
大数据在医保管理中的应用与发展方向
当前,医疗保险面临基金收支平衡压力增大、医疗服务违规行为多发、传统经验决策方式落后等多方面挑战,从信息化建设角度,人社部门推进全民参保登记、医保智能监控、支付方式改革和移动支付探索等工作,积极开展了医保大数据应用。但在应用过程中仍然面临数据质量有待提升、数据应用尚不充分、安全体系还需健全等问题。继续深化医保大数据应用,下一步应重点围绕四个方面:一是汇聚和完善医保大数据;二是加快大数据平台建设;三是持续助力医保业务发展;四是构建数据安全体系。
当前,在全民医保体系逐渐完善、人口老龄化趋势加剧、医疗需求快速释放、医疗费用不断攀升等因素的综合作用下,医疗保险面临基金收支平衡压力增大,医疗服务违规行为多发,传统经验决策方式落后等多方面挑战,如何充分利用大数据、“互联网+”等信息化手段,进一步支撑医疗保险在新形势下持续发展,实现全民医保、安全医保、科学医保和便捷医保,全面提升医保质量,是摆在我们面前的重要课题。
当前医保管理面临的困境
1医保基金收支平衡压力增大
随着生活水平提高,参保人更加关注健康,医疗需求不断上升,同时全民医保从制度全覆盖转向人员全覆盖,基本医保支出规模随之快速增长。这些因素都给医保基金平衡带来较大压力。2016年,人社部门管理的基本医疗保险参保人数7.44亿人,基金支出10767亿元。参保人享受医保待遇25亿人次。考虑到当前经济下行和人口老龄化的形势,未来医疗保险基金收支平衡压力更大。
2医疗服务违规行为多发
我国医保待遇支出高速增长,既有惠民生政策、人口老龄化、医疗技术进步、医疗成本上升等正常因素,更有大处方、乱检查、假发票等不合理因素。2016年审计署对医疗保险基金专项审计显示,一些医疗服务机构和个人通过虚假就医、分解住院、虚假异地发票等手段套取医保基金2亿余元。面对如此规模的支出,人工审核、抽查审核、固定规则审核等医保传统监管手段,对于日趋复杂的医保基金使用场景难以全面覆盖,对于日益隐蔽的医疗服务违规行为难以有效识别。
3传统经验决策方式落后
过去医保政策制定和效率评估往往依赖业务知识和工作经验。随着参保人数的快速增长,医疗行为的复杂变化、医保经办人手普遍吃紧,传统的经验决策方式越来越无法满足业务发展需求,在当前信息技术快速发展、医疗数据不断积累的基础上,充分利用先进技术手段,深入挖掘海量数据资源优势,通过制度运行模拟、政策效率评估、资金压力测试等方式,辅助实现决策高效化、科学化、精确化,是医保业务发展的必然要求。
医保大数据的应用
社会保险信息化多年来秉承全国统一规划、统一建设的原则,伴随统筹层次提升,推进数据向上集中、服务向下延伸,逐步奠定了坚实的数据基础。利用渐成规模的医保大数据,人社部门积极推动多项应用,遏制违规行为,辅助科学决策,保护基金安全。
1推动全民参保计划,实现全民医保
党的十八届五中全会通过的《中共中央关于制定国民经济和社会发展第十三个五年规划的建议》明确提出“实施全民参保计划,基本实现法定人员全覆盖”。2017年,人社部加快推进全民参保登记系统建设、部省对接、数据上报等工作,目前已基本形成部省两级全民参保登记库,支持摸清法定未参保人员情况,助力全民参保计划,实现应参尽参。截至2017年底,各省共计上报包括医疗保险在内的人员参保信息30.42亿条,为下一步参保扩面提供了有力的数据支撑。
2实施医保智能监控,打造安全医保
2012年,人社部组织建设了医保智能监控系统,针对门诊、住院等不同业务环节设计了500余条监控规则,对频繁就医、分解住院、过高费用、大处方、药占比异常等常见违规医疗服务行为进行监控,监控对象涵盖医疗服务机构、医师、参保人员等。2014年,在前期工作基础上,人社部下发《关于进一步加强基本医疗保险医疗服务监管的意见》(人社部发〔2014〕54号),明确了监管途径、各方职责、问题处理程序等。近几年,开展医保智能监控工作的统筹地区数量不断增加,目前全国超过90%以上的统筹地区已全面开展智能监控工作。通过全场景、全环节、全时段自动监控的震慑作用,遏制了大量潜在违法、违规行为,保障了参保人员权益和医保基金安全。
