Website được thiết kế tối ưu cho thành viên chính thức. Hãy Đăng nhập hoặc Đăng ký để truy cập đầy đủ nội dung và chức năng. Nội dung bạn cần không thấy trên website, có thể do bạn chưa đăng nhập. Nếu là thành viên của website, bạn cũng có thể yêu cầu trong nhóm Zalo "BHYT" các nội dung bạn quan tâm.

Bài 7.3. Phân tích tần suất chỉ định, sử dụng thuốc, tái khám và thời gian điều trị

XML

Trong dữ liệu XML, các dấu hiệu dễ nhận biết nhất thường là:

  • một dịch vụ được chỉ định nhiều lần;
  • một thuốc được sử dụng với số lượng lớn;
  • người bệnh quay lại cơ sở nhiều lần;
  • khoảng cách giữa hai lần khám rất ngắn;
  • thời gian điều trị dài hoặc ngắn khác thường.

Đây cũng là những nhóm dữ liệu rất phù hợp để phân tích tự động.

Thông tư 12/2026/TT-BTC đưa thời gian giữa các lần KCB của một người bệnh vào nội dung giám định tự động; đồng thời cho phép rà soát việc cung cấp dịch vụ hợp lý theo các tiêu chuẩn, tiêu chí tương ứng.

Điều 11 tiếp tục quy định việc phân tích dữ liệu để lựa chọn số lượng hồ sơ và nội dung cần cơ sở tự rà soát, sau đó mới đối chiếu với HSBA và tài liệu khi cần giám định trực tiếp.

Do đó nguyên tắc trung tâm của Bài 7.3 là:

Tần suất, khoảng cách thời gian và thời gian điều trị là các tín hiệu định lượng để lựa chọn trường hợp cần xem xét; bản thân chúng không tự chứng minh chỉ định không hợp lý, lạm dụng dịch vụ hoặc không đủ điều kiện thanh toán.


1. Trước khi đếm phải xác định “đang đếm cái gì”

Một lỗi analytics rất phổ biến là:

đếm số dòng XML rồi gọi đó là số lần thực hiện.

Nhưng:

row ≠ business event.

Một DVKT có thể có:

  • một dòng XML3;
  • nhiều dòng XML4 cho nhiều chỉ số kết quả;
  • nhiều version submission;
  • nhiều VTYT liên quan.

Nếu cộng tất cả:

tần suất sẽ bị phóng đại.

Do đó trước khi phân tích phải xác định:

đơn vị sự kiện cần đếm.


2. Có ít nhất bốn đơn vị tần suất khác nhau

Ví dụ với một DVKT có thể tính:

Số lần chỉ định

Dựa trên event order.

Số lần thực hiện

Dựa trên event thực hiện.

Số episode có sử dụng

Mỗi episode chỉ tính một lần dù thực hiện nhiều lần.

Số người bệnh có sử dụng

Một người có nhiều episode vẫn chỉ tính một người trong population.

Bốn chỉ số này trả lời bốn câu hỏi khác nhau.

Không được gọi chung:

“tần suất sử dụng dịch vụ”.


3. Phải loại submission version trước khi tính

Một hồ sơ có thể được gửi:

V1 → sửa → V2 → V3.

Nếu analytics đếm cả ba version:

một DVKT thực hiện một lần có thể biến thành ba lần.

Do đó pipeline bắt buộc:

resolve effective version → deduplicate → mới tính frequency.

Các version cũ vẫn giữ cho audit nhưng không tham gia population hiện hành trừ khi câu hỏi nghiên cứu cần chúng.


4. STT cũng không phải khóa sự kiện xuyên các lần gửi

STT chủ yếu phục vụ thứ tự dòng trong dữ liệu gửi.

Không nên dùng:

MA_LK + STT

như một business identifier tuyệt đối giữa các submission version.

Khi xác định cùng một event cần xét thêm:

  • mã dịch vụ;
  • thời gian;
  • khoa;
  • người thực hiện;
  • các relation tương ứng;
  • submission/version.

5. Phân tích tần suất DVKT phải xác định denominator

Ví dụ:

khoa A thực hiện 5.000 CT/tháng.

Con số này gần như chưa có ý nghĩa nếu không biết:

5.000 trên bao nhiêu người bệnh?

Có thể tính:

CT / 1.000 lượt KCB;

CT / 1.000 episode nội trú;

CT / 100 người bệnh có nhóm bệnh phù hợp;

CT / người bệnh;

CT / episode.

