| СОЦИАЛЬНО-ЭКОНОМИЧЕСКАЯ ЭФФЕКТИВНОСТЬ СИСТЕМ ПОДДЕРЖКИ ПРИНЯТИЯ ВРАЧЕБНЫХ РЕШЕНИЙ: РЕТРОСПЕКТИВНЫЙ АНАЛИЗ НА ПРИМЕРЕ «ТОП-3 ДИАГНОЗОВ» |
|
| 21.09.2026 г. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
DOI: 10.21045/2071-5021-2026-72-4-14
Ковецкая М.Г., Чигрина В.П., Тюфилин Д.С., Шибалков И.П. Аннотация Актуальность. Старение населения является ключевым фактором увеличения распространенности хронических неинфекционных заболеваний, которые повышают нагрузку на систему здравоохранения. Внедрение систем поддержки принятия врачебных решений может заметно оптимизировать лечебно-диагностический процесс, однако актуальной задачей является оценка социально-экономической эффективности данных цифровых систем. Цель. Оценить социально-экономическую эффективность использования систем поддержки принятия врачебных решений на примере «ТОП-3 диагнозов». Материалы и методы. Проведено исследование реальной клинической практики в формате «случай-контроль». Врачебные участки 18 медицинских организаций трех субъектов Российской Федерации были разделены на две группы: группа внедрения, где применялась система поддержки принятия врачебных решений «ТОП-3 диагнозов», и группа сравнения, где сервис не применялся. Для сравнения групп между собой использовался кросс-секционный анализ. Статистическая обработка результатов исследования проводилась с помощью пакета программ Statistica for Windows version 10.0 и R-studio. Результаты. В исследовании использовались данные о 50 566 чел. (45,5% мужчин; 54,5% женщин), прикрепленных к 31 терапевтическому участку, в том числе 69,0% трудоспособного возраста. Результаты корреляционного анализа показали, что статистически значимые различия между группами наблюдались с числом лиц, которым была оказана скорая медицинская помощь при выездах, числом лиц, направленных в стационар после оказания скорой медицинской помощи, и числом умерших в трудоспособном возрасте. Таким образом, были рассчитаны суммарные прямые и косвенные затраты, которые можно предотвратить за счет внедрения сервиса «ТОП-3 диагнозов», составляющие 179,3 руб. и 912,9 руб. на одного прикрепленного жителя. Был рассчитан показатель DALY (Disability-Adjusted Life Year), который составил 37,4 сохраненных DALY на один участок в год, следовательно, для поликлиники в 100 тыс. прикрепленного населения число сохраненных DALY составило 2200 лет в год. Заключение. Результаты исследования свидетельствуют о положительном социально-экономическом влиянии систем поддержки принятия врачебных решений на эффективность системы здравоохранения. В этой связи внедрение цифрового сервиса «ТОП-3 диагнозов» в здравоохранение регионов Российской Федерации является целесообразным и перспективным с точки зрения масштабирования. Ключевые слова: социально-экономическая эффективность; прямые затраты бюджета; косвенные затраты бюджета; система поддержки принятия врачебных решений; Российская Федерация.
Контактная информация: Чигрина Валерия Петровна, email:
Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script
SOCIO-ECONOMIC EFFICIENCY OF CLINICAL DECISION SUPPORT SYSTEMS: A RETROSPECTIVE ANALYSIS USING THE "TOP-3 DIAGNOSES" Abstract Significance. Preventive Population aging is a key factor driving the increased prevalence of chronic non-communicable diseases, which in turn heightens the burden on the healthcare system. The implementation of clinical decision support systems can significantly optimize the diagnostic and treatment process. However, evaluating the socioeconomic effectiveness of these digital systems remains a pressing challenge. Purpose. To assess the socio-economic efficiency of using clinical decision support systems using the example of the "TOP-3 diagnoses". Material and methods. A case-control study of real-world clinical practice was conducted. Physician districts from 18 medical organizations across three constituent entities of the Russian Federation were divided into two groups: an intervention group, where the "TOP-3 diagnoses" clinical decision support systems was used, and a control group, where the service was not used. A cross-sectional analysis was used to compare the groups. Statistical processing of the study results was performed using a software package Statistica for Windows version 10.0 and R-studio. Results. The study used data from 50,566 individuals (45.5% men; 54.5% women) assigned to 31 therapeutic departments, including 69.0% of working age. The results of the correlation analysis showed statistically significant differences between groups in the number of individuals who received emergency medical care during home visits, the number of individuals referred to a hospital after receiving emergency medical care, and the number of deaths in the working-age population. Consequently, the total preventable direct and indirect costs from implementing the "TOP-3 diagnoses" service were calculated, amounting to 179.3 rubles and 912.9 rubles per assigned resident, respectively. The DALY (Disability-Adjusted Life Year) indicator was calculated, amounting to 37.4 saved DALYs per department per year. Thus, for a clinic with an assigned population of 100,000, the number of saved DALYs was 2,200 years per year. Conclusion. The study results indicate the positive socio-economic impact of CDSS on the healthcare system's efficiency. In this regard, the implementation of the "TOP-3 diagnoses" digital service in the healthcare systems of the Russian Federation regions is advisable and promising from a scaling perspective. Keywords: socio-economic efficiency; direct budget costs; indirect budget costs; clinical decision support system; Russian Federation.