3推广支付方式改革,促进科学医保
近年来,基于过去多年积累的医保数据,人社部门广泛开展了优化支付方式工作,积极推行复合式医保支付方式探索。2017年,国务院办公厅下发了《关于进一步深化基本医疗保险支付方式改革的指导意见》(国办发〔2017〕55号),对改革目标提出了明确要求。目前绝大部分地区均开展了总额控制,分析医保历史数据是医保部门与医疗机构协商制定总额的主要依据。此外部分地区在单病种、DRGs等支付方式的探索过程中也充分利用了医保数据。如沈阳市从2015年开始探索DRGs支付,应用本地医保支付数据,优化DRGs分组。上海强化数学模型在医保预算中的应用,同步推进按病种付费。
4探索医保移动支付,引导便捷医保
《“互联网+人社”2020行动计划》(人社部发〔2016〕105号)提出“支付结算”行动主题,要求建设人力资源和社会保障支付结算平台,拓展社会保障卡线上支付结算模式。社会保障卡经过十九年建设发展,为线上应用打下了深厚基础,具有身份凭证、信息记录、自助查询、就医结算、缴费和待遇领取、金融支付等功能,已成为持卡人方便快捷享受人力资源和社会保障权益及其他政府公共服务的电子凭证。各地根据文件精神,结合“互联网+”要求,积极探索实践医保移动支付,如杭州、武汉、深圳、昆明等地参保人可通过手机完成门诊费用医保支付,缓解窗口排队压力;沈阳、天津、嘉兴、珠海等地参保人可线上购药,通过手机或移动POS刷卡完成医保支付,改善用户体验。
医保大数据的应用挑战
1数据质量有待提升
一是数据不完整。从各地层面,社会保险信息系统管理的医保数据主要集中在参保、结算类基本数据,医疗行为过程中的医嘱、病历、药品进销存、检查检验报告等数据没有全面采集,服务反馈、治疗效果类数据,以及日志、视频、文件等非结构化数据普遍缺失,制约了医保智能监控、支付方式改革等应用的深入开展,难以支撑面向参保人开展精准服务。从部级层面,自2009年开展医保联网监测指标上报以来,各地按月向人社部上报数据,医保主要包括参保、享受待遇、定点医疗机构等基本信息,缺乏业务明细信息。
二是数据时效性不强。医保联网监测数据按月上报,支持了部级基金监管、宏观决策、社会保险参保待遇比对查询等多项系统应用。但按月更新的数据时效难以满足全国统筹、重点业务实时监控等新业务需要。
三是数据准确性不高。从部级联网监测数据来看,虽然数据规模、覆盖人群快速增长,但仍然存在各险种、各业务基本信息、业务状态信息不一致,部分代码使用不标准、不规范,甚至存在不少错误或无效信息等问题,对数据的深入分析和广泛应用带来较大影响。
2数据应用尚不充分
一是数据应用意识不足。近年来,人社部门逐渐认识到数据的巨大价值,积极开展数据应用,但相较于人社部门管理的大数据,已开发的数据只是冰山一角,海量数据还在“沉睡”,沉睡数据中的问题不断累积,反过来影响数据应用工作开展。毕竟只有持续应用,才能从根本上促进数据质量提升。
二是对“问题数据”重视不够。明显异常的数据一部分是数据质量低下的垃圾数据,也有部分是客观业务问题导致数据错误。在数据应用过程中,常常首先筛除异常数据,实际上也筛除了可能存在的问题和风险。大数据时代,更要培养重视异常数据的意识,善于从中发现问题、防范风险,逐步减少“问题数据”,提升数据质量。
三是跨业务数据应用不足。目前对数据的开发应用,多集中于单业务板块,跨业务联动应用不足,如社保与就业数据关联分析、就医信息与人员生存状态的结合判断等。数据只有真正融会贯通,才能激发新思路,创造新价值。
3安全体系还需健全