Mỗi denominator cho một cách hiểu khác.


6. Denominator phải phù hợp câu hỏi

Nếu hỏi:

khoa nào sử dụng CT nhiều hơn?

có thể dùng:

CT/1.000 lượt.

Nhưng nếu hỏi:

khác biệt thực hành trong bệnh nhân chấn thương sọ não?

denominator phải là:

số episode thuộc population chấn thương sọ não tương ứng.

Không nên dùng toàn bộ lượt bệnh viện làm mẫu số.


7. Tần suất phải có cửa sổ thời gian

Một câu:

“dịch vụ X được làm ba lần”

chưa đủ.

Ba lần:

  • trong một giờ;
  • trong một ngày;
  • trong một episode;
  • trong 30 ngày;
  • trong một năm

có ý nghĩa hoàn toàn khác nhau.

Một frequency definition đầy đủ phải có:

subject + event + time window + denominator + comparator.


8. Rolling window thường phù hợp hơn tháng lịch

Ví dụ cần phát hiện:

xét nghiệm X lặp lại nhiều trong 48 giờ.

Nếu chỉ group theo:

ngày hoặc tháng lịch,

hai xét nghiệm lúc 23:30 và 00:30 có thể rơi vào hai ngày khác nhau dù chỉ cách nhau một giờ.

Do đó Dr5 đã có hướng:

rolling_window_frequency.

Cửa sổ phải chạy theo:

timestamp thực tế.


9. Tần suất cao chỉ tạo candidate

Giả sử:

population trung vị làm xét nghiệm X một lần/episode;

một bệnh nhân được làm năm lần.

Kết luận phù hợp:

tần suất X cao so với population.

Chưa đủ để nói:

năm lần đều không cần thiết.

Người bệnh có thể:

  • diễn biến nặng;
  • cần theo dõi liên tục;
  • có kết quả bất thường;
  • sau can thiệp;
  • dùng thuốc cần monitoring.

Do đó phải kiểm tra:

sequence + result + clinical context.


10. Phân tích lặp xét nghiệm nên nối với kết quả trước đó

Một mô hình tốt hơn:

Xét nghiệm T1
→ kết quả R1
→ xét nghiệm lặp T2.

Câu hỏi:

khoảng cách T2 − T1 là bao nhiêu?

R1 có bất thường không?

sau R1 có intervention không?

trạng thái người bệnh có thay đổi không?

Tần suất khi đó được đặt trong:

clinical timeline.


11. “Lặp lại” khác “duplicate”

Hai sự kiện giống nhau có thể là:

Duplicate data

Một sự kiện bị ghi hai lần.

Repeated clinical event

Hai lần thực hiện thật.

Hai tình trạng phải được phân loại trước khi tính frequency.

Nếu không:

duplicate dữ liệu sẽ bị hiểu thành overuse.


12. Phân tích sử dụng thuốc có nhiều cách đếm hơn DVKT

Với thuốc có thể phân tích:

  • số y lệnh;
  • số ngày có sử dụng;
  • số đơn vị sử dụng;
  • tổng liều;
  • số episode sử dụng;
  • số người bệnh sử dụng;
  • chi phí;
  • thời gian phơi nhiễm.

Không nên chỉ dùng:

SO_LUONG

để gọi là “tần suất dùng thuốc”.


13. SO_LUONG và “số lần dùng” là hai khái niệm khác nhau

Ví dụ:

20 viên

có thể là:

  • 1 viên × 2 lần/ngày × 10 ngày;
  • hoặc cách dùng khác.

Chuẩn XML có trường LIEU_DUNG mô tả liều dùng và tần suất sử dụng thuốc trong các tình huống tương ứng.

Do đó analytics phải phân biệt:

quantity dispensed

và:

administration frequency/dose regimen.


14. Với thuốc ngoại trú nên cân nhắc “days supplied”

Một đơn thuốc 30 ngày không nên được hiểu là:

30 lần kê thuốc.

Nó có thể chỉ là:

một prescription event với 30 ngày điều trị.

Do đó cần phân biệt:

prescription frequency

và:

medication exposure duration.


15. Với điều trị nội trú, số dòng thuốc cũng chưa phản ánh số lần thực dùng

Một thuốc có thể được:

  • thay đổi liều;
  • đổi đường dùng;
  • tạm ngừng;
  • kê lại;
  • chia thành nhiều dòng theo ngày.

