỏ dễ gây hiểu lầm.
37. Cần tránh “rare pair = wrong pair”
Một cặp hiếm có thể là:
- bệnh hiếm;
- ca phức tạp;
- off-label hợp lý;
- biến chứng hiếm;
- dữ liệu coding sai;
- hoặc thực sự cần rà soát.
Do đó:
rarity is not invalidity.
Rare pair tốt nhất nên dẫn tới:
review candidate.
38. Một graph phân tích tốt nên giữ provenance
Ví dụ edge:
Diagnosis A → Drug B
nên biết:
- được tạo từ bao nhiêu episode;
- giai đoạn nào;
- dữ liệu version nào;
- cùng episode hay trực tiếp linked;
- comparator;
- confidence;
- exclusions.
Nếu chỉ lưu:
A ↔ B
thì vài tháng sau không còn biết:
quan hệ đó từ đâu ra.
39. Điều 11 hỗ trợ chính logic “phân tích để chọn hồ sơ”
Thông tư 12 quy định trong giám định chủ động, cơ quan BHXH phân tích dữ liệu KCB, đánh giá mức độ cảnh báo, thông báo nội dung và số lượng hồ sơ để cơ sở tự rà soát, sau đó xác định hồ sơ cần giám định trực tiếp và đối chiếu với HSBA, tài liệu.
Đây là căn cứ rất phù hợp để tổ chức analytics:
pattern → sample/candidate → record review.
Không phải:
pattern → denial.
40. Một workflow phân tích chẩn đoán – thuốc – dịch vụ phù hợp
Có thể thực hiện:
1. Xác định câu hỏi phân tích
→ 2. Chọn population
→ 3. Normalize ICD
→ 4. Normalize drug
→ 5. Normalize service
→ 6. Deduplicate version
→ 7. Reconstruct episode
→ 8. Reconstruct event timeline
→ 9. Build relations
→ 10. Calculate association/frequency
→ 11. Identify outliers
→ 12. Kiểm tra data quality
→ 13. Retrieve XML4/XML5/source evidence
→ 14. Review HSBA khi cần
→ 15. Xác định nguyên nhân
→ 16. Chỉ chuyển payment layer nếu tồn tại payment condition cụ thể.
Đây là một pipeline bảo thủ nhưng an toàn.
41. Ví dụ về mức kết luận đúng
Giả sử phân tích thấy:
nhóm ICD A có 90% episode sử dụng thuốc B;
một episode không dùng B.
Kết luận phù hợp:
Episode khác với pattern sử dụng thuốc của nhóm A.
Không phù hợp:
Episode điều trị sai.
Tương tự nếu một episode dùng thuốc C mà chỉ 0,5% nhóm A có:
Kết luận phù hợp:
C là thuốc hiếm gặp trong nhóm A; cần xác định indication.
Không phù hợp:
C không có chỉ định.
42. Ví dụ với dịch vụ
Giả sử:
DVKT X xuất hiện trung bình 1,1 lần/episode;
một episode có:
5 lần.
Kết luận phù hợp:
tần suất cao bất thường so với population.
Bước tiếp theo:
kiểm tra thời gian → kết quả → diễn biến → lý do lặp.
Chỉ khi có quy định cụ thể hoặc review chuyên môn chứng minh bất hợp lý mới đưa ra kết luận tương ứng.
43. Ví dụ với chuỗi dịch vụ → kết quả → thuốc
Một signal mạnh hơn có thể là:
dịch vụ X được thực hiện;
kết quả Y;
sau đó thuốc Z được chỉ định.
Nếu sequence này lặp lại ổn định:
có thể mô tả một treatment pattern.
Nếu một hồ sơ khác pattern:
review candidate.
Nhưng vẫn phải lưu ý:
kết quả lâm sàng khác có thể không nằm trong XML.
44. Dr5 nên xây “relationship candidate”, không xây danh mục cứng ICD–thuốc
Kiến trúc phù hợp:
analytics sinh ra:
DIAGNOSIS_DRUG_ASSOCIATION
DIAGNOSIS_SERVICE_ASSOCIATION
SERVICE_DRUG_ASSOCIATION
như các analytical objects hoặc kết quả tính toán.
Không nên tạo các catalog pháp lý mới như:
dr5_diagnosis_drug
dr5_diagnosis_service.
Nếu có một relationship thực sự bắt buộc theo quy định:
biểu diễn bằng
dr5_xml_relation,dr5_payment_conditionvàdr5_legal_basistùy bản chất.
45. Sáu catalog chuẩn vẫn đủ cho rule chính thức
Các quan hệ chính thức có thể sử dụng:
dr5_xml_relation
cho:
- relation giữa các field;
TEMPORAL_RELATION;CONDITIONAL_REFERENCE;- các relation dữ liệu khác.
dr5_catalog_binding
để resolve:
- ICD;
- thuốc;
- DVKT;
- catalog/version.
dr5_payment_condition
cho:
điều kiện thanh toán thật sự.
dr5_legal_basis
cho:
căn cứ và effective period.
