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 8.2. Từ quy định đến quy tắc kiểm tra: điều kiện áp dụng, dữ liệu đầu vào, ngoại lệ, kết quả và căn cứ

XML

Một văn bản pháp luật được viết để con người đọc, hiểu và áp dụng.

Một hệ thống CNTT lại cần những thành phần rõ ràng hơn:

Khi nào kiểm tra?

Kiểm tra đối tượng nào?

Cần dữ liệu gì?

Điều kiện nào phải thỏa mãn?

Có ngoại lệ nào?

Nếu thiếu dữ liệu thì xử lý thế nào?

Nếu không đạt thì cảnh báo mức nào?

Căn cứ nào tạo ra kết luận đó?

Vì vậy không thể chuyển một đoạn văn bản thành chương trình bằng cách:

đọc thấy một câu → viết ngay một câu if.

Đây là một trong những nguyên nhân phổ biến làm hệ thống tiền giám định tạo quá nhiều false positive.

Điều 10 Thông tư 12/2026/TT-BTC cho thấy phạm vi giám định tự động rất rộng, bao gồm:

  • thông tin thẻ;
  • quyền lợi;
  • danh mục thuốc, thiết bị y tế và dịch vụ;
  • mức thanh toán;
  • tỷ lệ và điều kiện thanh toán;
  • phạm vi chuyên môn của cơ sở;
  • phạm vi hành nghề của người hành nghề;
  • khoảng cách giữa các lần KCB;
  • tính hợp lý của việc cung cấp dịch vụ theo tiêu chuẩn, tiêu chí có thẩm quyền;
  • tính thống nhất của Bảng kê chi tiết;
  • số lượng thuốc, thiết bị y tế sử dụng so với nguồn mua sắm, điều chuyển.

Nhưng Điều 16 đồng thời quy định BHXH Việt Nam là cơ quan ban hành tài liệu hướng dẫn kỹ thuật và các tiêu chí, tiêu chuẩn áp dụng trên Hệ thống thông tin giám định BHYT để xử lý những nội dung này.

Do đó khi xây Dr5 cần giữ hai lớp rõ ràng:

Quy định, tiêu chí chính thức xác định nghĩa vụ và điều kiện cần tuân thủ.

và:

Dr5 chuyển những nội dung có căn cứ mà bệnh viện có thể xác định được thành các quy tắc tiền kiểm tra nội bộ.

Nguyên tắc trung tâm của Bài 8.2 là:

Một quy tắc kiểm tra hoàn chỉnh không chỉ có điều kiện TRUE/FALSE. Nó phải xác định được phạm vi áp dụng, dữ liệu đầu vào, điều kiện, ngoại lệ, bằng chứng, kết quả, căn cứ và thời gian hiệu lực.


1. Không phải mọi câu trong văn bản đều là một rule có thể code trực tiếp

Một văn bản có thể chứa:

  • nguyên tắc;
  • nghĩa vụ;
  • định nghĩa;
  • trình tự thủ tục;
  • điều kiện;
  • ngoại lệ;
  • thời hạn;
  • thẩm quyền;
  • biểu mẫu;
  • quy định giao cơ quan khác ban hành tiêu chí chi tiết.

Chỉ một phần trong số đó có thể chuyển thành:

machine-evaluable rule.

Ví dụ:

“Cơ sở có trách nhiệm cung cấp đầy đủ hồ sơ, tài liệu”

là một nghĩa vụ.

Nhưng để máy kiểm tra cần biết tiếp:

hồ sơ nào?

trong trường hợp nào?

tài liệu cụ thể nào?

nguồn dữ liệu nào phản ánh tài liệu đã có?

Nếu văn bản chưa xác định đủ:

hệ thống không nên tự suy đoán.


2. Phải phân biệt “legal rule” và “implementation rule”

Ví dụ quy định yêu cầu:

một thông tin phải chính xác.

Đó là:

legal/business requirement.

Bệnh viện có thể lựa chọn:

cảnh báo tại thời điểm nhập dữ liệu;

hoặc:

chặn khi khóa hồ sơ.

Đó là:

implementation choice.

Hai lớp này phải được lưu riêng.

Không nên viết:

“Theo pháp luật, HIS phải chặn màn hình này”

nếu pháp luật chỉ quy định:

dữ liệu cuối cùng phải đáp ứng yêu cầu.


3. Một rule nên bắt đầu bằng câu hỏi “rule này đến từ đâu?”

Trước khi mô hình hóa, cần xác định nguồn:

LEGAL

Quy định pháp luật, quyết định, thông tư, nghị định, phụ lục chính thức.

OFFICIAL_TECHNICAL

Hướng dẫn hoặc tiêu chí kỹ thuật chính thức của cơ quan có thẩm quyền mà bệnh viện có nguồn xác định.

INTERNAL_CONTROL

Quy tắc kiểm soát do bệnh viện thiết kế để phòng ngừa lỗi.

ANALYTIC_SCREENING

Ngưỡng hoặc pattern được dùng để chọn trường hợp cần rà soát.

Một rule không rõ nguồn:

chưa nên được publish.


4. Rule nội bộ không được giả làm tiêu chí giám định chính thức

Ví dụ bệnh viện tự đặt:

“DVKT X lặp trong 24 giờ → cảnh báo.”

Nếu đây chỉ là:

benchmark nội bộ,

UI phải ghi:

Cảnh báo rà soát nội bộ.

Không được ghi:

BHXH quy định không được làm X trong 24 giờ

nếu không có căn cứ chính thức.

Điều 16 quy định việc ban hành các tiêu chí, tiêu chuẩn trên Hệ thống thông tin giám định thuộc BHXH Việt Nam.