Corresponding author: Valeriya P. Chigrina, email:
Этот e-mail защищен от спам-ботов. Для его просмотра в вашем браузере должна быть включена поддержка Java-script
Введение По прогнозам, в ближайшие десятилетия число людей старше 65 лет во всем мире увеличится более чем вдвое: с 761 млн в 2021 году до 1,6 млрд в 2050 году [1]. Данные демографические изменения, связанные со старением населения, сопровождаются увеличением распространенности хронических неинфекционных заболеваний (ХНИЗ), что значительно увеличит нагрузку на систему здравоохранения [2,3]. В таких условиях первоочередной задачей является повышение уровня автоматизации оказания медицинской помощи без потери качества на всех ее этапах. Внедрение систем поддержки принятия врачебных решений (СППВР) может заметно улучшить и оптимизировать лечебно-диагностический процесс, что подтверждается в ряде исследований: при внедрении СППВР снижались затраты на медицинскую помощь и повышалось качество ухода за пациентами [4-6]. Кроме того, СППВР способствовали улучшению процесса назначения лекарственных препаратов и снижению побочных эффектов, что повышало безопасность пациентов [7,8]. Несмотря на очевидные преимущества СППВР, в настоящее время недостаточно информации, позволяющей оценить социально-экономическую эффективность данных цифровых систем [9]. В связи с этим проведено исследование в условиях реальной клинической практики, направленное на изучение социально-экономической эффективности использования СППВР на примере «ТОП-3 диагнозов». Цель исследования – оценить социально-экономическую эффективность использования систем поддержки принятия врачебных решений на примере «ТОП-3 диагнозов». Материалы и методы Проведено исследование реальной клинической практики (real world evidence, RWE) в формате «случай – контроль». В рамках исследования не осуществлялось дополнительных интервенций и взаимодействий с субъектами, не проводился контроль включения в группы исследования и средовых факторов, что позволяло максимально качественно подойти к реализации цели работы. Врачебные участки 18 медицинских организаций трех субъектов Российской Федерации (Волгоградская область, Липецкая область, Удмуртская Республика) были разделены на две группы: группа внедрения (n = 17), где применялась СППВР «ТОП-3 диагнозов» и группа сравнения (n = 14), где сервис не применялся. Данные для исследования получены путем полуавтоматической выгрузки из электронных медицинских карт пациентов медицинской информационной системы медицинских организаций. Период наблюдения составил один год (2024 г.). Агрегация осуществлялась в закрытом контуре медицинских организаций по параметрам, характеризующим потребление медицинской помощи прикрепленным населением, а также по ряду медико-демографических показателей, которые связаны с экономическими потерями. В связи с тем, что применялись агрегированные деперсонифицированные данные пациентов, подписания добровольного информированного согласия от участников не требовалось. Для сравнения групп между собой применялся кросс-секционный анализ. Для оценки связи между наличием цифрового решения (бинарные переменные) и ключевыми показателями использовался коэффициент ранговой корреляции Пирсона. Для количественного сравнения проведен анализ с использованием двух подходов: t-тест Стьюдента для независимых выборок и U-критерий Манна – Уитни как непараметрический метод анализа. Для оценки прямых затрат бюджета, связанных с потреблением медицинской помощи, использовалась информация о стоимости ее оказания, отраженная в соответствующих территориальных программах государственных гарантий бесплатного оказания гражданам медицинской помощи Волгоградской, Липецкой областей и Удмуртской Республики (Таблица 1) [10–12]. Таблица 1 Стоимость оказания медицинской помощи по исследуемым субъектам Российской Федерации