Do đó việc đếm số dòng XML2 có thể phản ánh:

structure of billing/export

hơn là:

thực hành dùng thuốc.

Muốn phân tích sâu cần tái dựng:

medication episode.


16. Tần suất thuốc phải được chuẩn hóa theo hoạt chất hoặc cấp phân tích phù hợp

Nếu chỉ dùng:

mã sản phẩm,

cùng một hoạt chất có nhiều:

  • hãng;
  • hàm lượng;
  • dạng bào chế.

Có thể làm tần suất bị phân mảnh.

Ngược lại nếu gộp quá rộng theo:

nhóm dược lý,

có thể che mất khác biệt quan trọng.

Do đó phải xác định analytical level:

sản phẩm → hoạt chất → hoạt chất+hàm lượng → nhóm thuốc.


17. Tần suất dùng thuốc cao không đồng nghĩa dùng quá mức

Một khoa có mức dùng kháng sinh cao có thể vì:

  • nhiều ca nhiễm trùng;
  • ICU;
  • phẫu thuật;
  • bệnh nặng;
  • referral bias.

Phải ít nhất phân tầng theo:

diagnosis/case-mix + khoa + loại hình điều trị + mức độ phức tạp có thể quan sát.

Không nên so trực tiếp:

ICU với khoa bệnh nhẹ.


18. Phân tích tái khám bắt đầu bằng nhận diện đúng người bệnh

Muốn biết một người bệnh quay lại sau bao lâu, trước hết phải nối các episode của:

cùng một người.

Không nên chỉ dựa vào:

họ tên.

Cần identity resolution dựa trên các định danh phù hợp và xử lý trường hợp:

  • thay đổi thẻ;
  • trẻ sơ sinh;
  • thiếu CCCD;
  • sai chính tả;
  • nhiều mã bệnh nhân nội bộ.

Nếu nhận diện sai người:

toàn bộ revisit analytics sai.


19. MA_LK chỉ nhận diện episode, không nhận diện longitudinal patient

MA_LK giúp liên kết dữ liệu trong:

một lần KCB.

Nhưng để nối:

episode A tháng 1

với:

episode B tháng 3,

cần khóa người bệnh ở tầng cao hơn.

Do đó revisit analysis là:

cross-episode analysis.


20. NGAY_TAI_KHAM không phải ngày tái khám thực tế

XML1 có NGAY_TAI_KHAM, được dùng để ghi:

ngày cơ sở hẹn người bệnh tái khám tiếp theo, nếu có.

Đây là:

planned revisit date.

Không phải:

evidence rằng người bệnh thực sự đã quay lại.

Actual revisit phải được xác định bằng:

episode tiếp theo.


21. Có thể phân tích “hẹn tái khám” và “tái khám thực tế” riêng biệt

Đây là một use case có giá trị.

Có thể xây:

planned revisit date

so với:

actual next encounter date.

Từ đó phân loại:

  • đến đúng hẹn;
  • đến sớm;
  • đến muộn;
  • không thấy episode tiếp theo trong dữ liệu quan sát.

Nhưng trường hợp cuối chỉ có nghĩa:

không quan sát thấy lần tái khám trong dataset.

Không chứng minh:

người bệnh không tái khám ở nơi khác.


22. Khoảng cách giữa các lần KCB là một nội dung giám định thực sự

Điểm h khoản 1 Điều 10 Thông tư 12 đưa:

thời gian giữa các lần KCB của một người bệnh

vào phạm vi rà soát tự động.

Điều này cho phép xây các kiểm tra:

next visit − previous visit.

Nhưng kết luận vẫn phụ thuộc:

loại hình KCB + lý do + rule áp dụng.

Không tồn tại một khoảng cách tối thiểu duy nhất cho mọi trường hợp.


23. “Tái khám sớm” có nhiều nguyên nhân hoàn toàn hợp lý

Ví dụ:

  • hẹn đọc kết quả;
  • thay băng;
  • theo dõi sau thủ thuật;
  • điều trị chu kỳ;
  • bệnh mạn tính;
  • phản ứng thuốc;
  • diễn biến nặng;
  • chuyển khoa/cơ sở;
  • tái khám theo hướng dẫn.

Do đó:

short interval = candidate

không phải:

inappropriate revisit.


24. Cần tách tái khám, tái nhập viện và episode liên tục

Ba khái niệm:

Revisit

Người bệnh có encounter mới.