5. Thành phần thứ nhất của rule: điều kiện áp dụng

Đây là câu hỏi:

Rule có áp dụng cho hồ sơ này không?

Applicability có thể phụ thuộc:

  • loại hồ sơ;
  • bảng XML;
  • loại hình KCB;
  • cơ sở;
  • khoa;
  • thuốc;
  • DVKT;
  • VTYT;
  • nhóm bệnh;
  • đối tượng người bệnh;
  • tình huống lâm sàng;
  • thời điểm;
  • phiên bản danh mục.

Nếu applicability sai:

toàn bộ kết luận phía sau đều sai.


6. Applicability khác với condition

Ví dụ một rule chỉ áp dụng cho:

dịch vụ thuộc nhóm X.

Đây là:

applicability.

Sau đó rule kiểm tra:

điều kiện Y có được đáp ứng không.

Đây mới là:

condition.

Không nên viết:

tất cả hồ sơ đều chạy condition Y rồi những hồ sơ không liên quan cũng bị FALSE.


7. Rule không áp dụng phải trả về NOT_APPLICABLE

Không nên trả:

PASS

cho một rule chưa từng áp dụng.

Hai trạng thái khác nhau:

PASS

Rule áp dụng và không phát hiện vi phạm.

NOT_APPLICABLE

Rule không thuộc phạm vi của hồ sơ này.

Sự khác biệt này rất quan trọng khi:

thống kê coverage của rule.


8. Applicability phải version-aware

Một condition có thể:

chỉ áp dụng từ ngày A;

thay đổi từ ngày B;

bị bãi bỏ từ ngày C.

Do đó applicability phải xét:

event date.

Không chỉ:

ngày hệ thống chạy rule.


9. Phải xác định event date đúng cho từng loại rule

Ví dụ:

Rule thuốc

Có thể liên quan:

ngày y lệnh hoặc ngày sử dụng.

Rule DVKT

Có thể liên quan:

ngày thực hiện.

Rule loại hình KCB

Có thể liên quan:

thời điểm episode.

Rule giá

Có thể liên quan:

ngày phát sinh chi phí.

Không nên dùng:

NGAY_RA

cho mọi rule chỉ vì đó là field dễ lấy.


10. Thành phần thứ hai: dữ liệu đầu vào

Sau khi biết rule áp dụng, cần hỏi:

Cần dữ liệu gì để đánh giá?

Có thể gồm:

  • một field;
  • nhiều field trong cùng bảng;
  • dữ liệu nhiều bảng XML;
  • lịch sử KCB;
  • danh mục;
  • hồ sơ bệnh án;
  • LIS;
  • RIS/PACS;
  • danh mục nhân viên;
  • thiết bị;
  • dữ liệu mua sắm;
  • thông tin hợp đồng.

Rule phải khai báo rõ:

input nào là bắt buộc để kết luận.


11. Dữ liệu đầu vào phải có source of truth

Ví dụ:

người thực hiện

không nên lấy từ một bản copy cũ nếu có thể lấy từ:

hệ thống thực hiện.

Tương tự:

kết quả xét nghiệm

nên ưu tiên:

LIS/result source.

Mỗi input nên biết:

source + version + timestamp.


12. XML không phải lúc nào cũng đủ cho rule

Đây là nguyên tắc đã được xác lập ở Chương 7.

Một payment condition có thể cần:

nội dung HSBA

mà XML không chứa đầy đủ.

Trong trường hợp đó Dr5 không được:

biến “không có trong XML” thành “condition không đạt”.

Kết quả phải là:

INFO_EVIDENCE

hoặc trạng thái tương đương cần bổ sung evidence.


13. Điều 10 cũng thừa nhận tình huống không đủ thông tin

Khoản 2 Điều 10 quy định đối với nội dung tại điểm đ và điểm i, kết quả giám định tự động có thể là:

không đủ thông tin để xác định chi phí đủ điều kiện thanh toán.

Điều này cho thấy:

không phải mọi quá trình đánh giá đều có thể ép thành PASS hoặc FAIL.


14. Nhưng INFO_EVIDENCE nội bộ của Dr5 có phạm vi rộng hơn trạng thái tại Điều 10 khoản 2 điểm c

Cần phân biệt rõ.

Điều 10 khoản 2 điểm c quy định trạng thái không đủ thông tin chính thức cho:

các nội dung điểm đ và điểm i khoản 1.

Trong Dr5, INFO_EVIDENCE có thể được dùng rộng hơn như:

classification nội bộ khi bất kỳ rule nào chưa đủ evidence để kết luận.

Do đó không nên viết:

“mọi INFO_EVIDENCE của Dr5 đều là kết quả theo điểm c khoản 2 Điều 10.”

Không đúng.


15. Thành phần thứ ba: condition

Condition là câu hỏi mà evaluator thực sự trả lời.

Ví dụ generic:

field có giá trị không?

giá trị thuộc danh mục không?

A có bằng B + C không?

event B có xảy ra sau event A không?

code X có thuộc nhóm áp dụng không?

condition Y có evidence chứng minh không?

Condition nên:

rõ ràng, kiểm thử được và càng atomic càng tốt.


16. Không nên viết một rule chứa quá nhiều kết luận

Ví dụ rule:

“Thuốc X sai vì chẩn đoán, liều, khoa và giá.”

Đây thực chất là ít nhất bốn vấn đề.

Tốt hơn:

Rule A — diagnosis/context;

Rule B — dose;

Rule C — provider/department context;

Rule D — price/payment.

Nhờ đó:

người dùng biết chính xác sai gì.


