大數據單病種

⑴ dip分值付費的概念

法律分析：DIP的英文全稱是：Big Data Diagnosis-Intervention Packet；中文全稱是基於大數據的按病種分值付費。DIP是基於全樣本數據的診斷+操作自動分組。基於客觀數據，直接以主要診斷和關聯手術操作的自然組合形成病種。

法律依據：《區域點數法總額預算和按病種分值付費試點工作方案》

第二條 DIP以大數據技術為基礎，按照國家層面統一確定病種分值目錄庫、核心與綜合病種的劃分標准等，通過區域對近三年定點醫療機構病案數據分析，基於臨床主要診斷編碼（ICD-10國標版）和手術操作編碼（ICD-9-CM-3）的自然組合，歸類相似的疾病診斷，再與不同的治療方式組合，建立病種組合體系。

第三條 DIP是之前單病種付費方式的升級版。既往單病種覆蓋范圍有限（一旦含有並發症、合並症即採用單病種退出機制），不易推廣。而基於大數據的病種組合（DIP）則能很大程度規避掉這種弊端。DIP分值付費主要適用於住院醫療費用結算，DIP的適應性及可擴展性可探索應用於門診付費標準的建立和醫療機構的收費標准改革。

⑵ 怎樣建立單病種質量管理為主的輸血評價體系

你需要先寫好，你的計劃報告，找到可以影響到一定數量的醫院的金主或者是領導，通過影響力或者是資金的辦法，把你需要的數據輸送給你。
或者是你通過大數量的大數據收集，完善你的數據整理

⑶ dip付費與drg的區別是什麼

DIP分值付費，就是過去曾說過的「大數據DRGs」，基於大數據的病種（Big Data Diagnosis-Intervention Packet, DIP）分值付費。

簡單來說，就是基於之前按病種付費的基礎上運用大數據技術進行分類組合後進行的分值付費。之前的單病種付費方式病種覆蓋范圍有限（一旦含有並發症、合並症即採用單病種退出機制），不易推廣。而基於大數據的病種組合（DIP）則能很大程度規避掉這種弊端。相對於DRG付費是從西方傳入的舶來品， DIP分值付費可以說是具有中國特色的醫保付費方式。

DIP的作用機制：

DIP分值付費應用體系，基於「隨機」與「均值」的經濟學原理和大數據理論，通過真實世界的海量病案數據，發現疾病與治療之間的內在規律與關聯關系，提取數據特徵進行組合，並將區域內每一病種疾病與治療資源消耗的均值與全樣本資源消耗均值進行比對，形成DIP分值，集聚為DIP目錄庫。

DIP的適用范圍：

DIP分值付費主要適用於住院醫療費用結算，精神類、康復類及護理類等住院時間較長的病例不宜納入。DIP的適應性及可擴展性可探索應用於門診付費標準的建立和醫療機構的收費標准改革。

⑷ 什麼是dip分值付費

法律分析：DIP分值付費，就是過去曾說過的「大數據DRGs」，基於大數據的病種（Big Data Diagnosis-Intervention Packet, DIP）分值付費。簡單來說，就是基於之前按病種付費的基礎上運用大數據技術進行分類組合後進行的分值付費。之前的單病種付費方式病種覆蓋范圍有限（一旦含有並發症、合並症即採用單病種退出機制），不易推廣。而基於大數據的病種組合（DIP）則能很大程度規避掉這種弊端。相對於DRG付費是從西方傳入的舶來品， DIP分值付費可以說是具有中國特色的醫保付費方式。

法律依據：《中共中央 國務院關於深化醫療保障制度改革的意見》 第十四條 持續推進醫保支付方式改革。完善醫保基金總額預算辦法，健全醫療保障經辦機構與醫療機構之間協商談判機制，促進醫療機構集體協商，科學制定總額預算，與醫療質量、協議履行績效考核結果相掛鉤。大力推進大數據應用，推行以按病種付費為主的多元復合式醫保支付方式，推廣按疾病診斷相關分組付費，醫療康復、慢性精神疾病等長期住院按床日付費，門診特殊慢性病按人頭付費。探索醫療服務與葯品分開支付。適應醫療服務模式發展創新，完善醫保基金支付方式和結算管理機制。探索對緊密型醫療聯合體實行總額付費，加強監督考核，結余留用、合理超支分擔，有條件的地區可按協議約定向醫療機構預付部分醫保資金，緩解其資金運行壓力。