2014年,人社部先后下发了《人力资源和社会保障数据中心应用系统安全管理规范(试行)》(人社厅发〔2014〕47号)和《人力资源和社会保障数据中心数据库安全管理规范(试行)》(人社厅发〔2014〕48号),从具体操作层面对应用系统和数据库安全提出了规范要求。然而,大数据环境下数据链条变长、数据规模增长、数据来源多样、数据流动性增强,使得数据安全保护难度加大,个人信息泄露风险加剧,传统的安全控制措施面临挑战。
医保大数据的发展方向
1汇聚和完善医保大数据
一是夯实基础信息。统筹全民参保登记库和持卡人员基础信息库建设,完善部级人员、单位基础信息库,准确掌握服务对象基本情况,进一步发挥人社基础性信息库作用,实现一数一源、“一人一卡”。
二是整合信息资源。从数据上报时效上,优化联网监测数据上报机制,由按月上报调整为按日实时更新;从数据上报粒度上,扩充上报指标,补充明细业务数据。从数据收集来源上,利用互联网、移动终端等渠道增加信息收集来源,补充医疗服务结果、质量、满意度等类数据,同时推动与医保局、卫健委等部门间数据共享,实现数据融合。
三是提升数据质量。持续抓好数据质量提升,一方面做好与人口库等外部数据比对,核准数据资源。另一方面逐步排查数据异常原因,对可能存在的无效数据,进一步分析比对,发现问题及时督促整改。
2加快大数据平台建设
实现对医保大数据的高效集约管理,建设大数据平台势在必行。党的十九大报告提出要“建立全国统一的社会保险公共服务平台”,其内涵是运用“互联网+”、大数据等信息化手段,为群众提供无地域流动边界、无制度衔接障碍、参保权益信息更加公开透明、社保服务更加便捷高效、各服务事项一体化有机衔接的社会保险公共服务。高效的对外服务需要底层大数据平台的强大数据支撑能力,因此,建设适应人社业务,协同、监管、决策、服务的可靠安全人社大数据管理平台,作为大数据产生、汇集、分析和应用的基础,实现数据统一标准、统一管控,提升管理服务效率,为上层应用提供数据支撑服务,是当前的重点任务。
3持续助力医保业务发展
大数据应用的根本出发点和立足点是推动业务发展,提升管理效能,实现决策科学化、监管精准化、服务人本化。具体应用如:发挥大数据聚类、决策树等算法优势,支持单病种、DRGs等支付标准设计、测算和评价,推进多元复合式医保支付方式改革工作深入开展;完善药品数据和统一标准,借鉴各地先进经验,探索制定药品支付标准;利用大数据技术,分析并预测基金运行情况,完善筹资与待遇机制;深化医保智能监控系统应用,探索利用人工智能、图计算等前沿技术,提高监控精确度,实现更加智能化的监控;推进电子社保卡研究应用,提供网上费用结算、医保移动支付等服务,打造线上应用服务体系;利用大数据推荐模型,面向参保人提供精准推荐等健康管理服务。
4构建数据安全体系
大数据环境下的数据应用实践,对数据安全和个人隐私保护提出了更高的要求。要切实树立数据安全意识,实现数据全生命周期管理,确保数据安全、完整和一致。
一是建立数据管理机制,包括信息资源目录、数据分级分类管理、数据安全管理制度、数据共享开放流程等,确保管理过程规范,权责明晰;
二是加强基础设施保障,启用电子印章、数据加密、生物特征识别等安全技术手段,为数据安全提供基础保障;
三是确保个人信息安全,提供服务要获得个人授权,保护个人隐私。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01CDA 数据分析师:企业数字化转型的核心引擎 —— 从能力落地到价值跃迁 当数字化转型从 “选择题” 变为企业生存的 “必答题”, ...
2025-09-01数据清洗工具全景指南:从入门到进阶的实操路径 在数据驱动决策的链条中,“数据清洗” 是决定后续分析与建模有效性的 “第一道 ...
2025-08-29机器学习中的参数优化:以预测结果为核心的闭环调优路径 在机器学习模型落地中,“参数” 是连接 “数据” 与 “预测结果” 的关 ...
2025-08-29