17. Atomic rule giúp giải trình tốt hơn

Nếu một finding chỉ có một conclusion:

evidence dễ hiểu;

legal basis dễ gắn;

test dễ viết;

exception dễ quản lý.

Composite conclusion chỉ nên được tạo:

ở lớp tổng hợp.


18. Condition phải phân biệt deterministic và interpretive

Deterministic

Ví dụ:

datatype không đúng;

arithmetic không bằng;

mã không tồn tại trong catalog applicable.

Có thể đánh giá chắc chắn hơn.

Interpretive/contextual

Ví dụ:

sử dụng dịch vụ có hợp lý hay không.

Thường cần:

evidence và review.

Không nên dùng cùng enforcement.


19. Thành phần thứ tư: ngoại lệ

Một rule không đầy đủ nếu chỉ code:

điều kiện chính

nhưng bỏ:

ngoại lệ.

Trong thực tế, false positive thường xuất phát từ:

không mô hình hóa exception.


20. Ngoại lệ phải có nguồn

Một exception có thể đến từ:

Legal exception

Văn bản quy định rõ.

Technical exception

Chuẩn dữ liệu quy định khác trong một context.

Clinical exception

Hướng dẫn chuyên môn hoặc logic được phê duyệt cho phép.

Internal workflow exception

Bệnh viện cho phép override trong trường hợp cụ thể.

Bốn loại phải phân biệt.


21. Internal override không làm thay đổi legal condition

Ví dụ bệnh viện cho phép:

bác sĩ override cảnh báo để xử trí cấp cứu.

Điều đó không có nghĩa:

payment condition đã tự động được đáp ứng.

Override có thể chỉ cho phép:

chăm sóc tiếp tục.

Sau đó:

payment review vẫn cần.


22. Ngoại lệ không được tạo để “cho rule pass”

Một rule có false positive cao không nên được vá bằng:

hàng chục ngoại lệ tùy tiện.

Cần quay lại xem:

applicability có sai không?

condition có quá rộng không?

dữ liệu có thiếu không?

Exception phải phản ánh:

nghiệp vụ thật.


23. Thành phần thứ năm: evidence requirement

Rule cần xác định:

bằng chứng nào đủ để đánh giá condition.

Ví dụ generic:

condition yêu cầu X.

Evidence có thể là:

  • field XML;
  • kết quả CLS;
  • HSBA;
  • decision/document;
  • catalog;
  • dữ liệu nhân sự;
  • thiết bị;
  • procurement record.

Không phải:

mọi tài liệu đều có giá trị như nhau.


24. Evidence phải gắn trực tiếp với condition

Một tài liệu chỉ có giá trị nếu nó trả lời:

câu hỏi của rule.

Ví dụ nếu condition là:

người thực hiện có thuộc phạm vi phù hợp không,

evidence cần liên quan:

practitioner + scope + thời điểm.

Một kết quả xét nghiệm của người bệnh:

không chứng minh được điều đó.


25. NOT_FOUND khác FALSE

Nếu Dr5 tìm không thấy evidence:

chưa chắc evidence không tồn tại.

Có thể:

  • chưa đồng bộ;
  • nằm trong nguồn khác;
  • chưa được materialize;
  • relation thất bại.

Do đó có ba trạng thái quan trọng:

FOUND_AND_SUPPORTS

FOUND_AND_DOES_NOT_SUPPORT

NOT_RESOLVED.

Không nên gộp hai trạng thái sau.


26. Thành phần thứ sáu: kết quả của rule

Một rule tốt không chỉ trả:

true/false.

Nó cần trả:

applicability;

evaluation;

finding class;

severity;

evidence;

explanation.

Ví dụ:

APPLICABLE = TRUE

CONDITION = UNKNOWN

FINDING = INFO_EVIDENCE

khác hoàn toàn:

APPLICABLE = TRUE

CONDITION = FALSE

FINDING = PAYMENT_CONDITION.


27. Finding class và severity phải tách nhau

Ví dụ:

lỗi format một field

có thể là:

ERROR_TECH

nhưng financial impact thấp.

Một payment condition:

ảnh hưởng 500 triệu

có thể priority rất cao.

Do đó:

bản chất finding

khác:

mức độ ưu tiên xử lý.


28. Classification Dr5 nên tiếp tục giữ

ERROR_TECH

Đã xác định lỗi kỹ thuật.

INFO_EVIDENCE

Chưa đủ dữ liệu/evidence.

WARN_REVIEW

Có tín hiệu cần xem xét nhưng chưa chứng minh vi phạm.

PAYMENT_CONDITION

Condition thanh toán cụ thể áp dụng và đủ evidence chứng minh không đạt.

MISSED_REVENUE

Phát hiện khoản chi hợp lệ có khả năng bị bỏ sót.

PASS

Rule áp dụng và không phát hiện vấn đề trên dữ liệu hiện có.


29. Không biến mọi condition FALSE thành PAYMENT_CONDITION

Một condition có thể thuộc:

  • data quality;
  • clinical review;
  • internal policy;
  • safety;
  • analytics.

Chỉ condition thuộc:

payment domain

và có:

căn cứ phù hợp

mới tạo:

PAYMENT_CONDITION.


30. Điều 10 cho thấy kết quả chính thức cũng không chỉ có một loại

Kết quả giám định tự động có thể gồm:

  • hồ sơ đúng quy định;
  • chi phí bị từ chối;
  • trường hợp không đủ thông tin đối với các nội dung cụ thể.

Điều này củng cố nguyên tắc:

hệ thống kiểm tra không nên ép mọi trường hợp thành binary.


31. Thành phần thứ bảy: căn cứ

Một finding không nên chỉ nói:

“Theo quy định.”