При расчете косвенных затрат бюджета использовалась методология расчета экономических потерь от смертности, заболеваемости и инвалидизации населения, утвержденная Приказом Министерства экономического развития Российской Федерации, Министерства здравоохранения и социального развития Российской Федерации, Министерства финансов Российской Федерации и Федеральной службы государственной статистики № 192/323н/45н/113 от 10 апреля 2012 года. Для оценки DALY (Disability-Adjusted Life Year) – показателя, отражающего совокупную потерю здоровой жизни из-за преждевременной смерти (YLL, Years of Life Lost) и жизни с нетрудоспособностью (YLD, Years Lived with Disability) использовалась стандартная методика с применением формулы: DALY=YLL+YLD YLL рассчитывались как сумма сохраненных потерянных лет жизни в диапазоне среднего возраста смерти лиц, отнесенных к категории экономически активного населения (51,57 года в 2024 году по данным Федерального реестра медицинских документов о смерти, являющегося компонентом Единой государственной информационной системы в сфере здравоохранения), верхним значением которого является 72 года [13]. YLD рассчитывались как произведение числа случаев нетрудоспособности и средней длительности нетрудоспособности. Система поддержки принятия врачебных решений «ТОП-3 диагнозов», использующая данные электронной истории болезни – это цифровой сервис на основе технологий искусственного интеллекта (ИИ), базирующегося на технологии Natural Language Processing (NLP, обработка естественного языка). Система выдает три наиболее вероятных диагноза, которые стандартизованы в соответствии с Международной классификацией болезней десятого пересмотра (МКБ-10), на основании жалоб пациента. В настоящее время «ТОП-3 диагнозов» используется в 19 субъектах Российской Федерации. С 2020 года данный цифровой сервис помог врачам поставить свыше 50 млн предварительных диагнозов [14]. Статистический анализ данных Для статистической обработки результатов исследования использовался пакет программ Statistica for Windows version 10.0, Stata и R-studio. Качественные данные представлены в виде абсолютных или относительных (%) частот, количественные в виде Х ± х, где Х – среднее арифметическое, х – стандартное отклонение. Для определения значимых связей между переменными, а также направлений данных связей, использован корреляционный анализ. Результаты В исследование включены данные о 50 566 чел. (45,5% мужчин, n = 22 997 чел.; 54,5% женщин, n = 27 569 чел.), прикрепленных к 31 терапевтическому участку, в том числе 69,0% трудоспособного возраста (n = 34 902 чел.) из 18 медицинских организаций Волгоградской и Липецкой областей, а также Республики Удмуртия. Из общей численности 43,9% участников (n = 22 222 чел.) состояли под диспансерным наблюдением, из которых 37,1% (n = 8 239 чел.) трудоспособного возраста. Наибольшая доля участников исследования состояла под диспансерным наблюдением с диагнозом «Болезни, характеризующиеся повышенным кровяным давлением (коды по МКБ-10 I10-I15)» (55,9%, n = 12 435 чел.), за которым следовал диагноз «Ишемическая болезнь сердца (коды по МКБ-10 I20-I25)» (15,9%, n = 3 530 чел.) и «Инсулиннезависимый сахарный диабет (код по МКБ-10 E11)» (15,9%, n = 2 548 чел.). Подробная характеристика групп, включенных в исследование, представлена в таблице Ошибка: источник перекрёстной ссылки не найден. Таблица 2 Подробная характеристика групп, включенных в исследование, абс., %
Результаты корреляционного анализа, представленные в таблице 3, показали, что существует сильная обратная связь применения «ТОП-3 диагнозов» с числом лиц, которым была оказана скорая медицинская помощь при выездах (r = –0,51), числом лиц, направленных в стационар после оказания скорой медицинской помощи (r = –0,23), и числом умерших в трудоспособном возрасте (r = –0,17). Также следует отметить, что врачебные участки, на которых использовались технологии «ТОП-3 диагнозов», характеризовались более высоким охватом диспансерного наблюдения (r=0,22). Таблица 3 Результаты корреляционного анализа влияния применения «ТОП-3 диагнозов» на ряд параметров
В таблице 4 представлен расчет прямых затрат бюджета при использовании «ТОП-3 диагнозов», при котором использовалась средняя разность по показателям, имеющим статистически значимые различия между группой внедрения и группой сравнения. Таблица 4 Прямые затраты бюджета при использовании «ТОП-3 диагнозов»
Таким образом, суммарные прямые затраты, которые можно предотвратить за счет внедрения сервиса «ТОП-3 диагнозов», составили 179,3 руб. на одного прикрепленного жителя и соответственно 17,9 млн руб. для 100 000 тыс. прикрепленного населения. В таблице 5 представлен расчет косвенных затрат бюджета при использовании «ТОП-3 диагнозов», при котором рассчитывалась средняя разность по показателям, имеющим статистически значимые различия между группой внедрения и группой сравнения. Таблица 5 Косвенные затраты бюджета при использовании «ТОП-3 диагнозов»