Readmission

Một episode nội trú mới sau ra viện.

Continuation/transfer

Có thể là sự tiếp nối của quá trình điều trị hoặc chuyển tuyến/khoa.

Nếu không tách:

chuyển viện có thể bị tính nhầm thành “tái nhập viện sớm”.


25. Tái nhập viện sớm cũng không tự chứng minh chất lượng điều trị kém

Readmission có thể liên quan:

  • biến chứng;
  • bệnh tiến triển;
  • bệnh nền;
  • chăm sóc sau xuất viện;
  • nguyên nhân hoàn toàn khác.

Do đó readmission rate là:

quality signal.

Không phải tự động:

quality failure.

Cần phân tích:

same diagnosis? related diagnosis? planned/unplanned? time interval?


26. Thời gian điều trị phải bắt đầu từ đúng loại hình KCB

Các trường như:

NGAY_VAO, NGAY_VAO_NOI_TRU, NGAY_RA, SO_NGAY_DTRI

cho phép phân tích duration.

Chuẩn dữ liệu mô tả NGAY_VAO là thời điểm người bệnh đến KCB và NGAY_RA là thời điểm kết thúc lần khám/điều trị theo loại hình tương ứng.

Tuy nhiên:

duration không có cùng ý nghĩa cho mọi MA_LOAI_KCB.


27. SO_NGAY_DTRI không nên được hiểu đơn giản là “ngày nằm viện”

Trong chuẩn dữ liệu gốc, SO_NGAY_DTRI được mô tả là:

số ngày điều trị thực tế phục vụ thống kê,

và cách xác định phụ thuộc vào loại hình KCB; với một số loại hình, nó có thể liên quan số ngày dùng thuốc hoặc số ngày thực tế sử dụng DVKT chứ không chỉ NGAY_RA - NGAY_VAO.

Do đó:

SO_NGAY_DTRI ≠ universal length of stay.


28. Phải version-aware vì MA_LOAI_KCB đã thay đổi năm 2026

Quyết định 1804/QĐ-BYT ngày 19/6/2026 ban hành danh mục loại hình KCB mới, có hiệu lực từ ngày ký và các đơn vị thực hiện chậm nhất từ 01/8/2026.

Danh mục mới phân biệt các loại như:

  • khám bệnh;
  • điều trị ngoại trú;
  • điều trị nội trú;
  • điều trị ban ngày;
  • các hình thức điều trị dài ngày;
  • nội trú dưới 4 giờ;
  • các loại hình khác.

Vì vậy phân tích nhiều năm không được dùng một công thức duration cứng cho tất cả kỳ dữ liệu.


29. Length of stay phải được định nghĩa trước

Có thể có:

Encounter duration

NGAY_RA − NGAY_VAO.

Inpatient duration

từ thời điểm vào nội trú tới ra nội trú.

Statistical treatment days

SO_NGAY_DTRI.

Bed-use duration

tổng các khoảng sử dụng giường.

Bốn khái niệm có thể khác nhau.

Phải chọn đúng chỉ số theo câu hỏi.


30. Không được dùng SO_NGAY_DTRI thay cho tiền giường

Số ngày điều trị và số ngày/đơn vị giường tính thanh toán là các khái niệm liên quan nhưng không phải luôn đồng nhất.

Phân tích:

thời gian điều trị

khác với:

reconciliation tiền giường.

Đây là nguyên tắc đã đặt ở Bài 5.6.


31. Thời gian điều trị dài phải được stratify theo bệnh

So sánh:

LOS trung bình toàn bệnh viện

có giá trị hạn chế.

Nên phân tầng theo:

  • bệnh/nhóm bệnh;
  • phẫu thuật;
  • khoa;
  • tuổi;
  • bệnh kèm;
  • loại hình KCB;
  • mức độ phức tạp có thể quan sát;
  • outcome.

Nếu không:

khoa điều trị ca nặng luôn trông “kém hiệu quả”.


32. Thời gian điều trị ngắn cũng có thể là signal

Analytics không nên chỉ tìm:

nằm quá lâu.

LOS quá ngắn có thể liên quan:

  • discharge hợp lý;
  • hoặc ra viện quá sớm;
  • chuyển viện;
  • tử vong;
  • xin về;
  • dữ liệu sai.

Do đó nên phân tích:

hai phía của distribution.


33. Median và percentile thường hữu ích hơn mean đơn thuần

LOS thường có:

right-skewed distribution.