⑸ drgs和dip付費是什麼意思

DRG付費是一種醫保基金為患者購買診療服務的支付方式，按照同病、同治、同質、同價的原則，根據患者的臨床診斷、年齡、合並症、並發症等因素，將治療疾病所產生的醫療費用相近的患者劃分到相同的診斷組進行管理。
DIP分值付費，就是過去曾說過的「大數據DRGs」，基於大數據的病種分值付費。簡單來說，就是基於之前按病種付費的基礎上運用大數據技術進行分類組合後進行的分值付費。之前的單病種付費方式病種覆蓋范圍有限，不易推廣。而基於大數據的病種組合（DIP）則能很大程度規避掉這種弊端。相對於DRG付費是從西方傳入的舶來品， DIP分值付費可以說是具有中國特色的醫保付費方式。
【拓展資料】
一、DIP的作用機制
DIP分值付費應用體系，基於「隨機」與「均值」的經濟學原理和大數據理論，通過真實世界的海量病案數據，發現疾病與治療之間的內在規律與關聯關系，提取數據特徵進行組合，並將區域內每一病種疾病與治療資源消耗的均值與全樣本資源消耗均值進行比對，形成DIP分值，集聚為DIP目錄庫。
二、DIP的適用范圍
DIP分值付費主要適用於住院醫療費用結算，精神類、康復類及護理類等住院時間較長的病例不宜納入。DIP的適應性及可擴展性可探索應用於門診付費標準的建立和醫療機構的收費標准改革。
三、DIP與DRG區別
1.共同點：
（1）應用目標一致：醫保控費；
（2）適用范圍一致：集中適用於住院醫療費用結算；
（3）主要數據來源一致：病案首頁數據；
（3）本質都是一種疾病組合技術：二者本質上都是以出院患者信息為基礎，綜合考慮患者的主要診斷和主要治療方式，結合個體體征如年齡、並發症和伴隨病等影響因素，將疾病復雜程度及費用相似的病例進行歸類，並對歸類後的病種或病組設置不同的支付標准（即分值或權重），從而實現對不同資源消耗、不同難易程度的醫療服務進行精準支付。
2.不同：
不管是DIP還是DRG付費，付費本質原理是一致的，即疾病越嚴重、難度越大、消耗越多，導致資源消耗程度越高，分值或權重就越高，所獲得的支付費用也越高，兩者的區別在於疾病分類方式和計算方式的不同。

