“很多金融科技平台都認為(wei) 自己擁有足夠的數據保護技術，確保這些醫保數據不會(hui) 外泄，但我們(men) 不怕一萬(wan) ，就怕萬(wan) 一。”一位西部城市衛健委部門負責人向記者指出。

??去年以來，一座西部城市衛健委部門負責人王剛(化名)告別了相對休閑的生活。

??每個(ge) 月他都會(hui) 約見3-4家金融科技平台業(ye) 務主管，了解他們(men) 借助大數據與(yu) 人工智能技術提升醫保監測效率，遏製醫保報銷領域跑冒滴漏、過度醫療、浪費濫用、套刷套藥等灰色操作現象的具體(ti) 成果。

??“事實上，傳(chuan) 統醫保監測解決(jue) 方案存在不少弊端，的確到了需要改革的地步。”他坦言。在他看來，這些弊端主要表現在兩(liang) 大方麵，一是打不通臨(lin) 床數據、做不好數據標準化歸集處理、無法落實數據應用等，導致當地衛健委難以實時掌握醫保報銷領域存在的灰色操作具體(ti) 狀況，無法做到“對症下藥”有效治理;

??二是現有的醫保監測解決(jue) 方案，風控規則是事先設計好的，對醫療行為(wei) 的判讀往往是“事後”的，不能及時監管醫生在診療過程中的異常行為(wei) ，做到事中審核杜絕過度醫療行為(wei) 。

??“要借助金融科技平台的大數據分析與(yu) 人工智能技術，徹底解決(jue) 當前醫保監測解決(jue) 方案的弊端，要走的路還漫長。”王剛向記者坦言，一方麵當地政府部門考慮到醫保基金數據的安全性，不大會(hui) 與(yu) 外部係統聯網相關(guan) 數據;另一方麵不少地方政府部門人士認為(wei) 當前醫保業(ye) 務自成體(ti) 係，未必需要引入外部係統，反而增加數據外泄的風險。

??更重要的是，僅(jin) 在各類醫療數據標準化歸集處理一項，多數金融科技平台所謂的大數據分析與(yu) 人工智能技術，未必能達到相關(guan) 政府部門的要求，更別提通過上述技術對醫療數據進行實時分析，在事前、事中環節有效遏製過度醫療、跑冒滴漏、套刷套藥等灰色操作同時，逐步完善醫院的績效考核機製。

??“其實，不少金融科技平台也對此給出了自己的成功案例，包括與(yu) 地方政府醫保係統開發了基於(yu) 互聯網+大數據分析+AI智能治理的醫改監測平台，但它們(men) 是否適合我們(men) 當地醫改醫療運作狀況，仍是未知數。”王剛坦言。這也是當前大數據+人工智能技術在醫保係統應用雷聲大、雨點小的主要原因之一。

??數據標準化輸入瓶頸待解

??“盡管不少金融科技平台都標榜自己的大數據與(yu) 人工智能技術很厲害，但僅(jin) 數據標準化歸集一項，我可能會(hui) 過濾掉80%的潛在合作機構。”王剛向記者表示。

??在他看來，當前醫保係統的數據標準化歸集處置所麵臨(lin) 的挑戰並不少：一是醫院覆蓋麵廣，需要接入數據的醫療機構較多，導致數據對接方案相當繁瑣;二是接入後的數據質量較差，缺乏統一的數據目錄標準，需要金融科技平台投入大量時間、人力和技術用於(yu) 數據治理。比如部分醫院醫生習(xi) 慣性地在病人病曆卡上寫(xie) “不舒服”，但在數據輸入時，“不舒服”需要與(yu) 當時病人所患疾病一一對應，用專(zhuan) 業(ye) 的醫學術語解釋“不舒服”的具體(ti) 狀況及相應病症，因此金融科技平台需要核實大量醫院醫療數據與(yu) 患者病曆，才能做出準確的數據標準化歸集治理。

??在數據標準化治理過程，金融科技平台還會(hui) 遇到不少的煩惱——若金融科技平台遵循傳(chuan) 統的數據輸入操作模式，即先線下整理所謂的數據目錄標準，再植入係統，設計不同類型數據的映射關(guan) 係，將導致相關(guan) 操作效率低下，每一次原始醫療數據的更迭，都會(hui) 對已植入係統的目錄標準構成影響，甚至需要對目錄標準進行更新。比如某個(ge) 病人病症的不舒服狀況起初歸咎於(yu) “頭疼”，但後來數據審核發現他是因為(wei) “胃疼”導致不舒服，那麽(me) 相關(guan) 數據需要重新更迭歸入新的目錄標準，導致相關(guan) 數據輸入工作不得不推倒重來，從(cong) 新開始。

??“因此，金融科技平台能否確保所有數據都能得到準確的標準化治理歸集，某種程度影響到未來醫保監測大數據分析的精準性。”他指出，目前多數金融科技平台坦言自己還無法在數據標準化治理歸集環節做到100%精準，令他擔心引入金融科技平台合作，可能會(hui) 出現“一步錯，步步錯”的局麵。