Một số ca rất dài có thể kéo mean lên cao.

Do đó nên xem đồng thời:

  • median;
  • P25/P75;
  • P90/P95;
  • mean;
  • distribution.

Tương tự với frequency và cost.


34. Cần xác định observation window khi phân tích tái khám

Giả sử dataset kết thúc:

31/12.

Người bệnh ra viện:

30/12.

Không thể kết luận:

không tái khám trong 30 ngày

vì ta chỉ quan sát được một ngày.

Đây là:

right censoring.

Revisit analysis phải bảo đảm người bệnh có đủ follow-up window.


35. Dữ liệu ngoài cơ sở cũng ảnh hưởng phân tích longitudinal

Nếu chỉ có dữ liệu của một bệnh viện:

không thấy episode tiếp theo

có thể vì người bệnh đến nơi khác.

Nếu có lịch sử KCB liên thông rộng hơn:

longitudinal analysis tốt hơn.

Do đó mọi báo cáo phải ghi rõ:

population coverage.

Không nên gọi:

“không tái khám”

khi thực tế chỉ là:

“không thấy tái khám tại dataset này”.


36. Frequency analysis theo bác sĩ cần điều chỉnh workload và case-mix

Nếu bác sĩ A có:

số xét nghiệm tuyệt đối cao nhất

nhưng cũng khám:

gấp đôi số người bệnh,

thì count thô dễ gây hiểu lầm.

Cần ít nhất tính:

service/order per relevant patient or episode.

Và nên phân tầng:

diagnosis/case-mix.


37. Không được dùng P95 như một “giới hạn cho phép”

Một threshold như:

trên percentile 95

có nghĩa:

thuộc 5% cao nhất của population.

Nó không có nghĩa:

vượt mức pháp luật cho phép.

Đó là:

screening threshold.

Nếu không có văn bản quy định cụ thể:

không được đưa P95 vào dr5_payment_condition.


38. Có ba loại giới hạn tần suất phải phân biệt

Statistical frequency

Học từ population.

→ cảnh báo.

Clinical recommended frequency

Từ guideline/hướng dẫn chuyên môn.

→ hỗ trợ review chuyên môn.

Legal/payment frequency

Quy định cụ thể về phạm vi hoặc điều kiện thanh toán.

→ có thể trở thành payment rule.

Ba loại này không được nhập làm một.


39. Tần suất hợp pháp cũng phải resolve exception

Ngay cả khi có rule:

tối đa X lần trong Y ngày,

cần kiểm tra:

  • đối tượng áp dụng;
  • mã dịch vụ;
  • diagnosis/context;
  • exception;
  • thời gian hiệu lực.

Không nên hard-code:

count > X = DENIED

nếu rule còn điều kiện khác.


40. Tính tần suất phải loại duplicate trước

Thứ tự đúng:

identity resolution
→ effective version
→ duplicate resolution
→ event reconstruction
→ frequency calculation.

Không nên:

count trước → deduplicate sau.

Bởi kết quả cảnh báo ban đầu đã bị sai.


41. Phân tích nên trả về cả numerator và denominator

Không chỉ hiển thị:

“tỷ lệ 35%”.

Phải cho biết:

350/1.000 episode.

Tương tự:

“2,7 lần/người”

phải cho biết:

  • số event;
  • số người;
  • time period;
  • inclusion criteria.

Điều này giúp người rà soát đánh giá độ tin cậy.


42. Mỗi signal nên có comparator rõ ràng

Ví dụ:

tần suất xét nghiệm X của khoa A cao hơn:

  • chính khoa A cùng kỳ năm trước;
  • khoa tương đồng trong bệnh viện;
  • population toàn bệnh viện;
  • nhóm bệnh tương ứng.

Nếu các comparator đều cho cùng tín hiệu:

ưu tiên rà soát cao hơn.

Nhưng vẫn chưa phải kết luận sai.


43. Phân tích nguyên nhân phải đi sau signal

Một frequency signal có thể được giải thích bởi:

Data cause

  • duplicate;
  • mapping;
  • version.

Volume cause

  • nhiều người bệnh hơn.

Case-mix cause

  • nhiều ca nặng hơn.

Practice cause

  • thay đổi cách chỉ định.

Organizational cause

  • mở kỹ thuật mới.

External cause

  • dịch bệnh hoặc thay đổi tuyến bệnh.