Không cần thêm catalog riêng chỉ vì analytics phát hiện association.
46. Generic implementations nên tái sử dụng
Các implementation có thể gồm:
record_relationship;conditional_constraint;sequence_constraint;catalog_membership;catalog_attribute_match;catalog_effective_period;clinical_evidence_exists;result_exists;temporal_relation;payment_condition.
Analytics layer có thể cung cấp:
candidate records
cho các generic rule này.
Không nên viết Python riêng:
“ICD X + thuốc Y”.
47. Phân loại kết quả trong Dr5
Một kết quả phân tích có thể là:
INFO
mô tả pattern.
WARN_REVIEW
association/tần suất bất thường cần xem hồ sơ.
INFO_EVIDENCE
cần thêm dữ liệu để đánh giá.
PAYMENT_CONDITION
chỉ khi:
condition pháp lý cụ thể đã được resolve và đủ evidence chứng minh vi phạm.
Đây là ranh giới quan trọng nhất.
48. Mục tiêu cuối cùng không phải tạo “danh sách thuốc đúng cho từng ICD”
Một hệ thống như vậy sẽ rất nhanh:
- lỗi thời;
- bỏ sót ngoại lệ;
- nhầm guideline với payment rule;
- nhầm thống kê với chuyên môn;
- tạo quá nhiều false positive.
Mục tiêu tốt hơn là:
xây clinical relationship graph có thể giải thích được.
Graph cho biết:
cái gì thường đi cùng cái gì;
theo sequence nào;
trong population nào;
mức độ thường gặp ra sao;
evidence nào hiện có;
và khi nào cần người chuyên môn xem lại.
Kết luận
Quan hệ giữa chẩn đoán, thuốc và dịch vụ là một trong những nguồn thông tin giá trị nhất của XML, nhưng không phải một bảng mapping một-một.
Có thể tóm tắt:
Chẩn đoán mô tả bệnh/triệu chứng đã được mã hóa.
Thuốc mô tả điều trị được ghi nhận.
Dịch vụ mô tả hoạt động KCB được ghi nhận.
Thời gian và kết quả giúp tái dựng quan hệ giữa các sự kiện.
Nhưng:
cùng xuất hiện không chứng minh quan hệ nhân quả;
khác pattern không chứng minh sai chuyên môn;
hiếm gặp không đồng nghĩa không hợp lệ;
và association không tự tạo điều kiện thanh toán.
Mười nguyên tắc cần nhớ:
Không gắn toàn bộ thuốc và dịch vụ của episode chỉ với
MA_BENH_CHINH; phải tính bệnh kèm, triệu chứng và context khác.
Quan hệ thuốc – bệnh trong XML thường phải được tái dựng qua
MA_LK, timeline và evidence; XML2 không phải một bảng “thuốc ↔ ICD chỉ định” phổ quát.
XML3 có thể cung cấp
MA_BENHcho context chỉ định DVKT, nhưng field này không phải danh sách bệnh duy nhất cho phép dịch vụ.
Phải đánh giá chỉ định theo thông tin có tại thời điểm
NGAY_YL, không chỉ dựa vào chẩn đoán cuối episode.
Kết quả âm tính không chứng minh xét nghiệm trước đó là không cần thiết.
MA_DICH_VUtrong XML2 hoặc quan hệ DVKT–VTYT chỉ có ý nghĩa theo context mà chuẩn quy định; không phải mọi thuốc hoặc VTYT đều bắt buộc có liên kết dịch vụ.
Same
MA_LKchỉ chứng minh cùng episode, không chứng minh direct causal relation.
Observed practice, clinical guideline và payment condition là ba lớp khác nhau.
Statistical association hoặc threshold chỉ dùng để screening nếu không có căn cứ pháp lý tương ứng.
Điều 11 Thông tư 12 hỗ trợ đúng mô hình: phân tích dữ liệu để lựa chọn hồ sơ và nội dung cần rà soát, sau đó đối chiếu với HSBA và tài liệu trước khi kết luận.
Đối với Dr5-XML, Bài 7.2 xác lập mô hình:
Diagnosis – Drug – Service Relationship Graph.
Nhưng graph này phải có nhiều mức bằng chứng:
population association
→ episode association
→ temporal/context relation
→ direct coded relation
→ evidence-supported relation
→ legally defined payment condition.
Chỉ tầng cuối cùng, khi có:
đúng rule + đúng effective period + đúng đối tượng + đủ evidence + chứng minh vi phạm
mới được chuyển thành:
PAYMENT_CONDITION.
Còn các quan hệ học được từ dữ liệu nên được sử dụng để:
phát hiện trường hợp khác thường, lựa chọn hồ sơ cần xem và hỗ trợ bác sĩ/người giám định đặt đúng câu hỏi.
Đây là cách khai thác được sức mạnh của hàng triệu dòng XML mà không biến dữ liệu thống kê thành một “phác đồ ngầm” hoặc một “quy tắc xuất toán” không có căn cứ.
- Đăng nhập để gửi ý kiến