Cần biết:

  • văn bản;
  • số văn bản;
  • điều;
  • khoản;
  • điểm;
  • phụ lục;
  • dòng/mục nếu applicable;
  • ngày hiệu lực;
  • sửa đổi/bổ sung;
  • nguồn dữ liệu.

Đây là:

dr5_legal_basis.


32. Legal basis không nên chỉ lưu tên văn bản

Ví dụ:

“QĐ 3176”.

Không đủ.

Một quyết định có thể sửa:

nhiều field khác nhau.

Cần dẫn đến:

đúng nội dung tạo rule.


33. Phải quản lý amendment chain

Quy định áp dụng không đơn giản là:

văn bản gốc.

Nguyên tắc đã xác lập ở Loạt 1:

Quy định áp dụng = văn bản gốc + sửa đổi/bổ sung còn hiệu lực − nội dung đã bãi bỏ + danh mục đúng phiên bản + quy định chuyển tiếp.

Rule engine phải resolve:

applicable rule set.

Không đọc một văn bản đơn lẻ cô lập.


34. Căn cứ cũng có thể không phải văn bản pháp luật

Một ANALYTIC_SCREENING rule có thể có nguồn:

benchmark nội bộ.

Khi đó:

không được tạo dr5_legal_basis giả.

UI phải hiển thị:

source = internal analytics.

Đây là vấn đề provenance.


35. Thành phần thứ tám: effective period

Mỗi rule cần biết:

bắt đầu khi nào;

kết thúc khi nào;

thay thế rule nào;

có giai đoạn chuyển tiếp không.

Nếu không:

rule mới sẽ được dùng sai cho hồ sơ cũ.


36. Không sửa rule cũ khi pháp luật thay đổi

Ví dụ:

condition V1 áp dụng đến 30/6.

V2 áp dụng từ 1/7.

Không nên sửa V1 thành nội dung V2.

Phải:

đóng V1

và:

tạo V2.

Nhờ đó hồ sơ tháng 5 vẫn có thể:

re-evaluate đúng.


37. Một rule hoàn chỉnh có thể được hình dung bằng mô hình

Source

→ Applicability

→ Input resolution

→ Evidence resolution

→ Condition evaluation

→ Exception evaluation

→ Outcome classification

→ Explanation

→ Legal/source provenance.

Nếu bất kỳ mắt xích nào không xác định được:

kết quả phải phản ánh uncertainty.


38. Không nên đánh giá condition trước applicability

Thứ tự nên là:

Rule applicable?

Nếu không:

stop = NOT_APPLICABLE.

Nếu có:

resolve input.

Nếu thiếu:

UNKNOWN.

Nếu đủ:

evaluate condition.

Cách này giảm false positive đáng kể.


39. Exception nên được đánh giá ở vị trí rõ ràng

Một cấu trúc có thể là:

applicable

→ primary condition fails

→ exception applicable?

Nếu exception đúng:

valid exception.

Nếu không:

finding.

Tuy nhiên thứ tự cụ thể tùy loại rule.

Quan trọng là:

exception phải là thành phần rõ ràng, không ẩn trong code.


40. Không nên hard-code exception trong Python

Ví dụ:

if service == X and patient_type != A and department != B ...

Sau vài năm sẽ không ai biết:

điều kiện nào là rule chính;

điều kiện nào là exception;

điều kiện nào đến từ văn bản nào.

Exception nên được:

cấu hình và có provenance.


41. Ví dụ 1 — Rule required field

Giả sử một trường X:

chỉ bắt buộc trong context Y.

Rule không nên là:

X must not be blank.

Mà phải là:

Applicability

context = Y.

Input

field X.

Condition

X có giá trị phù hợp.

Exception

các tình huống văn bản quy định không áp dụng.

Result

nếu thiếu thật sự → ERROR_TECH.

Basis

chuẩn dữ liệu applicable.

Đây là:

contextual requiredness.


42. Ví dụ 2 — Rule catalog membership

Giả sử field X phải dùng mã của danh mục Y.

Applicability

event thuộc giai đoạn danh mục Y có hiệu lực.

Input

code X + event date + facility nếu relevant.

Candidate resolution

resolve đúng catalog/version.

Condition

code ∈ applicable catalog.

Result

không tồn tại → ERROR_TECH hoặc classification phù hợp.

Không kiểm tra:

code ∈ catalog hiện tại.

Phải:

code ∈ catalog(event_date).


43. Ví dụ 3 — Rule payment condition

Giả sử khoản chi X có một điều kiện thanh toán Y theo văn bản.

Rule phải có:

Applicability

X thuộc đúng phạm vi của Y.

Inputs

dữ liệu xác định điều kiện.

Evidence

nguồn chứng minh Y.

Exceptions

trường hợp được loại trừ nếu văn bản có.

Evaluation

TRUE / FALSE / UNKNOWN.

Outcome

  • TRUE → PASS;
  • UNKNOWN → INFO_EVIDENCE;
  • FALSE + đủ evidence → PAYMENT_CONDITION.

Đây là mẫu quan trọng nhất.


44. Không được bỏ bước UNKNOWN trong payment rule

Nếu condition Y cần:

tài liệu HSBA

mà Dr5 chưa truy cập HSBA,

thì:

UNKNOWN.

Không được:

FALSE.

Công thức quan trọng:

Absence of retrieved evidence ≠ evidence of absence.


45. Ví dụ 4 — Rule analytics

Giả sử:

frequency X > P95.

Source

internal analytics.

Applicability

population định nghĩa rõ.

Inputs

business events đã deduplicate.

Condition

frequency > P95.