Chỉ sau khi loại trừ các nguyên nhân hợp lý mới nên đi sâu vào:

potential inappropriate utilization.


44. Tần suất cũng có thể phát hiện underuse

Ví dụ:

một nhóm bệnh ở hầu hết khoa có xét nghiệm monitoring định kỳ;

nhưng khoa A gần như không có.

Đây có thể là:

  • coding/mapping thiếu;
  • khác pathway;
  • hoặc quality issue.

Do đó analytics không chỉ phục vụ:

giảm sử dụng.

Nó còn có thể phát hiện:

chăm sóc chưa đủ.


45. Revisit và LOS là chỉ số chất lượng nhưng phải dùng thận trọng

Các chỉ số:

  • readmission;
  • revisit;
  • LOS

có thể hữu ích để đánh giá chất lượng.

Nhưng phải tránh:

indicator → performance judgment

khi chưa risk-adjust.

Nếu không:

đơn vị nhận ca khó sẽ bị đánh giá bất lợi.


46. Có thể kết hợp nhiều signal để tăng ưu tiên rà soát

Một hồ sơ chỉ có:

LOS dài

có thể là signal yếu.

Nhưng nếu đồng thời:

  • LOS dài;
  • tần suất DVKT cao;
  • chi phí cao;
  • tái nhập viện sớm;
  • evidence không đầy đủ;

thì:

review priority tăng đáng kể.

Tuy nhiên các signal cộng lại vẫn:

không thay thế kết luận hồ sơ.


47. Dr5 nên có analytic score nhưng không dùng score làm denial rule

Có thể xây:

review_priority_score

dựa trên:

  • frequency outlier;
  • cost outlier;
  • revisit;
  • LOS;
  • evidence gaps.

Score giúp:

xếp hàng hồ sơ cần xem.

Không được hiểu:

score > 80 → không thanh toán.

Score là:

triage mechanism.


48. Phân loại finding phù hợp

Dữ liệu trùng thực sự

ERROR_TECH hoặc lỗi dữ liệu tương ứng.

Không đủ dữ liệu để xác định event

INFO_EVIDENCE.

Tần suất/LOS/revisit khác thường

WARN_REVIEW.

Có điều kiện thanh toán cụ thể và chứng minh vi phạm

PAYMENT_CONDITION.

Đây là ranh giới cần giữ.


49. Generic rule engine của Dr5 đã có nền tảng phù hợp

Không cần tạo catalog mới như:

  • dr5_frequency;
  • dr5_duplicate;
  • dr5_revisit;
  • dr5_length_of_stay.

Có thể sử dụng các generic implementations:

  • sequence_constraint;
  • rolling_window_frequency;
  • duplicate_candidate;
  • unique_record;
  • cross_episode_overlap;
  • continuity_constraint;
  • conditional_frequency;
  • effective_period.

Các parameter cụ thể lấy từ:

sáu catalog chuẩn khi đó là rule pháp lý;

hoặc:

analytics configuration khi chỉ là screening.


50. Phải tách analytics configuration khỏi catalog pháp lý

Ví dụ:

P95 tần suất CT trong bệnh viện

là:

analytics configuration.

Không đưa vào:

dr5_payment_condition.

Nhưng nếu văn bản quy định:

điều kiện thanh toán chỉ cho phép một tần suất cụ thể trong một context nhất định,

condition đó có thể được mô hình hóa trong:

  • dr5_payment_condition;
  • dr5_legal_basis;
  • các relation cần thiết.

Như vậy việc cập nhật rule pháp lý và benchmark thống kê không bị trộn.


51. Một pipeline Dr5 phù hợp

Có thể tổ chức:

Raw XML
→ resolve submission version
→ identify patient
→ reconstruct episodes
→ reconstruct business events
→ deduplicate
→ normalize drug/service
→ calculate time intervals
→ calculate rolling frequency
→ calculate revisit/readmission
→ calculate treatment-duration metrics
→ stratify population
→ compare benchmark
→ produce analytic signal
→ retrieve XML4/XML5/evidence
→ targeted review
→ classify root cause
→ clinical/payment review when necessary.

Không nên:

count XML rows → cảnh báo xuất toán.