⑹ 大數據醫療具體是指什麼

醫療大數據是個很寬泛的概念，他有很多詳細的分類，包括：電子病歷數據，這是患者就醫過程中所產生的數據，包括患者基本信息、疾病主訴、檢驗數據、影像數據、診斷數據、治療數據等，這類數據一般產生及存儲在醫療機構的電子病歷中，這也是醫療數據最主要的產生地。電子化的醫療病歷方便了病歷的存儲和傳輸，但是並未達到進行數據分析的要求。大約80%的醫療數據是自由文本構成的非結構化數據，其中不僅包括大段的文字描述，也包括包含非統一文字的表格欄位。通過醫學自然語言理解技術，將非結構化醫療數據轉化為適合計算機分析的結構化形式是醫療大數據分析的基礎。電子病歷中所採集的數據是數據量最多、最有價值的醫療數據。通過和臨床信息系統的整合，內容涵蓋了醫院內的方方面面的臨床數據集。在電子病歷的互通互聯上，出於各自的利益性（限制病人轉診），各大電子病歷企業也不願意使數據互通互聯。根據美國政府相關報告顯示，其電子病歷共享比例也僅為30%左右。
檢驗數據
醫院檢驗機構產生了大量患者的診斷、檢測數據，也有大量存在的第三方醫學檢驗中心也在產生數據。檢驗數據是醫療臨床子系統中的一個細分小類，但是可以通過檢驗數據直接患者的疾病發展和變化。目前臨床檢驗設備得到迅速發展，通過LIS 系統對檢驗數據進行收集，可以對疾病的早發現早診斷和正確診斷做出貢獻。
影像數據
隨著資料庫技術和計算機通訊技術的發展，數字化影像傳輸和電子膠片應運而生。醫療影像數據是通過影像成像設備和影像信息化系統產生的，醫院影像科和第三方獨立影像中心存儲了大量的數字化影像數據。醫學影像大數據，是由DR、CT、MR 等醫學影像設備產生所產生並存儲在PACS 系統內的大規模、高增速、多結構、高價值和真實准確的影像數據集合。與檢驗信息系統（LIS）大數據和電子病歷（EMR）等同屬於醫療大數據的核心范疇。醫學影像數據量非常龐大，影像數據增速快，標准化程度高。影像數據和臨床其他數據比較起來，它的標准化、格式化、統一性是最好的，價值開發也最早。
費用數據
醫院門診費用、住院費用、單病種費用、醫保費用、檢查和化驗收入、衛生材料收入、診療費用、管理費用率、資產負債率等和經濟相關的數據。除了醫療服務的收入費用之外，還包含醫院所提供醫療服務的成本數據，包含葯品、器械、衛生人員工資等成本數據。在DRGs 按疾病診斷相關組付費模式中，需要詳細的成本數據核算。通過大樣本量的測算，建立病種標准成本，加強病種成本核算和精細化成本管理。
基因測序數據
基因檢測技術通過基因組信息以及相關數據系統，預測罹患多種疾病的可能性。基因測序會產大量的個人遺傳基因數據，一次全面的基因測序，產生的個人數據則達到300GB。一家基因測序企業每月產生的數據量可以達到數百TB 甚至1PB。
智能穿戴數據
各種智能可穿戴設備的出現，使得血壓、心率、體重、體脂、血糖、心電圖等健康體征數據的監測都變成可能，患者的單一體征健康數據以及運動數據快速上傳到雲端，而且數據的採集頻率和分析速度大大提升。除了生命體征之外，還有其他智能設備收集的健康行為數據，比如每天的卡路里攝入量、喝水量、步行數、運動時間、睡眠時間等等。智能穿戴設備雖然在這兩年遇冷，用戶很難形成粘性，但是並不意味著智能穿戴設備所產生的數據沒有意義。提供健康數據和服務，可能是智能穿戴廠商未來的轉型之路。健康大數據的收集必須依靠硬體載體，智能穿戴設備還將會遇到自己的第二春。
體檢數據
體檢數據是體檢機構所產生的健康人群的身高、體重、檢驗和影像等數據。這部分數據來自醫院或者第三體檢機構，大部分是健康人群的體征數據。隨著亞健康人群、慢病患者的增加，越來越多的體檢者除了想從體檢報告中了解自己的健康狀況，還想從體檢結果中獲得精準的健康風險評估，以及如何進行健康、慢病管理。
移動問診數據
通過移動設備端或者PC 端連接到互聯網醫療機構，產生的輕問診數據和行為數據。曾經通過互聯網問診企業春雨醫生的數據，分析各地醫生互聯網問診的活躍度、細分疾病種的問診行為。通過這些數據的分析，對行業發展、互聯網問診企業的決策有非常重要的幫助。

⑺ 大數據分析在疾病與健康研究方面的應用

大數據分析在疾病與健康研究方面的應用

大數據分析技術將在以上方面發揮著特殊的作用。

一、疾病與健康研究

在疾病與健康研究方面，我們可將其分為三個子方面：健康研究、亞健康研究和疾病研究。

1、健康研究

中國是地域遼闊的多民族國家，不同地區不同種群的人的基因和健康指標有所不同，同一地區同一種群的人在不同的性別和年齡上健康標准也有差異。深入研究和分析上述人群的健康規律，對衛生保健、健康促進、疾病預防和治療有著重大的指導意義。例如：
1.1 對體檢數據分析和挖掘，得出不同地區、不同人群的健康差異，以確定精確的不同人群的健康標准，針對不同人群制定適宜的防病，治病方法以及預後標准，並量身打造個性化，地區化的健康評估模型。

1.2 在制定不同地區不同人群的參考值時,可進一步分析健康指標在不同性別、年齡和季節的差別，以及權重比，從而完善適合於國人全面的系統化的更科學的健康參考值。

1.3 人體存在的內在平衡，使得各個可觀察數據間有其特有的規律，基於經驗只能發現簡單的規律如鈣、磷常數等，使應用數據挖掘等大數據分析技術可以主動發現復雜的系統性的人體醫學規律，大幅提升防病，治病以及預後推測的技術水平，並且也對亞健康有個更科學的判斷依據，以及了解健康到亞健康的逐漸失衡的過程。

1.4 對孕婦在孕產期、產後及新生兒的健康數據進行深入分析，研究孕產婦和新生兒的健康規律，開發對孕產婦和新生兒的健康評價和因素的評估模型，給出更科學的孕產婦和新生兒保健的指導。

1.5 對兒童成長的體檢數據分析和挖掘，研究兒童的健康規律，開發對兒童成長的評價和因素的評估模型，分別適應中國遼闊的地域和眾多的人群，給出更科學的兒童成長發育指導。