Result

WARN_REVIEW.

Legal basis

không có nếu đây chỉ là benchmark nội bộ.

Không được đổi:

WARN_REVIEW → PAYMENT_CONDITION

chỉ vì mức chênh lớn.


46. Một rule phải biết “đang kiểm tra cái gì”

Rule nên có một domain như:

  • XML/data;
  • catalog;
  • entitlement;
  • payment;
  • clinical;
  • safety;
  • analytics.

Điều này giúp:

routing và UI.

Không nhất thiết phải tạo thêm catalog.


47. Các thành phần rule không nhất thiết đều nằm trong một bảng

Dr5 đã thống nhất sáu catalog chuẩn.

Rule có thể được hình thành bằng:

nhiều record liên kết.

Ví dụ:

field metadata

từ dr5_xml_field;

requiredness

từ dr5_xml_required;

relation

từ dr5_xml_relation;

catalog

từ dr5_catalog_binding;

payment condition

từ dr5_payment_condition;

căn cứ

từ dr5_legal_basis.

Không cần:

một bảng dr5_rule_everything.


48. dr5_xml_field trả lời “dữ liệu là gì”

Có thể mô tả:

  • bảng;
  • tên trường;
  • datatype;
  • length;
  • format;
  • version.

Engine không cần:

hard-code từng field.


49. dr5_xml_required trả lời “khi nào phải có”

Đây là:

applicability của requiredness.

Ví dụ một field:

bắt buộc với A

nhưng:

không áp dụng với B.

Catalog này giúp tránh:

kiểm tra NOT NULL đại trà.


50. dr5_xml_relation trả lời “dữ liệu phải liên hệ thế nào”

Các relation có thể gồm:

  • arithmetic;
  • temporal;
  • cross-table;
  • conditional reference;
  • provider context;
  • service-supply;
  • equipment.

Engine chỉ cần generic evaluator.


51. dr5_catalog_binding trả lời “đối chiếu danh mục nào”

Một field có thể thay catalog theo:

  • thời gian;
  • cơ sở;
  • context.

Candidate resolver sử dụng binding để:

tìm candidate catalog.

Không để từng rule tự hard-code.


52. dr5_payment_condition trả lời “khoản chi cần đáp ứng điều kiện gì”

Đây là lớp quan trọng để:

tách payment knowledge

khỏi:

Python implementation.

Một generic condition evaluator có thể xử lý nhiều condition khác nhau.


53. dr5_legal_basis trả lời “vì sao condition tồn tại”

Không chỉ để:

hiển thị citation.

Nó còn dùng cho:

  • version;
  • effective period;
  • amendment;
  • provenance;
  • audit.

54. Generic implementation mới chỉ cần khi xuất hiện logic mới

Ví dụ engine đã biết:

membership;

arithmetic;

temporal;

sequence;

rolling frequency;

relationship;

aggregate.

Nếu một quy định mới chỉ thay:

danh sách mã

thì:

cập nhật catalog.

Không viết implementation mới.


55. Đây là mục tiêu quan trọng của Dr5

Business change → data/catalog update.

Không phải:

Business change → source-code change.

Code chỉ thay đổi khi:

bản chất computation mới.


56. Rule authoring cần một bước “legal decomposition”

Trước khi đưa vào hệ thống, chuyên gia cần tách đoạn văn thành:

  1. chủ thể;
  2. đối tượng;
  3. sự kiện;
  4. điều kiện;
  5. ngoại lệ;
  6. evidence;
  7. outcome;
  8. effective period;
  9. basis.

Có thể gọi đây là:

rule decomposition sheet.


57. Sau legal decomposition mới đến technical mapping

Bước tiếp theo:

chủ thể → field nào?

đối tượng → table nào?

event → timestamp nào?

condition → generic operator nào?

evidence → source nào?

catalog → binding nào?

Nếu không map được:

rule chưa đủ điều kiện tự động hóa hoàn toàn.


58. Không map được không có nghĩa rule vô dụng

Có thể có ba cấp tự động hóa:

Fully automated

Đủ dữ liệu để kết luận.

Semi-automated

Máy phát hiện candidate, người bổ sung evidence.

Manual-supported

Dr5 chỉ đưa căn cứ và checklist cho reviewer.

Đây là cách tiếp cận an toàn hơn:

cố ép mọi rule thành automatic.


59. Một payment condition có thể thay đổi mức tự động hóa theo dữ liệu bệnh viện

Bệnh viện A có EMR đầy đủ:

rule có thể tự động 90%.

Bệnh viện B chỉ có XML:

cùng rule chỉ hỗ trợ 40%.

Do đó:

legal condition giống nhau

nhưng:

automation capability khác nhau.

Không nên sửa nghĩa rule để phù hợp dữ liệu thiếu.


60. Rule phải biết dữ liệu nào “không quan sát được”

Có thể khai báo:

required_external_evidence.

Nếu source chưa tích hợp:

evaluator trả UNKNOWN.

Điều này tốt hơn:

bỏ luôn rule

hoặc:

đoán FALSE.


61. Cần phân biệt input missing và condition failed

Input missing

chưa đủ dữ liệu để đánh giá.

Condition failed

đủ dữ liệu và xác định không đạt.

Hai trạng thái phải dẫn đến:

hai workflow khác nhau.


62. Input missing tạo task bổ sung evidence

Owner có thể là:

khoa;

LIS;

Dược;

CNTT.

Condition failed có thể tạo:

correction/review/payment workflow.

Không nên route cả hai giống nhau.


63. Rule cũng cần biết kết quả nào có thể sửa

Ví dụ:

Data error

Có thể:

sửa source.