52. Ma trận phân tích thực hành

Phân tíchĐơn vị chínhCửa sổKết luận ban đầu
DVKT lặpbusiness eventgiờ/ngày/episodeWARN_REVIEW
Thuốcy lệnh/exposure/quantityngày/episode/thángWARN_REVIEW
Tái khámepisode1/7/30/... ngàyWARN_REVIEW
Tái nhập việninpatient episodetheo cửa sổ định nghĩaWARN_REVIEW
LOSepisodetoàn episodeoutlier
Duplicateevent/versioncùng contextlỗi dữ liệu nếu được chứng minh
Vi phạm tần suất thanh toán có rule cụ thểevent + legal conditiontheo rulePAYMENT_CONDITION khi đủ evidence

53. Giao diện analytics nên hiển thị lý do signal

Thay vì:

“CẢNH BÁO: xét nghiệm quá nhiều”

nên hiển thị:

Xét nghiệm X: 5 lần/48 giờ
Median nhóm so sánh: 1
P95: 3
Kết quả trước: có/không resolve
Episode: MA_LK...
Classification: WARN_REVIEW
Chưa có kết luận về tính hợp lý chuyên môn.

Điều này giúp người dùng hiểu:

hệ thống đang nói gì và chưa nói gì.


54. Từ analytics phải quay về hồ sơ khi cần

Đối với signal mạnh, bước tiếp theo có thể là:

xem y lệnh;

xem kết quả;

xem diễn biến;

xem chẩn đoán;

xem lý do tái khám;

xem tình trạng ra viện;

xem HSBA.

Đây chính là logic Điều 11:

phân tích dữ liệu trước, đối chiếu hồ sơ sau.


Kết luận

Phân tích tần suất, tái khám và thời gian điều trị là một trong những công cụ mạnh nhất để biến XML từ:

dữ liệu thanh toán

thành:

dữ liệu quản trị hoạt động khám chữa bệnh.

Nhưng mọi phân tích phải bắt đầu bằng việc xác định đúng:

đang đếm sự kiện gì
→ trên population nào
→ trong cửa sổ thời gian nào
→ với denominator nào
→ so với comparator nào.

Mười nguyên tắc cần nhớ:

Không đếm dòng XML như số lần thực hiện; phải tái dựng business event và loại submission duplicate trước.

Tần suất DVKT phải phân biệt số lần chỉ định, số lần thực hiện, số episode và số người bệnh sử dụng.

Phân tích thuốc phải phân biệt số y lệnh, số lượng, liều, thời gian phơi nhiễm và số ngày sử dụng.

NGAY_TAI_KHAM là ngày hẹn tái khám, không phải bằng chứng người bệnh đã thực sự tái khám.

Actual revisit phải được xác định từ episode tiếp theo sau khi identity resolution.

Khoảng cách giữa các lần KCB là nội dung có thể được giám định theo Điều 10, nhưng không tồn tại một ngưỡng chung cho mọi bệnh nhân và mọi loại hình KCB.

SO_NGAY_DTRI là chỉ tiêu thống kê phụ thuộc loại hình KCB, không đồng nghĩa phổ quát với số ngày nằm viện hoặc số ngày giường thanh toán.

Phân tích duration phải version-aware, đặc biệt sau thay đổi danh mục MA_LOAI_KCB theo Quyết định 1804/QĐ-BYT năm 2026.

P95, tần suất cao, tái khám sớm hoặc LOS dài là screening signals; không tự động trở thành payment conditions.

Chỉ khi có rule áp dụng, đúng effective period, đúng context và đủ evidence chứng minh vi phạm mới chuyển từ WARN_REVIEW sang PAYMENT_CONDITION.

Đối với Dr5-XML, Bài 7.3 xác lập một kiến trúc quan trọng:

Patient identity
→ Episode
→ Business event
→ Time sequence
→ Rolling window
→ Frequency/Duration metric
→ Comparator
→ Analytic signal
→ Evidence review.

Như vậy Dr5 không hỏi đơn giản:

“Có bao nhiêu dòng dịch vụ?”

mà có thể hỏi chính xác hơn:

“Một người bệnh thực sự được chỉ định hoặc thực hiện dịch vụ này bao nhiêu lần, trong khoảng thời gian nào, so với nhóm bệnh tương đồng ra sao, và có bằng chứng nào giải thích sự khác biệt?”

Đó là bước chuyển từ đếm dữ liệu sang phân tích hành vi sử dụng dịch vụ có bối cảnh — đủ mạnh để hỗ trợ giám định và quản trị, nhưng vẫn giữ được nguyên tắc an toàn:

Frequency signal → Review.
Không phải Frequency signal → Denial.