Анализ ценностных составляющих удовлетворенности первичной медико-санитарной помощью взрослого населения: проспективное наблюдательное исследование

ВВЕДЕНИЕ

Современный этап развития здравоохранения неразрывно связан с активным применением инновационных технологий в различных направлениях деятельности, а именно, от оценки факторов риска у пациентов до управления рисками при планировании административных решений. Термины «цифровизация здравоохранения», «телемедицина», «искусственный интеллект» являются составными компонентами федеральных проектов в здравоохранении¹. Особого внимания заслуживают методические и организационные подходы в системе управления организациями здравоохранения, направленные на достижение показателей эффективности деятельности организаций с мониторингом и их оценкой. При этом первой, как правило, оценивается эффективность медицинской организации по итогам деятельности путем анализа различных показателей [1]. Однако количество параметров, включенных в мониторинг деятельности медицинской организации, возрастает с увеличением запросов к практическому здравоохранению, что обуславливает необходимость активно использовать различные методы управления рисками для руководителя медицинской организации, известные как риск-менеджмент [2]. Одной из задач управления рисками является своевременное выявление и предотвращение развития неблагоприятных тенденций по различным показателям деятельности медицинской организации [3]. Особо актуальным становится применение современных методов моделирования, направленных на риск-ориентированное мышление², что позволяет своевременно корректировать управленческие решения [4–6]. Таким образом, в процессе перехода организаций первичной медико-санитарной помощи на новую модель медицинской организации с ценностно ориентированным подходом³ важным аспектом является определение и мониторинг базовых компонентов в основных процессах оказания первичной медико-санитарной помощи с позиции пациента, непосредственно влияющих на удовлетворенность качеством оказываемых медицинских услуг [7][8].

Возможностью прогнозировать риски соответствуют методики применения моделей на основе искусственных нейронных сетей, так называемый «искусственный интеллект» [9–11]. Искусственные нейронные сети давно применяются в промышленности, банковской сфере и других отраслях и достаточно прочно вступили в сферу здравоохранения [8][10–13]. Имея ряд преимуществ, нейронные сети способны динамично обучаться и на высоком уровне выявлять рисковые тенденции, в том числе и в управлении медицинской организацией [14–16]. Вместе с тем в научной периодике в настоящее время отсутствуют данные об опыте использования системы искусственного интеллекта в анализе структуры ценностных компонентов в рамках решения задачи по созданию условий, направленных на повышение доступности и качества медицинской помощи.

Цель исследования — сформировать и апробировать методику анализа и прогноза структурных составляющих ценностного компонента основных процессов, протекающих в поликлинике, как индикаторов удовлетворенности пациентов доступностью и качеством медицинской помощи с использованием искусственного интеллекта.

МЕТОДЫ

Дизайн исследования

Исследование носило характер проспективного наблюдательного.

Условия проведения исследования

Исследование выполнено на базе учебно-методического центра по развитию бережливых технологий и здравоохранения («Фабрика процессов») и кафедры общественного здоровья и здравоохранения с курсом экономики управления федерального государственного бюджетного образовательного учреждения высшего образования «Кировский государственный медицинский университет» Министерства здравоохранения Российской Федерации (ФГБОУ ВО «Кировский ГМУ» Минздрава России) совместно с Министерством здравоохранения Кировской области и региональным центром первичной медико-санитарной помощи в рамках сотрудничества по продвижению федеральных проектов в здравоохранении.

Исследование проведено в три этапа. Первый — «Статистическое наблюдение и формирование выборок для ИНС», на данном этапе рассмотрены анкеты респондентов за трехлетний период (2019–2021 гг.). Второй — «Формирование и отбор ИНС» проведен в течение 2021 года. Третьим этапом стала «Апробация полученной модели», он длился 4 месяца (рис. 1).

Критерии соответствия

Критерии включения

В исследование включались респонденты в возрасте старше 18 лет по факту посещения или обращения за медицинской помощью в одну из 5 поликлиник-участников г. Кирова.

Критерии невключения

В исследование не включались пациенты поликлиник, не относящиеся к контингенту прикрепленного населения, как не имеющие возможности осуществить сравнительно-динамическую оценку удовлетворенности доступностью и качеством медицинской помощи на основе единичного обращения.