Historical event

Không thể:

sửa sự kiện đã không xảy ra.

Evidence missing nhưng sự kiện có thật

Có thể:

hoàn thiện đúng hồ sơ trong phạm vi cho phép.

Payment condition thực sự không đạt

Có thể:

không tiếp tục đề nghị khoản chi.

Hệ thống nên hỗ trợ:

resolution path phù hợp.


64. Không nên đề xuất “sửa thành giá trị hợp lệ” nếu không biết sự thật

Ví dụ code khoa không khớp.

Dr5 không nên:

chọn code gần nhất rồi sửa.

Nó chỉ nên:

chỉ ra giá trị hiện tại;

candidate/catalog expected;

yêu cầu xác minh source truth.


65. Explanation phải được sinh từ cấu trúc rule

Nếu rule được mô hình tốt, finding có thể tự tạo nội dung:

Rule áp dụng vì...

Dữ liệu quan sát...

Điều kiện yêu cầu...

Evidence...

Kết quả...

Căn cứ...

Không cần:

viết tay message riêng cho hàng nghìn rule.


66. Nhưng message người dùng phải dễ hiểu hơn cấu trúc máy

Engine có thể dùng:

operator + operands.

UI nên nói:

“Mã khoa A không có trong danh mục áp dụng tại ngày ...”

thay vì:

catalog_membership=false.

Explainability có hai lớp:

machine trace

và:

human explanation.


67. Rule phải có owner nghiệp vụ trước khi publish

Một rule payment nên có:

chuyên gia BHYT/viện phí chịu trách nhiệm nội dung.

Rule chuyên môn:

người chuyên môn phù hợp.

Rule kỹ thuật:

CNTT + nghiệp vụ chuẩn dữ liệu.

Không nên để:

coder quyết định business meaning.


68. Phê duyệt rule khác phê duyệt code

Code implementation generic có thể đã được test.

Nhưng một record:

condition mới

vẫn cần:

business approval.

Hai quy trình:

software release

và:

knowledge publication

nên được phân biệt.


69. Một rule draft phải có trạng thái

Có thể dùng:

DRAFT

→ REVIEWED

→ TESTED

→ PUBLISHED

→ RETIRED.

Nếu rule thay đổi:

tạo version mới.

Không sửa thẳng:

published rule.


70. Rule phải test được từ definition

Một definition tốt phải cho phép tạo:

Positive case

Condition không đạt.

Negative case

Condition đạt.

Not applicable case

Rule không áp dụng.

Missing evidence case

Kết quả UNKNOWN.

Exception case

Không cảnh báo sai.

Boundary case

Đúng ngày/ngưỡng chuyển đổi.

Nếu không thể thiết kế test:

rule definition có thể còn mơ hồ.


71. Không nên publish rule khi chưa biết expected output

Ví dụ người viết chỉ nói:

“kiểm tra thuốc này.”

Chưa đủ.

Phải xác định:

nếu phát hiện thì kết quả là gì?

error?

warning?

evidence request?

payment condition?

Rule không có outcome definition:

chưa hoàn chỉnh.


72. Mỗi rule nên có “certainty ceiling”

Một rule chỉ sử dụng XML có thể tối đa đạt:

WARN_REVIEW

nếu condition thật sự cần HSBA.

Không nên cho evaluator:

nâng quá mức evidence mà rule có thể quan sát.

Đây là một biện pháp chống false positive rất mạnh.


73. Có thể định nghĩa max_finding_class

Ví dụ:

Statistical rule

max = WARN_REVIEW.

Missing-evidence rule

max = INFO_EVIDENCE.

Deterministic payment rule có đủ evidence

có thể = PAYMENT_CONDITION.

Đây là metadata nội bộ hữu ích.


74. Rule phải có dependency rõ ràng

Một condition có thể phụ thuộc:

catalog resolution thành công.

Nếu catalog chưa resolve:

payment evaluation không nên tiếp tục.

Ví dụ pipeline:

field valid?

→ catalog resolved?

→ condition applicable?

→ evidence sufficient?

→ evaluate.

Không nhảy tầng.


75. Đây là “fail safely”

Nếu một dependency thất bại:

không tự động kết luận bất lợi cho hồ sơ.

Kết quả có thể là:

INFO_EVIDENCE

hoặc:

TECHNICAL_DEPENDENCY_ERROR.

Không:

PAYMENT_CONDITION.


76. Thứ tự đánh giá rất quan trọng

Một pipeline phù hợp:

1. Resolve rule version

2. Check applicability

3. Resolve inputs

4. Validate input quality

5. Resolve catalog/context

6. Resolve evidence

7. Evaluate primary condition

8. Evaluate exceptions

9. Classify outcome

10. Attach explanation and basis.

Đây là đề xuất kỹ thuật nội bộ.


77. Không dùng legal basis như decoration sau khi rule đã code

Cách sai:

code logic trước

→ sau đó tìm một văn bản để gắn vào.

Cách đúng:

legal/business requirement

→ decomposition

→ rule definition

→ implementation

→ test.

Legal basis là:

input của quá trình thiết kế.

Không phải:

chú thích cuối cùng.


78. Nếu căn cứ không đủ rõ, rule phải hạ mức certainty

Có thể chỉ triển khai:

WARN_REVIEW

thay vì:

PAYMENT_CONDITION.

Không nên cố biến:

ambiguity của văn bản

thành:

certainty của code.

Máy không nên “chắc chắn hơn” nguồn pháp lý.


79. Nếu nhiều cách hiểu tồn tại, phải ghi nhận

Có thể:

rule chưa publish;

hoặc:

publish advisory;

hoặc:

tạo case cần cấp có thẩm quyền.