1.6 對老年人的健康數據分析和研究，研究老年人的健康特點，開發對老年人健康的評價和因素的評估模型，給出更科學的老年人養生的指導。

1.7 對健康人的精神和心理數據進行深入分析，制定健康人的精神和心理參考標准，開發對健康精神和心理的評價和影響因素的評估模型，給出更科學的精神和心理衛生方面的保健指導。

2、亞健康研究

世界衛生組織將機體無器質性病變，但是有一些功能改變的狀態稱為「第三狀態」，也稱為「亞健康狀態」，主要包括：功能性改變，而不是器質性病變；體征改變，但現有醫學技術不能發現病理改變；生命質量差，長期處於低健康水平；慢性疾病伴隨的病變部位之外的不健康體征。

對亞健康進行深入分析與研究對保持健康狀態，預防和糾正亞健康狀態以及對疾病的預防和治療都有十分重要的意義。例如：

2.1 研究亞健康與疾病間的相互關系。研究各種可觀察指標（體檢數據）在亞健康中的權重，以及在不同地區、人群中的分布。應用時間序列，線性/非線性回歸研究亞健康觀察指標之間的關聯性。通過亞健康體檢數據挖掘，分析導致疾病的影響因素，建立評估模型來預測危險度，並進一步建立疾病的預測模型。

2.2 研究亞健康與健康間的相互關系。通過對體檢人群的地區、職業、年齡等因素的分析，研究最新的健康和亞健康的人群分布。不同的人群地區環境不同,生活習慣不同,加入亞健康醫學指標以外的相關外部數據（如職業、飲食、習慣、性格、愛好等）後,可發現綜合因素對亞健康的影響，以及這些因素的各自權重，及相關關系，從而探究出亞健康的原因，對預防和治療亞健康起著指導作用。

2.3 研究亞健康治療和預後的研究。通過對亞健康治療和預後的數據分析，評價治療效果，評估最佳治療方案，進一步開展對專科亞健康治療和預後的研究，同時研究其與疾病的關系。

2.4 對精神和心理亞健康的研究。如對常見的精神亞健康狀態：如神經衰弱、抑鬱、焦慮和強迫等症狀，進行數據歸納整理、分析挖掘，從而導出精神和心理亞健康的新知識發現，探究出精神疾病的原因，對預防和治療精神疾病起著指導作用。

2.5 將住院和社區健康管理數據相結合，進行因素權重分析和多因素的特性抽取，最後形成模型指導治療。最理想的情況是個體化評估模型,為每個病人建立專用預測模型。

3、疾病研究

中國面臨的嚴重危害人民健康的疾病包括：

傳染性疾病，如結核病、艾滋病、SARS、禽流感、甲型H1N1流感等；

慢性非傳染性疾病，如惡性腫瘤、腦血管病、心臟病、糖尿病等；

精神和心理疾病；

小兒出生缺陷。

對患有各種疾病的病人的醫學數據及相關數據的研究分析，對各種疾病的預防和治療都有十分重要的價值。例如：

3.1 對傳染性疾病，如結核病、艾滋病、SARS、禽流感、甲型H1N1流感等疾病的研究。應用數據挖掘技術對傳染性疾病的數據進行分析，找出傳染性疾病的發病規律，揭示傳染性疾病的病因，進一步摸索出傳染性疾病的變異規律，建立傳染性疾病的預測模型。

3.2 對慢性非傳染性疾病，如惡性腫瘤、腦血管病、心臟病、糖尿病等疾病的研究。應用數據倉庫技術和數據挖掘技術對慢性常見病的數據進行分析，找出慢性常見病的發病規律，探索慢性常見病的病因，進一步摸索出慢性常見病的並發症規律，科學評估各種治療方案的療效，建立慢性常見病的預測模型。

3.3 對精神和心理疾病的研究。應用數據倉庫技術、數據挖掘技術和數理統計技術對精神和心理疾病的數據進行分析，從廣泛的多變數集中找出影響精神和心理疾病的主要因素，在遺傳學、後天影響和病理學等多方面探索精神和心理疾病的病因，科學評估各種治療方案的療效，建立精神和心理疾病的預測模型。

3.4 對小兒出生缺陷的研究。應用大數據分析技術對兒童出生缺陷的數據進行分析，從廣泛的大變數集中找出影響兒童出生缺陷的主要因素，在環境、遺傳學、病理學等多方面探索兒童出生缺陷的病因，建立兒童出生缺陷的預測模型。