Описание критериев соответствия

Исследование проводилось в несколько этапов. Первый этап включал в себя формирование обучающей и тестовой выборок на основе данных анкетирования пациентов для создания модели на основе искусственных нейронных сетей (ИНС). Для формирования выборок были использованы результаты анкетирования 525 респондентов. Второй этап включал в себя формирование и апробацию ИНС и отбор лучшей нейросетевой модели по показателям производительности и эффективности прогнозирования. Среди изученных нейросетевых моделей наибольшее качество прогноза показали модели на основе нейронных сетей [14]. Полученные результаты предыдущих этапов позволили приступить к программной реализации лучших нейросетевых моделей. В результате была создана программа для ЭВМ «Экспериментальная нейросетевая модель формирования ценностного компонента приема врача-терапевта участкового»⁴. Апробация полученной модели осуществлялась в ходе третьего этапа исследования в системе мониторинга достижения составляющих компонентов критериев новой модели медицинской организации и возможности их использования для анализа принятия своевременных управленческих решений. В ходе апробации приняли участие 5 поликлиник города Кирова. Общее количество респондентов составило 217 пациентов поликлиник. В качестве основы нейросетевой модели был выбран сетевой ансамбль, состоящий из радиально-базисной ИНС и многослойного персептрона [11][12]. Из материалов исследования были исключены статистические карты, содержащие неполный набор данных, соответствующих программе и плану исследования.

Радиально-базисная сеть выполняла задачи классификации (кластерного анализа) по целям обращения пациентов в поликлинику и структуре способов записи на прием. В качестве входных переменных для кластерного анализа использовались: возрастной состав пациентов, частота визитов в поликлинику по каждой исследуемой медицинской организации. Многослойный персептрон применялся для задач регрессии и состоял из слоев входных нейронов, трех слоев скрытых нейронов и слоя выходных нейронов. Входными переменными для задач регрессии служили возрастной состав, частота визитов в поликлинику и цели обращения к терапевту. Выходными переменными являлись удовлетворенность пациентов, частота возвратов по потоку в процессе получения медицинской услуги, время ожидания даты приема терапевта, время ожидания у кабинета перед непосредственным приемом терапевта и желаемое время ожидания с позиции пациента. Работа соответствует паспорту специальности «Общественное здоровье, организация и социология здравоохранения» согласно перечню направлений исследований п. 17 «Разработка теоретических и методологических основ обеспечения для населения доступности, качества и безопасности медицинской помощи».

Подбор участников в группы

По результатам первичного анализа статистических карт было установлено, что 525 из них (96,2%) соответствуют критериям включения в исследование, содержат полный набор признаков и могут быть использованы в итоговом анализе исследуемой выборки.

Целевые показатели исследования

Отбор и апробация оптимальной нейросетевой модели по показателям производительности и эффективности прогнозирования удовлетворенности пациентов доступностью и качеством медицинской помощи с использованием искусственного интеллекта.

Дополнительные показатели исследования

Дополнительные показатели в рамках настоящего исследования не предполагались.

Методы измерения целевых показателей

Проводили комплексную оценку удовлетворенности качеством и доступностью медицинской помощи. Оценка динамики основных изучаемых показателей качества проводилась на основе рассчитанных относительных величин (P, %).

Полученные данные были занесены в таблицы и построены графические изображения в виде столбиковых диаграмм.

Переменные (предикторы, конфаундеры, модификаторы эффекта)

Переменные для кластерного анализа: возрастной состав пациентов, частота визитов в поликлинику по каждой исследуемой медицинской организации. Входные переменные для задач регрессии: возрастной состав, частота визитов в поликлинику и цели обращения к терапевту. Выходные переменные: удовлетворенность пациентов, частота возвратов по потоку в процессе получения медицинской услуги, время ожидания даты приема терапевта, время ожидания у кабинета перед непосредственным приемом терапевта и желаемое время ожидания с позиции пациента. Удовлетворенность качеством медицинской помощи оценивали по следующим параметрам, составляющим ценностные компоненты: вежливость и внимательность, информативность ответов, проведение осмотра, рекомендации, компетентность врача, постановка диагноза, личное общение. Также проводилось оценивание комплексного показателя удовлетворенности по данным анкетирования и прогнозируемый уровень удовлетворенности.

Статистические процедуры

Принципы расчета размера выборки

Предварительный расчет выборки не осуществлялся.

