В России предложили систему предиктивного управления здравоохранением
Авторы исходят из того, что стабильная медицинская статистика не всегда свидетельствует об устойчивой работе системы. Приемлемые показатели могут некоторое время сохраняться за счет временных и компенсаторных решений. Одновременно могут увеличиваться сроки согласования мер, ухудшаться межведомственная координация и возрастать нагрузка на отдельные подразделения.
Ученые предлагают оценивать устойчивость не как фиксированное состояние, а как способность системы длительное время оставаться в допустимых границах функционирования. Для этого исследователи используют интегральный показатель адаптивности At, который должен обобщать данные о состоянии системы и показывать направление ее изменений.
Помимо At, предлагается учитывать параметры управляемости. Среди них – время между появлением проблемы и принятием решения, интенсивность взаимодействия между ведомствами и подразделениями, а также соотношение централизованных и функциональных механизмов управления. Например, число госпитализаций или охват диспансерным наблюдением могут оставаться стабильными. Однако если решения принимаются все медленнее, а обмен информацией между участниками системы ухудшается, AURA должна определять такую ситуацию не как устойчивость, а как компенсаторный режим.
Это означает, что текущие результаты пока поддерживаются, но для этого требуется все больше управленческих усилий. Без вмешательства система может приблизиться к границе, после которой компенсировать возрастающую нагрузку прежними методами уже не получится.
Архитектура предусматривает взаимодействие трех управленческих контуров. Операционный контур отвечает за повседневную работу медицинской системы. Прогнозно-аналитический контур изучает тенденции и возможные сценарии развития. Нормативный контур устанавливает допустимые границы показателей и определяет, при каких значениях необходимо вмешательство. Например, руководство может установить максимально допустимый срок реакции на проблему или минимально приемлемый уровень взаимодействия между подразделениями. Если эти границы нарушаются, система должна сформировать предупреждение, даже когда клинические показатели еще не ухудшились.
Для проведения расчетов авторы предлагают создать программный модуль AURA-ML. Он должен автоматически получать сведения из медицинских, ведомственных и управленческих информационных систем, объединять их и рассчитывать показатель адаптивности At. Затем математическая модель будет оценивать, как этот показатель может измениться в будущем и приближается ли система к зоне риска.
Надежность прогнозов предлагается проверять по нескольким показателям. Коэффициент R² должен показывать, насколько хорошо модель объясняет изменения адаптивности системы. Средняя абсолютная ошибка – насколько в среднем прогноз отклоняется от фактического результата. Среднеквадратичная ошибка сильнее учитывает крупные промахи и позволяет выявлять ситуации, когда модель особенно серьезно ошибается. Так, чем ниже значения ошибок и выше объясняющая способность модели, тем надежнее ее прогнозы.
Результаты расчетов планируется отображать на управленческом дашборде. Показатель адаптивности предлагается разделить на три зоны: нормального функционирования, компенсаторного режима и риска утраты управляемости. Отдельно панель должна показывать динамику клинических результатов и внутренних управленческих параметров.
Такой формат позволит руководителям увидеть ситуацию, при которой показатели заболеваемости, госпитализаций или охвата наблюдением остаются стабильными, но внутренние возможности системы постепенно сокращаются. Традиционные панели ключевых показателей преимущественно фиксируют уже произошедшие изменения, тогда как AURA должна оценивать, насколько система приблизилась к критическому режиму.
Внедрять архитектуру разработчики предлагают поэтапно. Сначала планируется определить границы пилотного проекта, провести аудит данных и сформировать рабочую группу, затем – разработать математическую модель, автоматизировать сбор информации и создать прототип дашборда. После этого систему предполагается запустить в «теневом» режиме, когда ее прогнозы будут сравниваться с фактическим развитием ситуации без использования для принятия управленческих решений. Завершающий этап включает обучение пользователей, сбор обратной связи и доработку алгоритмов и интерфейса на основе результатов пилотной эксплуатации.
После апробации AURA может быть включена в регулярные управленческие процессы – в повестку оперативных совещаний, подготовку годовых планов и проведение сценарного анализа. Система должна стать не отдельным экспериментальным продуктом, а постоянным инструментом руководителей.
Эффективность внедрения авторы предлагают оценивать не только по точности прогнозов. Среди других показателей – частота использования системы на совещаниях, доля решений, основанных на ее данных, скорость подключения новых подразделений, принятие технологии сотрудниками и экономическая отдача. При этом высокое формальное использование системы еще не означает успешного внедрения. Если сотрудники регулярно открывают дашборд, но его прогнозы не влияют на решения, а экономического или организационного эффекта нет, использование AURA может оставаться декларативным.
Разработчики отмечают, что архитектура рассчитана прежде всего на региональные и ведомственные системы с регулярной отчетностью, едиными правилами работы и устойчивым обменом информацией. В полностью децентрализованной системе, где отсутствуют общие нормативы и связи между участниками, применение подхода будет ограничено. По мнению авторов, в дальнейшем подход может применяться в психиатрии, наркологии, онкологии, кардиологии и системах диспансерного наблюдения.
Развитие подобных систем происходит на фоне продолжающейся цифровизации здравоохранения. Институт статистических исследований и экономики знаний НИУ ВШЭ сообщал, что в 2024 году затраты на цифровизацию здравоохранения и социальных услуг составили 55,6 млрд рублей. При этом внедрение цифровых решений по-прежнему ограничивают инфраструктурные факторы: технологии искусственного интеллекта используют лишь 4,1% медицинских организаций, а доступ к интернету со скоростью выше 100 Мбит/с имеют только 9% из них.