Đây là cách an toàn hơn:

chọn một interpretation rồi tự xem đó là pháp luật.


80. Điều 16 đặc biệt quan trọng trong trường hợp tiêu chí kỹ thuật chưa biết đầy đủ

BHXH Việt Nam có thẩm quyền ban hành tiêu chí, tiêu chuẩn cho Hệ thống thông tin giám định.

Nếu Dr5 không có:

tiêu chí chính thức cụ thể,

thì không được:

reverse-engineer một số phản hồi rồi gọi đó là tiêu chí BHXH.

Có thể xây:

internal simulation

nhưng phải gắn nhãn đúng.


81. Có thể học từ kết quả giám định nhưng không đổi nguồn rule

Ví dụ qua lịch sử thấy:

BHXH thường phản hồi pattern X.

Dr5 có thể tạo:

ANALYTIC_SCREENING candidate.

Sau đó:

tìm căn cứ.

Nếu chưa có căn cứ:

vẫn là screening.

Không nâng thành:

official technical rule.


82. Một rule definition tốt nên trả lời được chín câu hỏi

  1. Nguồn nào tạo ra rule?
  2. Rule áp dụng cho ai/cái gì?
  3. Ngày nào quyết định applicability?
  4. Cần dữ liệu nào?
  5. Condition nào phải đạt?
  6. Có ngoại lệ nào?
  7. Evidence nào đủ?
  8. Nếu TRUE/FALSE/UNKNOWN thì kết quả gì?
  9. Căn cứ và version nào?

Nếu chưa trả lời được:

chưa nên code production.


83. Mẫu cấu trúc khái niệm của một rule

Có thể hình dung:

Rule ID: ...

Source type: LEGAL / OFFICIAL_TECHNICAL / INTERNAL / ANALYTIC

Purpose: data / payment / quality / safety

Applicability: ...

Event date: ...

Inputs: ...

Evidence: ...

Condition: ...

Exceptions: ...

TRUE outcome: ...

FALSE outcome: ...

UNKNOWN outcome: ...

Effective from/to: ...

Legal/source basis: ...

Owner: ...

Implementation: generic...

Đây là thiết kế nội bộ Dr5, không phải biểu mẫu do Thông tư quy định.


84. Ví dụ logic đánh giá tổng quát

Có thể mô tả bằng pseudo-flow:

IF rule not applicable

→ NOT_APPLICABLE

ELSE IF required input unavailable

→ UNKNOWN

ELSE IF evidence unresolved

→ UNKNOWN

ELSE IF condition satisfied

→ PASS

ELSE IF valid exception

→ PASS_WITH_EXCEPTION

ELSE

→ finding theo classification của rule.

Điều quan trọng:

không có nhánh “missing → fail”.


85. PASS_WITH_EXCEPTION nên được lưu riêng trong audit

Từ góc người dùng:

hồ sơ có thể tiếp tục.

Nhưng hệ thống vẫn cần biết:

rule chính không đạt nhưng exception hợp lệ.

Dữ liệu này rất hữu ích để:

  • phân tích exception;
  • kiểm thử;
  • cập nhật rule.

86. Một exception phổ biến bất thường cũng là signal

Nếu:

80% hồ sơ đều dùng exception,

có thể:

  • rule applicability quá rộng;
  • workflow sai;
  • exception thực chất là common case.

Do đó analytics về rule usage cũng quan trọng.


87. Rule outcome cần được nối với resolution workflow

Ví dụ:

ERROR_TECH

→ sửa dữ liệu.

INFO_EVIDENCE

→ bổ sung/xác minh evidence.

WARN_REVIEW

→ chuyên môn/nghiệp vụ rà soát.

PAYMENT_CONDITION

→ correction/payment review.

Một finding không có:

resolution path

sẽ tạo backlog.


88. Không phải người phát hiện rule là người xử lý

Rule có thể chạy tại:

pre-submission.

Nhưng finding:

thiếu kết quả

phải trả về:

khoa CLS hoặc khoa điều trị.

Do đó rule definition nên có:

routing/owner metadata.


89. Một rule hoàn chỉnh còn cần khả năng re-evaluate

Sau khi:

  • sửa input;
  • bổ sung evidence;
  • cập nhật source;

rule phải:

chạy lại.

Finding không nên được đóng bằng:

thao tác thủ công đơn giản.


90. Việc đóng finding phải dựa trên kết quả mới

Ví dụ:

trước: UNKNOWN.

Sau bổ sung evidence:

TRUE.

Finding:

resolved.

Nếu evidence cho thấy:

FALSE,

finding có thể:

nâng classification.

Đây là:

evidence-driven state transition.


91. Cần giữ lịch sử đánh giá

Không overwrite:

UNKNOWN → FALSE

mà mất UNKNOWN.

Nên giữ:

Evaluation 1: UNKNOWN

evidence added

Evaluation 2: FALSE.

Nhờ đó có:

audit trail.


92. Rule architecture phải hỗ trợ cả retrospective và prospective evaluation

Prospective

Cảnh báo khi chỉ định/thực hiện.

Retrospective

Kiểm tra hồ sơ cũ.

Cùng rule definition có thể dùng cả hai nếu:

version + event date + evidence

được resolve đúng.


93. Hồ sơ cũ không được đánh giá bằng condition mới

Đây là reason phải gắn:

effective_from

effective_to.

Nếu không:

retrospective audit sẽ tạo false finding.

Bài 8.6 sẽ đi sâu vấn đề này.


94. Kiến trúc này cũng giúp tránh source-code explosion

Ví dụ có:

1.000 thuốc

với:

20 loại điều kiện.

