The object of research, development or design (in Russian) : Больницы, участвующие в ОСМС

The object of research, development or design (in Kazakh) : Міндетті медициналық сақтандыруға қатысатын ауруханалар

Aim of work (in Russian) : Целью проекта является разработка эмпирических математических моделей для прогнозирования продуктивности больницы, длительности пребывания пациентов и создания инструмента поддержки принятия решений для улучшения бюджетного планирования в рамках ОСМС. Это соответствует текущей реформе системы бюджетирования, являющейся одной из приоритетных задач, поставленных Президентом К. Токаевым.

Aim of work (in Kazakh) : Жобаның мақсаты – стационар өнімділігін, пациенттің болу ұзақтығын болжау үшін эмпирикалық математикалық модельдерді әзірлеу және міндетті әлеуметтік медициналық сақтандыру жүйесі аясында бюджетті жоспарлауды жақсарту үшін шешім қабылдауды қолдау құралын жасау. Бұл Президент K.Тоқаев белгілеген басымдықтардың бірі болып табылатын бюджет жүйесінде жүргізіліп жатқан реформаға сәйкес келеді.

Методы исследования (на русском) : 1. Систематический литературный обзор для выявления параметров математической модели прогнозирования деятельности больниц 2. Построение моделей машинного обучения на основе ретроспективных данных госпитализации пациентов такие как: нейронные сети, градиентный бустинг и др.

Методы исследования (на казахском) : 1. Аурухана жұмысын болжау үшін математикалық модельдің параметрлерін анықтау үшін жүйелі әдебиеттерді шолу 2. Науқасты госпитализациялаудың ретроспективті деректеріне негізделген машиналық оқыту үлгілерін құру, мысалы: нейрондық желілер, градиентті күшейту және т.б

Obtained results and novelty (in Russian) : Исследование вносит вклад в несколько ключевых областей. Во-первых, в отличие от предыдущих исследований, полагавшихся на традиционные статистические методы прогнозирования продуктивности больных, данное исследование использует преимущества моделей машинного обучения на основе данных статистики случаев госпитализации за последние двенадцать лет. Во-вторых, исследование выделяется тем, что оно будет использовать все случаи госпитализации, оплачиваемые в рамках ОСМС, без узкой фокусировки на выборочных заболеваниях. Детализированные данные о пациентах включают ​​как социо-демографические показатели, так и такие клинические показатели как: диагноз, сопутствующие заболевания, полученные медицинские процедуры, тип и дата госпитализации, исход госпитализации. Таким образом наличие общирных данных позволят алгоритмам МО учитывать комбинированность диагностических групп пациентов и стохастический характер потока пациентов при построении прогностических моделей. Мы считаем, что предлагаемый систематический метод построения модели, охватывающий особенности пребывания пациента от даты поступления до даты выписки или перенаправления, будет играть ключевую роль в планировании финансирования больниц, и приведет к эффективному распределению бюджета на здравоохранение. Таким образом, разработка моделей машинного обучения на основе всех госпитальных случаев имеет практическое применение при принятии решений различными заинтересованными сторонами, включая МЗ, ФОМС и руководителей больниц.

Obtained results and novelty (in Kazakh) : Зерттеу бірнеше негізгі бағыттар бойынша үлес қосады. Біріншіден, пациенттің өнімділігін болжау үшін дәстүрлі статистикалық әдістерге негізделген алдыңғы зерттеулерден айырмашылығы, бұл зерттеу ауруханаға жатқызудың 12 жылдық деректеріне негізделген ML үлгілерінің артықшылығын пайдаланады. Екіншіден, зерттеу МӘМС бойынша төленетін емханаға жатқызулардың барлығын таңдап алынған ауруларға шек келтірмей, пайдаланатындығымен ерекшеленеді. Егжей-тегжейлі пациент деректері диагностика, қатар жүретін аурулар, қабылданған медициналық процедуралар, ауруханаға жатқызу түрі мен күні, ауруханаға жатқызу нәтижесі сияқты әлеуметтік-демографиялық көрсеткіштерді де, клиникалық көрсеткіштерді де қамтиды. Осылайша, ауқымды деректердің болуы ML алгоритмдеріне болжамды модельдерді құру кезінде пациенттердің диагностикалық топтарының комбинациясын және пациенттер ағынының стохастикалық сипатын ескеруге мүмкіндік береді. Барлық аурухана жағдайларына негізделген ML үлгілерін әзірлеу әртүрлі мүдделі тараптар, соның ішінде ДСМ, МӘМС қоры және аурухана менеджерлері шешім қабылдауда практикалық қолданбаларға ие.

The main constructive and technical economic indicators (in Russian) : Модели, построенные на алгоритмах машинного обучения (МО), обученные на реальных данных, способны более точно прогнозировать такие параметры как продуктивность больниц и продолжительности пребывания в стационаре. Мы ожидаем, что прогнозы, построенные на основе МО, могут быть в дальнейшем использованы лицами принимающие решения при планировании бюджета в рамках ОСМС.

The main constructive and technical economic indicators (in Kazakh) : Нақты деректерге үйретілген машиналық оқыту (ML) алгоритмдеріне негізделген модельдер аурухана өнімділігі мен болу ұзақтығы сияқты параметрлерді дәлірек болжауға қабілетті. МL негізінде жасалған болжамдарды шешім қабылдаушылар міндетті медициналық сақтандыру шеңберінде бюджетті жоспарлау кезінде одан әрі пайдалана алады деп күтеміз.

Level of implementation (in Russian) :

Level of implementation (in Kazakh) :

Efficiency (in Russian) :

Efficiency (in Kazakh) :

Field of application (in Russian) : Здравоохранение

Field of application (in Kazakh) : Денсаулық сақтау