Статистические методы

Статистическая обработка данных включала оценку нормальности распределения изучаемых количественных признаков с помощью критерия Колмогорова — Смирнова. Данная проверка показала, что изучаемые в исследовании количественные данные имеют распределение, отличное от нормального, поэтому количественные учетные признаки представлены медианой (Ме) и межквартильным размахом (Q₁–Q₃). Качественные учетные признаки представлены относительными величинами (Р, %) и их 95% доверительными интервалами. Оценка статистической значимости качественных данных выполнена с помощью критерия хи-квадрат. В качестве критического уровня статистической значимости различий (р) было выбрано значение р < 0,05. Оценка зависимости наблюдаемых и прогнозируемых данных выполнена с помощью непараметрического корреляционного анализа Спирмена. В качестве критического уровня статистической значимости корреляции (р) было выбрано значение р < 0,05. Расчет доверительных интервалов относительных величин выполнен с помощью программы WinBUGS методом Монте-Карло. Статистическая обработка данных выполнена в программе Statistica 13.0. (StatSoft, США) и WinBUGS 1.4.3 [11].

РЕЗУЛЬТАТЫ

Формирование и характеристика группы исследования

Для нейросетевого моделирования был взят анализ удовлетворенности пациентов приемом врача-терапевта участкового в медицинских организациях, применяющих бережливые технологии и оказывающих первичную медико-санитарную помощь для взрослого населения. На основе результатов анкетирования пациентов была сформирована структура комплексной оценки удовлетворенности пациентов доступностью и качеством медицинских услуг, которая включила в себя этап «до приема врачом» и этап «непосредственно прием врача». Этап «после приема» требует отдельной методики изучения как важный элемент оценки удовлетворенности с позиции приверженности пациентов к выполнению рекомендаций и назначений с позиции качества жизни пациента.

В ходе исследования при анализе структуры данных удовлетворенности пациентов доступностью и качеством медицинских услуг в процессе получения услуги с позиции ценностной составляющей важности непосредственно для пациента нами были выделены структурные блоки комплексной оценки удовлетворенности (рис. 2), которые включили в себя этап «до приема врачом» и этап «непосредственно прием врача». Структура была сформирована по результатам анализа за трехлетний период (общее количество респондентов за период 2019–2021 гг. составило 885 респондентов) компонентного состава и его ранжирования по значимости ценностных составляющих для пациентов, формирующих в целом понятие удовлетворенности медицинской услуги. В этап «до приема» вошли следующие приоритетные компоненты: работа регистратуры, важность которой в процессе получения медицинской услуги отметили 85,29% респондентов, время ожидания даты записи на прием врача, значимость установлена у 66,76% респондентов, длительность ожидания непосредственно приема у кабинета — значимо для 69,11% респондентов.

Таким образом, несмотря на предпочтение и приоритет в организации ПМСП удаленного формата записи и информирования, а также приема врача, минуя регистратуру, качество работы регистратуры, срок ожидания даты приема и времени ожидания у кабинета врача-специалиста по-прежнему остаются ведущими и значимыми критериями для пациентов, что является важным ценностным компонентом, составляющим общий показатель удовлетворенности доступности и качества медицинской помощи.

Этап «непосредственно прием врача» формировался исходя из общепринятого алгоритма приема врача-терапевта (опрос, осмотр, рекомендации) и оценивался с позиции ценности для пациента. Приоритетными компонентами стали: достаточность времени общения с врачом (важность в 88,27% случаев), удовлетворенность осмотром (важность в 85,14% случаев), полнота ответов на вопросы и их информативность (важность в 89,9% случаев).

На рисунке 3 представлена диаграмма комплексного показателя удовлетворенности пациентов качеством оказания медицинской услуги «прием врача-терапевта» с учетом полученной компонентной структуры наиболее значимых ценностных позиций в исследуемых медицинских организациях.

Как показывает диаграмма, в структуре формирования комплексного показателя удовлетворенности пациентов в большинстве исследуемых медицинских организаций статистически значимо преобладал этап «до приема» (р < 0,05).

Основной результат исследования

На первом этапе исследования по итогам полученной структуры наиболее ценных компонентов удовлетворенности пациентов были сформированы обучающая и тестовая выборка для искусственных нейронных сетей, выполнено обучение и тестирование нейросетевых моделей (рис. 4).

Полученные на втором этапе с помощью нейросетевого моделирования ожидаемые значения уровней ценностных компонентов в зависимости от частоты посещений поликлиники представлены в таблице 1.

Результаты показали преобладание важности компонента «информативность ответа» независимо от частоты обращений в поликлинику. Однако для пациентов, часто посещающих поликлинику, начинают преобладать качество проведения осмотра и медицинские назначения как базовый элемент врачебной функции. В группах пациентов с частотой посещения несколько раз в год и реже раза в год наблюдается рост значимости ценностного компонента «вежливость и внимательность врача».