3.5 針對門診和住院病人數據在線分析統計學差異，尋找陽性案例，為研究提供素材，並為科研的預實驗提供思路和准備。對住院數據進行多維度分析和挖掘，橫向達到單病種的水平，縱向包括所有可觀測數據，所收集來的知識有很大可能會啟發醫學專家有新發現。

3.6不同 治療手段和治療效果的在線分析。結合收集來的大量資料全面分析，盡量提前全面的了解治療的臨床效果。

3.7 葯品治療效果在線分析，治療效果、副作用、對其他疾病的效果評估。結合收集來的大量資料全面分析，盡量提前全面的了解新葯和老葯。目前的葯品不良反應主要靠醫生的通報，對醫生的職業素養和敏感有很大的依賴，而使用數據挖掘及資料庫中的知識發現，可以極大限度地改進這項工作。

二、環境與健康研究

環境因素對健康造成的損害較其他健康損害復雜，是微量、慢性、長期和不可逆轉的。環境健康影響與公眾利益息息相關，環境健康損害如得不到妥善處理還將轉化為社會、經濟問題。環境與公共健康研究以人類生態系統可持續發展研究為基礎，關懷人類現在和未來的健康與安全，從環境研究途徑關注社會、經濟活動對人類生理和心理的健康影響，探索環境變遷對人民健康造成危害的預防和治理措施。

應用大數據分析技術對環境健康的研究，主要包括發現案例、發病機理和臨床治療研究，預防和治理各類環境流行病在污染源以及污染途徑控制的研究等。例如：
1. 應用大數據分析技術研究環境因素對健康的影響，實行 一體化的環境和健康監測，並在全國實現數據共享。

2. 應用大數據分析技術研究環境污染對兒童的影響，以解決環境對兒童所造成的不健康和疾病迅速增長的問題，從而給予兒童特殊注意的環境和健康指導。

3. 應用大數據分析技術開展職業病和職業多發病的預防預測。對於各種職業的發病分布和嚴重程度，以及對職業病的深入分析。不僅包括傳統意義的職業病，也包括不同職業的不同的疾病分布和在病因中的權重。另外,還可以分析不同職業的暴露特點進而對病因進行研究。

4. 應用大數據分析技術開展對空氣污染顯著提高城市人群呼吸道和過敏性疾病的發生 率的研究。

5. 應用大數據分析技術開展雜訊污染損害兒童的聽力和干擾他們的學習能力的研究。

6. 應用大數據分析技術開展快餐業的發展使肥胖病發病率不斷增長的研究，尤其是不合理的營養對兒童健康的影響。

7. 應用大數據分析技術開展對轉基因生物技術的應用對自然界生物和人類基因的潛在影響的研究。

三、醫葯生物技術與健康

生物技術涵蓋生命科學的所有領域，醫葯生物技術是生物技術的重要組成部分。當今人類面臨的人口、食物、健康、環境和資源問題，無不與之緊密相關。醫葯生物技術最鮮明的特點是大量新思想、新技術、新材料、新方法和新產品引入醫學研究和醫療保健之中，如全新的醫學成像技術、基因工程技術、微電子技術、幹細胞工程技術、組織工程技術、納米技術、生物晶元技術、克隆技術、酶工程技術、細胞工程技術、發酵工程技術、蛋白質工程技術、生物醫學工程技術、基因組與蛋白質組技術、生物信息技術和中醫葯技術等及其產品，將大大提高疾病預防、診斷、治療和葯物設計研製水平，以及對突發事件（如傳染病和生物恐怖等）的檢測、預防與治療水平。

以大數據分析技術為核心的生物信息技術在由眾多新技術構成的醫葯生物技術中發揮有獨特的作用。例如：

1. 利用生物信息技術進行生物信息的存儲與獲取。

2. 利用生物信息技術開展基因的序列對比、測序和拼接。

3. 利用生物信息技術進開展基因預測。

4. 利用生物信息技術進行生物進化與系統發育分析。

5. 利用生物信息技術進行蛋白質結構預測和RAN結構預測。

6. 利用生物信息技術進行分子設計和葯物設計。

7. 利用生物信息技術進行腫瘤分類及遺傳學分析。

8. 利用生物信息技術開展在生物分子層面對精神病的研究及遺傳學分析。

9. 利用生物信息技術開展在生物分子層面對如H1N1等傳染病的研究。

四、衛生宏觀決策支持

衛生宏觀決策支持系統是以數據倉庫為數據中心、以數據挖掘為技術核心、以商務智能為展現工具的綜合衛生信息平台。它可以建立在各級別衛生系統上，如醫院、地區衛生系統、全國衛生系統，為各級衛生部門提供智能決策系統，深入了解衛生系統的歷史和現在，把握衛生系統業務發展的未來，評估衛生系統內部各部門的業務效績，幫助各級決策者提供最佳實施方案，給決策者一雙慧眼，清晰認知系統內各方面變化趨勢和業務得失，使對系統各部門的評價、考核、獎勵更加科學、公正、客觀，使系統內各級關系更加和諧，積極發揮各部門的潛能，提高系統的整體業務水平和經濟效益。使用商務智能輔助決策，可以提供各種有價值的信息，各種事件的關聯，以及不同於微觀的角度分析各種衛生信息，如預防接種基本數據，傳染病報告等等。