Không cần:

1.000 Python classes.

Có thể:

vài generic implementations

  • hàng nghìn catalog records.

Đây chính là:

data-driven rule engine.


95. Một generic implementation nên chỉ biết “cách tính”

Ví dụ:

catalog_membership

biết:

kiểm tra một candidate trong một catalog.

Nó không cần biết:

mã thuốc A hay dịch vụ B.

Catalog cung cấp:

business knowledge.


96. Đây là nguyên tắc bảo trì dài hạn

Khi một danh mục thay đổi:

cập nhật dữ liệu.

Khi một condition thay đổi:

tạo condition version.

Khi một văn bản bị thay thế:

cập nhật legal-basis relationship.

Chỉ khi xuất hiện:

toán tử hoặc kiểu relation mới

mới sửa engine.


97. Không phải tất cả rule đều cần nằm trong sáu catalog

Sáu catalog quản lý:

knowledge kiểm tra chuẩn/pháp lý.

Nhưng các metadata workflow như:

  • control point;
  • owner;
  • SLA;
  • UI enforcement;
  • review status

thuộc:

execution/workflow layer.

Không nên nhét mọi thứ vào catalog.


98. Điều này giúp giữ catalog ổn định

Nếu mỗi thay đổi UI lại:

sửa legal catalog,

kiến trúc sẽ bị trộn.

Knowledge layer trả lời:

phải kiểm tra gì và vì sao.

Workflow layer trả lời:

kiểm tra ở đâu, ai xử lý và xử lý thế nào.


99. Một rule tốt phải có thể giải thích bằng ngôn ngữ tự nhiên

Nếu chuyên gia nghiệp vụ đọc rule mà không thể trả lời:

“Tại sao rule này cảnh báo?”

thì rule chưa đủ explainable.

Machine-readable và human-readable phải:

sinh từ cùng một definition.


100. Mục tiêu cuối cùng của quá trình “quy định → rule”

Không phải:

đưa toàn bộ văn bản pháp luật vào code.

Mà là:

chuyển những phần có thể kiểm tra thành knowledge có cấu trúc, giữ lại đầy đủ phạm vi, ngoại lệ, uncertainty, căn cứ và thời gian hiệu lực.


Kết luận

Biến quy định thành quy tắc kiểm tra không phải là:

tìm một câu chứa “phải” rồi viết một câu if.

Một rule production cần tối thiểu trả lời:

Rule đến từ đâu?
→ áp dụng cho ai?
→ tại thời điểm nào?
→ cần dữ liệu gì?
→ cần evidence gì?
→ condition nào phải đạt?
→ ngoại lệ nào được phép?
→ thiếu dữ liệu thì xử lý thế nào?
→ nếu không đạt thì finding thuộc loại gì?
→ căn cứ nào chứng minh kết luận đó?

Mười nguyên tắc cần nhớ:

Phải tách yêu cầu pháp lý khỏi giải pháp CNTT nội bộ.

Phải phân biệt rule pháp lý, tiêu chí kỹ thuật chính thức, rule kiểm soát nội bộ và analytics screening. Điều 16 giao BHXH Việt Nam ban hành hướng dẫn kỹ thuật và tiêu chí, tiêu chuẩn áp dụng trên Hệ thống thông tin giám định BHYT.

Applicability phải được đánh giá trước condition; rule không áp dụng không được coi là PASS hay FAIL.

Input thiếu hoặc evidence chưa resolve phải tạo UNKNOWN/INFO_EVIDENCE, không được mặc định thành vi phạm.

Điều 10 cũng thừa nhận trường hợp giám định tự động chưa đủ thông tin để xác định điều kiện thanh toán đối với một số nội dung cụ thể.

Ngoại lệ phải được mô hình hóa rõ và có nguồn; không được ẩn trong source code hoặc thêm tùy tiện chỉ để giảm cảnh báo.

Condition nên atomic để mỗi finding có một nguyên nhân, một evidence chain và một căn cứ rõ ràng.

Finding class phải tách khỏi severity và monetary priority; số tiền lớn không làm một cảnh báo thống kê trở thành payment condition.

Legal basis và effective period là thành phần của rule ngay từ lúc thiết kế, không phải chú thích bổ sung sau khi code xong.

Đa số thay đổi nghiệp vụ phải được xử lý bằng cập nhật sáu catalog có phiên bản; source code chỉ thay đổi khi xuất hiện một loại logic generic mới.

Đối với Dr5-XML, Bài 8.2 có thể tóm tắt thành mô hình:

Source
→ Applicability
→ Input
→ Evidence
→ Condition
→ Exception
→ Evaluation
→ Finding
→ Explanation
→ Legal Basis.

Và công thức an toàn nhất khi xây rule là:

**Applicable rule

  • correct event date
  • sufficient input
  • sufficient evidence
  • demonstrated condition failure
    = finding phù hợp với đúng mức độ chắc chắn.**

Riêng với PAYMENT_CONDITION, yêu cầu phải chặt hơn:

**đúng quy định áp dụng

  • đúng đối tượng
  • đúng thời điểm
  • đủ bằng chứng
  • chứng minh condition không đạt
    → mới kết luận nguy cơ/vi phạm điều kiện thanh toán tương ứng.**

Nếu thiếu bất kỳ mắt xích quan trọng nào:

hệ thống phải biết nói:

“chưa đủ dữ liệu để kết luận.”

Đó không phải là điểm yếu của Dr5.

Ngược lại, đó là đặc tính cần thiết của một hệ thống tiền giám định có căn cứ, có thể giải thích và đủ an toàn để được sử dụng trong môi trường khám chữa bệnh.