На основании данных анкетирования на третьем этапе исследования в обучающей выборке был рассчитан комплексный показатель удовлетворенности пациентов. В таблице 2 представлены результаты сравнительного анализа наблюдаемого и прогнозируемого с помощью нейросетевого моделирования уровня удовлетворенности пациентов в исследуемых медицинских организациях.

Между наблюдаемыми и прогнозируемыми данными существует сильная прямая корреляционная зависимость (ρ_xy = 0,9; p < 0,05). Не было выявлено статистически значимых различий между наблюдаемым и предсказанным уровнями комплексной удовлетворенности пациентов во всех медицинских организациях.

ОБСУЖДЕНИЕ

Резюме основного результата исследования

Проведенное исследование позволило изучить и ранжировать по значимости ценностные составляющие для пациентов, формирующие показатель удовлетворенности медицинской услугой с помощью анкетирования, а также сформировать на этой основе обучающую выборку для нейросетевых моделей анализа удовлетворенности. Анализ ценностных составляющих удовлетворенности показал преобладание этапа «до приема»: работа регистратуры (важность в процессе получения медицинской услуги 85,29%), время ожидания даты записи на прием врача (значимость отметили 66,76% респондентов), длительность непосредственно ожидания приема у кабинета (оказалось ценным для 69,11% опрошенных). С позиции достижения критериев доступности и качества медицинской помощи предложенные нейросетевые модели позволяют воздействовать с помощью управленческих решений и переносить фокусировку ценностного компонента для пациента на непосредственный этап «прием врача», тем самым формируя в показателе удовлетворенности приоритет на качество оказываемой медицинской помощи.

На основе выполненного ранее изучения эффективности ИНС были отобраны и построены нейросетевые модели удовлетворенности пациентов медицинской услугой «прием врача-терапевта». Полученные результаты нейросетевого моделирования не имели статистически значимых различий с аналогичными результатами изучения удовлетворенности пациентов, полученными с помощью их анкетирования. Использование нейросетевого моделирования может стать существенным дополнением проведения оперативного анализа уровня и компонентов удовлетворенности пациентов для медицинских организаций. Такой подход позволяет экономить временные, кадровые ресурсы на проведение анализа удовлетворенности и своевременно получать достоверную информацию в формате обратной связи.

В настоящее время в клинической практике использование технологий искусственного интеллекта уже широко применяется для мониторинга факторов риска здоровью населения, выделения групп риска при обращении в поликлиники и диспансеризации, а также для организации активного персонифицированного диспансерного наблюдения [5][16–25], что обуславливает актуальность использования аналогичного персонифицированного подхода в аспекте проведения оценки удовлетворенностью пациента качеством оказываемой медицинской помощи и, как следствие, разработки своевременных организационных улучшений данных процессов. Анализ ценностного компонента с помощью нейронных сетей позволяет сформировать персонифицированные профили структуры удовлетворенности пациента в зависимости от возраста, пола, частоты посещения поликлиники и целей обращения к терапевту. Полученные персонифицированные профили становятся визуализацией формирования удовлетворенности как итога клиентского пути пациента при достижении критерия «доступность медицинской помощи». Такой подход позволяет оперативно оценить удельный вес структурных составляющих удовлетворенности для каждого пациента, мониторировать ожидаемые результаты и вовремя корректировать управленческие решения, направленные на оптимизацию процесса оказания медицинской помощи.

Ограничения исследования

В исследование не вошел этап «после приема врача-терапевта», который, несомненно, является важным элементом качества медицинской услуги и оказывает влияние на степень удовлетворенности пациента. Включение данного этапа в дизайн исследования планируется в дальнейших исследованиях.

Интерпретация результатов исследования

Для обучения ИНС используются данные анкетирования пациентов в медицинских организациях, качество которых зависит от методики сбора информации, структуры вопросов, количества и структуры респондентов, что может быть причиной возможных неточностей и ошибок при моделировании и прогнозировании. Кроме того, в изучении нуждаются региональные особенности структуры ценностного компонента для пациентов, а также различия в организации медицинской помощи.

ЗАКЛЮЧЕНИЕ

Применение искусственного интеллекта позволяет оперативно оценивать тренды и риски по ценностным компонентам показателя удовлетворенности пациентов. Предложенные нейросетевые модели могут стать основой при создании информационных систем управления, осуществляющих мониторинг в достижении критериев эффективности новой модели медицинской организации. Таким образом, информационные системы, использующие нейросетевой подход, могут стать важным элементом поддержки управленческих решений при построении и оптимизации клиентского пути пациента.