以上是小編為大家分享的關於 大數據分析在疾病與健康研究方面的應用的相關內容，更多信息可以關注環球青藤分享更多干貨

⑻ DIP付費MDT是什麼意思

摘要 就是基於之前按病種付費的基礎上運用大數據技術進行分類組合後進行的分值付費。之前的單病種...

⑼ 大數據在醫保管理中的應用與發展方向

大數據在醫保管理中的應用與發展方向
當前，醫療保險面臨基金收支平衡壓力增大、醫療服務違規行為多發、傳統經驗決策方式落後等多方面挑戰，從信息化建設角度，人社部門推進全民參保登記、醫保智能監控、支付方式改革和移動支付探索等工作，積極開展了醫保大數據應用。但在應用過程中仍然面臨數據質量有待提升、數據應用尚不充分、安全體系還需健全等問題。繼續深化醫保大數據應用，下一步應重點圍繞四個方面：一是匯聚和完善醫保大數據；二是加快大數據平台建設；三是持續助力醫保業務發展；四是構建數據安全體系。

當前，在全民醫保體系逐漸完善、人口老齡化趨勢加劇、醫療需求快速釋放、醫療費用不斷攀升等因素的綜合作用下，醫療保險面臨基金收支平衡壓力增大，醫療服務違規行為多發，傳統經驗決策方式落後等多方面挑戰，如何充分利用大數據、「互聯網+」等信息化手段，進一步支撐醫療保險在新形勢下持續發展，實現全民醫保、安全醫保、科學醫保和便捷醫保，全面提升醫保質量，是擺在我們面前的重要課題。
當前醫保管理面臨的困境
1醫保基金收支平衡壓力增大
隨著生活水平提高，參保人更加關注健康，醫療需求不斷上升，同時全民醫保從制度全覆蓋轉向人員全覆蓋，基本醫保支出規模隨之快速增長。這些因素都給醫保基金平衡帶來較大壓力。2016年，人社部門管理的基本醫療保險參保人數7.44億人，基金支出10767億元。參保人享受醫保待遇25億人次。考慮到當前經濟下行和人口老齡化的形勢，未來醫療保險基金收支平衡壓力更大。
2醫療服務違規行為多發
我國醫保待遇支出高速增長，既有惠民生政策、人口老齡化、醫療技術進步、醫療成本上升等正常因素，更有大處方、亂檢查、假發票等不合理因素。2016年審計署對醫療保險基金專項審計顯示，一些醫療服務機構和個人通過虛假就醫、分解住院、虛假異地發票等手段套取醫保基金2億余元。面對如此規模的支出，人工審核、抽查審核、固定規則審核等醫保傳統監管手段，對於日趨復雜的醫保基金使用場景難以全面覆蓋，對於日益隱蔽的醫療服務違規行為難以有效識別。
3傳統經驗決策方式落後
過去醫保政策制定和效率評估往往依賴業務知識和工作經驗。隨著參保人數的快速增長，醫療行為的復雜變化、醫保經辦人手普遍吃緊，傳統的經驗決策方式越來越無法滿足業務發展需求，在當前信息技術快速發展、醫療數據不斷積累的基礎上，充分利用先進技術手段，深入挖掘海量數據資源優勢，通過制度運行模擬、政策效率評估、資金壓力測試等方式，輔助實現決策高效化、科學化、精確化，是醫保業務發展的必然要求。
醫保大數據的應用
社會保險信息化多年來秉承全國統一規劃、統一建設的原則，伴隨統籌層次提升，推進數據向上集中、服務向下延伸，逐步奠定了堅實的數據基礎。利用漸成規模的醫保大數據，人社部門積極推動多項應用，遏制違規行為，輔助科學決策，保護基金安全。
1推動全民參保計劃，實現全民醫保
黨的十八屆五中全會通過的《中共中央關於制定國民經濟和社會發展第十三個五年規劃的建議》明確提出「實施全民參保計劃，基本實現法定人員全覆蓋」。2017年，人社部加快推進全民參保登記系統建設、部省對接、數據上報等工作，目前已基本形成部省兩級全民參保登記庫，支持摸清法定未參保人員情況，助力全民參保計劃，實現應參盡參。截至2017年底，各省共計上報包括醫療保險在內的人員參保信息30.42億條，為下一步參保擴面提供了有力的數據支撐。
2實施醫保智能監控，打造安全醫保