Суммарные косвенные затраты, которые можно предотвратить за счет внедрения «ТОП-3 диагнозов», составили 912,9 руб. на одного прикрепленного человека и, соответственно, 91,3 млн руб. на 100 000 прикрепленного населения. При расчете и последующем анализе применения «ТОП-3 диагнозов» дельта DALY составила: DALYΔ = (72 – 51,57) × 1,83 = 37,4 сохраненных DALY на один участок в год. Следовательно, для поликлиники в 100 тыс. прикрепленного населения число сохраненных DALY составит 2200 лет в год. Обсуждение полученных результатов В результате исследования доказано, что цифровой сервис СППВР «ТОП-3 диагнозов» является важным инструментом улучшения качества медицинской помощи. Его применение не только снижает экономические затраты государства, но и способствует повышению социальной эффективности системы здравоохранения. Аналогичные результаты получены и в зарубежных исследованиях. Так, в работе Heekin et al. (2018) доказано, что для пациентов, чьи лечащие врачи не использовали СППВР, риск получения осложнений увеличивался на 29%, а число повторных госпитализаций было на 14% выше по сравнению с теми, чьи доктора использовали цифровой сервис. Также длительность пребывания пациентов в медицинской организации была на 6,2% больше, при отсутствии у врача СППВР, что понижало уровень удовлетворенности пациентов медицинской помощью [15]. В исследовании Sunjaya et al. (2022) выявлен положительный эффект от применения СППВР у взрослых пациентов со следующими заболеваниями: хроническая обструктивная болезнь легких, сердечная недостаточность, астма. Так, использование цифрового сервиса повысило точность врачебных назначений, а также привело к уменьшению числа обострений, что способствовало улучшению качества жизни пациентов [16]. Таким образом, исследование, проведенное в условиях реальной клинической практики, показало наличие выраженных социально-экономических эффектов от применения цифрового сервиса «ТОП-3 диагнозов». Суммарный объем сокращенных прямых затрат бюджета на фоне использования в течение одного года цифрового сервиса «ТОП-3 диагнозов» в медицинских организациях, оказывающих первичную медико-санитарную помощь, составил 17,9 млн руб. в год на 100 тыс. прикрепленного населения. Суммарный объем сокращенных косвенных затрат бюджета на фоне использования в течение одного года цифрового сервиса «ТОП-3 диагнозов» – 91,3 млн руб. в год на 100 тыс. прикрепленного населения. Основным показателем социальной эффективности является влияние сервиса «ТОП-3 диагнозов» на показатель DALY. В результате расчетов доказано, что при использовании цифрового сервиса удается сохранить 2200 лет в год на 100 тыс. прикрепленного населения. В этой связи внедрение цифрового сервиса «ТОП-3 диагнозов» в здравоохранение регионов Российской Федерации является целесообразным и перспективным с точки зрения масштабирования. Ограничение исследования. Основным ограничением настоящего исследования является малая географическая представленность, так как исследование проводилось в рамках медицинских организаций трех субъектов Российской Федерации. Таким образом, сложно оценить применимость результатов для других регионов с иным уровнем социально-экономического развития. Кроме того, период наблюдения составил лишь один год, что ограничивает возможность оценки долгосрочных социально-экономических эффектов внедрения СППВР. Таким образом, экстраполяция результатов на все субъекты Российской Федерации должна проводиться с определенной осторожностью. Заключение Применение систем поддержки принятия врачебных решений оказывает значительное положительное влияние на экономическую и социальную эффективность системы здравоохранения. Повышение качества жизни пациентов и рост удовлетворенности медицинской помощью являются ключевыми результатами внедрения этих технологий. В долгосрочной перспективе это способствует укреплению доверия к системе здравоохранения, повышению ее эффективности и улучшению показателей общественного здоровья. Библиография
References
Дата поступления: 11.02.2026 Просмотров: 4
Добавить комментарий
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Последнее обновление ( 24.09.2026 г. ) | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| « Пред. | След. » |
|---|