2012年，人社部組織建設了醫保智能監控系統，針對門診、住院等不同業務環節設計了500餘條監控規則，對頻繁就醫、分解住院、過高費用、大處方、葯佔比異常等常見違規醫療服務行為進行監控，監控對象涵蓋醫療服務機構、醫師、參保人員等。2014年，在前期工作基礎上，人社部下發《關於進一步加強基本醫療保險醫療服務監管的意見》（人社部發〔2014〕54號），明確了監管途徑、各方職責、問題處理程序等。近幾年，開展醫保智能監控工作的統籌地區數量不斷增加，目前全國超過90%以上的統籌地區已全面開展智能監控工作。通過全場景、全環節、全時段自動監控的震懾作用，遏制了大量潛在違法、違規行為，保障了參保人員權益和醫保基金安全。
3推廣支付方式改革，促進科學醫保
近年來，基於過去多年積累的醫保數據，人社部門廣泛開展了優化支付方式工作，積極推行復合式醫保支付方式探索。2017年，國務院辦公廳下發了《關於進一步深化基本醫療保險支付方式改革的指導意見》（國辦發〔2017〕55號），對改革目標提出了明確要求。目前絕大部分地區均開展了總額控制，分析醫保歷史數據是醫保部門與醫療機構協商制定總額的主要依據。此外部分地區在單病種、DRGs等支付方式的探索過程中也充分利用了醫保數據。如沈陽市從2015年開始探索DRGs支付，應用本地醫保支付數據，優化DRGs分組。上海強化數學模型在醫保預算中的應用，同步推進按病種付費。
4探索醫保移動支付，引導便捷醫保
《「互聯網＋人社」2020行動計劃》（人社部發〔2016〕105號）提出「支付結算」行動主題，要求建設人力資源和社會保障支付結算平台，拓展社會保障卡線上支付結算模式。社會保障卡經過十九年建設發展，為線上應用打下了深厚基礎，具有身份憑證、信息記錄、自助查詢、就醫結算、繳費和待遇領取、金融支付等功能，已成為持卡人方便快捷享受人力資源和社會保障權益及其他政府公共服務的電子憑證。各地根據文件精神，結合「互聯網＋」要求，積極探索實踐醫保移動支付，如杭州、武漢、深圳、昆明等地參保人可通過手機完成門診費用醫保支付，緩解窗口排隊壓力；沈陽、天津、嘉興、珠海等地參保人可線上購葯，通過手機或移動POS刷卡完成醫保支付，改善用戶體驗。
醫保大數據的應用挑戰
1數據質量有待提升
一是數據不完整。從各地層面，社會保險信息系統管理的醫保數據主要集中在參保、結算類基本數據，醫療行為過程中的醫囑、病歷、葯品進銷存、檢查檢驗報告等數據沒有全面採集，服務反饋、治療效果類數據，以及日誌、視頻、文件等非結構化數據普遍缺失，制約了醫保智能監控、支付方式改革等應用的深入開展，難以支撐面向參保人開展精準服務。從部級層面，自2009年開展醫保聯網監測指標上報以來，各地按月向人社部上報數據，醫保主要包括參保、享受待遇、定點醫療機構等基本信息，缺乏業務明細信息。
二是數據時效性不強。醫保聯網監測數據按月上報，支持了部級基金監管、宏觀決策、社會保險參保待遇比對查詢等多項系統應用。但按月更新的數據時效難以滿足全國統籌、重點業務實時監控等新業務需要。
三是數據准確性不高。從部級聯網監測數據來看，雖然數據規模、覆蓋人群快速增長，但仍然存在各險種、各業務基本信息、業務狀態信息不一致，部分代碼使用不標准、不規范，甚至存在不少錯誤或無效信息等問題，對數據的深入分析和廣泛應用帶來較大影響。
2數據應用尚不充分
一是數據應用意識不足。近年來，人社部門逐漸認識到數據的巨大價值，積極開展數據應用，但相較於人社部門管理的大數據，已開發的數據只是冰山一角，海量數據還在「沉睡」，沉睡數據中的問題不斷累積，反過來影響數據應用工作開展。畢竟只有持續應用，才能從根本上促進數據質量提升。
二是對「問題數據」重視不夠。明顯異常的數據一部分是數據質量低下的垃圾數據，也有部分是客觀業務問題導致數據錯誤。在數據應用過程中，常常首先篩除異常數據，實際上也篩除了可能存在的問題和風險。大數據時代，更要培養重視異常數據的意識，善於從中發現問題、防範風險，逐步減少「問題數據」，提升數據質量。
三是跨業務數據應用不足。目前對數據的開發應用，多集中於單業務板塊，跨業務聯動應用不足，如社保與就業數據關聯分析、就醫信息與人員生存狀態的結合判斷等。數據只有真正融會貫通，才能激發新思路，創造新價值。
3安全體系還需健全
2014年，人社部先後下發了《人力資源和社會保障數據中心應用系統安全管理規范（試行）》（人社廳發〔2014〕47號）和《人力資源和社會保障數據中心資料庫安全管理規范（試行）》（人社廳發〔2014〕48號），從具體操作層面對應用系統和資料庫安全提出了規范要求。然而，大數據環境下數據鏈條變長、數據規模增長、數據來源多樣、數據流動性增強，使得數據安全保護難度加大，個人信息泄露風險加劇，傳統的安全控制措施面臨挑戰。
醫保大數據的發展方向
1匯聚和完善醫保大數據
一是夯實基礎信息。統籌全民參保登記庫和持卡人員基礎信息庫建設，完善部級人員、單位基礎信息庫，准確掌握服務對象基本情況，進一步發揮人社基礎性信息庫作用，實現一數一源、「一人一卡」。
二是整合信息資源。從數據上報時效上，優化聯網監測數據上報機制，由按月上報調整為按日實時更新；從數據上報粒度上，擴充上報指標，補充明細業務數據。從數據收集來源上，利用互聯網、移動終端等渠道增加信息收集來源，補充醫療服務結果、質量、滿意度等類數據，同時推動與醫保局、衛健委等部門間數據共享，實現數據融合。
三是提升數據質量。持續抓好數據質量提升，一方面做好與人口庫等外部數據比對，核准數據資源。另一方面逐步排查數據異常原因，對可能存在的無效數據，進一步分析比對，發現問題及時督促整改。
2加快大數據平台建設
實現對醫保大數據的高效集約管理，建設大數據平台勢在必行。黨的十九大報告提出要「建立全國統一的社會保險公共服務平台」，其內涵是運用「互聯網+」、大數據等信息化手段，為群眾提供無地域流動邊界、無制度銜接障礙、參保權益信息更加公開透明、社保服務更加便捷高效、各服務事項一體化有機銜接的社會保險公共服務。高效的對外服務需要底層大數據平台的強大數據支撐能力，因此，建設適應人社業務，協同、監管、決策、服務的可靠安全人社大數據管理平台，作為大數據產生、匯集、分析和應用的基礎，實現數據統一標准、統一管控，提升管理服務效率，為上層應用提供數據支撐服務，是當前的重點任務。
3持續助力醫保業務發展
大數據應用的根本出發點和立足點是推動業務發展，提升管理效能，實現決策科學化、監管精準化、服務人本化。具體應用如：發揮大數據聚類、決策樹等演算法優勢，支持單病種、DRGs等支付標准設計、測算和評價，推進多元復合式醫保支付方式改革工作深入開展；完善葯品數據和統一標准，借鑒各地先進經驗，探索制定葯品支付標准；利用大數據技術，分析並預測基金運行情況，完善籌資與待遇機制；深化醫保智能監控系統應用，探索利用人工智慧、圖計算等前沿技術，提高監控精確度，實現更加智能化的監控；推進電子社保卡研究應用，提供網上費用結算、醫保移動支付等服務，打造線上應用服務體系；利用大數據推薦模型，面向參保人提供精準推薦等健康管理服務。
4構建數據安全體系
大數據環境下的數據應用實踐，對數據安全和個人隱私保護提出了更高的要求。要切實樹立數據安全意識，實現數據全生命周期管理，確保數據安全、完整和一致。
一是建立數據管理機制，包括信息資源目錄、數據分級分類管理、數據安全管理制度、數據共享開放流程等，確保管理過程規范，權責明晰；
二是加強基礎設施保障，啟用電子印章、數據加密、生物特徵識別等安全技術手段，為數據安全提供基礎保障；
三是確保個人信息安全，提供服務要獲得個人授權，保護個人隱私。