??但他也發現，個(ge) 別金融科技平台通過研發基於(yu) 人工智能和大數據技術的數據智能治理模型，有效解決(jue) 了上述痛點。具體(ti) 而言，他們(men) 一方麵在數據標準化接入方麵，先製定醫院數據統一接入規範，約束醫院雜亂(luan) 無章的數據結構;一方麵在數據標準化治理方麵，優(you) 先建立疾病、藥品等基準目錄，再在目錄基礎上建立標準化和結構化模型，從(cong) 而將大量醫院原始醫療數據進行內(nei) 容標準化處理，有效提升數據治理效能同時降低人工維護成本。

??“光靠它，還不足以吸引不少地方衛健委與(yu) 金融科技平台圍繞提升醫保監測效率開展合作。”王剛直言。比如他所在的地方政府部門對醫保監測係統改革，有著更高的期望值，包括地方衛健委能通過基於(yu) 大數據與(yu) 人工智能的醫改監測平台，對轄區內(nei) 公立醫院臨(lin) 床醫療數據進行實時接收和監管，對關(guan) 鍵數據(尤其是醫保費用數據)開展分析，實現提前預警和事後審核，有效遏製醫療機構人員不合理用藥所帶來的過度醫療現象;此外當地衛健委還希望能以此構建一整套新的科學、客觀的數據分析工具，包括拓展處方點評、DRG績效管理、醫院等級評審等功能，對當地公立醫院進行全麵的績效評估，提升醫院管理效率同時，解決(jue) 醫療數據不能自動化處理，數據共享聯動和深度價(jia) 值挖掘能力不足等問題。

??記者多方了解到，目前部分金融科技平台已將大數據與(yu) 人工智能技術應用到這些領域，包括研發DRG支付風控等智能化技術，不斷優(you) 化醫改監測平台風控規則與(yu) 智能審核流程，從(cong) 而滿足地方政府部門的上述要求。

??“但是，相關(guan) 實踐效果不一。”一位涉足地方醫保係統技術合作的金融科技平台負責人向記者透露，部分金融科技平台提供的基於(yu) 大數據與(yu) 人工智能的醫保監測解決(jue) 方案，的確讓當地監測異常的輔助用藥和高值耗材采購價(jia) 直接下降10%-30%、人均出院費用同比下降5%-6%，但多數金融平台給出的相關(guan) 解決(jue) 方案效果不夠明顯，當地醫院以藥養(yang) 醫，人均治療費用依然居高不下。

??在他看來，其實這些醫保監測解決(jue) 方案的實施效果高低，很大程度取決(jue) 於(yu) 地方政府的監管執行力度。包括對不良執業(ye) 和不合理用藥行為(wei) 的醫院與(yu) 醫生采取較嚴(yan) 的處罰力度，通過構建全麵專(zhuan) 業(ye) 的DRG績效管理與(yu) 醫院等級評審製度，“迫使”當地醫院持續提升臨(lin) 床治療質量與(yu) 成本核算管理的考核，從(cong) 而逐步有效遏製醫保報銷領域跑冒滴漏、過度醫療、浪費濫用、套刷套藥等灰色操作現象。

??“這取決(jue) 於(yu) 當地政府衛健委等醫保管理部門的監管尺度鬆緊。”這位金融科技平台負責人坦言。目前他接觸了不少地方政府醫保管理部門負責人，感覺地方針對醫保監測係統弊端的改革決(jue) 心都很大，但由於(yu) 舊觀念的局限，令相關(guan) 技術合作進展相對緩慢。

??“舊觀念”的局限與(yu) 突破

??在王剛看來，所謂的舊觀念局限，其實是地方政府針對大數據與(yu) 人工智能技術在醫保領域應用的一大顧慮，即擔心地方醫保數據可能出現外泄風險。

??“很多金融科技平台都認為(wei) 自己擁有足夠的數據保護技術，確保這些醫保數據不會(hui) 外泄，但我們(men) 不怕一萬(wan) ，就怕萬(wan) 一。”他向記者指出。因此地方政府相關(guan) 部門內(nei) 部對金融科技平台合作有著一條不成文的準入門檻，即國企或大型持牌金融機構下屬的金融科技平台優(you) 先考慮。

??在他看來，正是這種顧慮，讓他在過去一年不大敢與(yu) 金融科技平台深入探討現行醫改監測方案弊端的解決(jue) 方案，以及要求他們(men) 量身定製新的方案。

??一位地方政府部門人士向記者坦言，其實不少地方政府部門與(yu) 金融科技平台的合作，也是基於(yu) 形勢所迫。此前一個(ge) 中西部地區大型城市，在全國醫改推動效果檢查過程處於(yu) 全國落後水平，令當地政府決(jue) 心落實健康醫療大數據行動方案，徹底改變現行醫保監測解決(jue) 方案的諸多弊端，比如打不通臨(lin) 床數據、做不好數據標準化、無法落實數據應用等。如今在金融科技平台量身定製基於(yu) 大數據與(yu) 人工智能的醫保監測平台後，當地醫改監測工作的實時動態程度迅速提升，已經位列全國前列。

??“目前我們(men) 也在觀察這個(ge) 城市的新型醫保監測平台是否能持續遏製醫保報銷領域的各種灰色操作現象，以及持續提升醫院績效管理水準。”他直言，畢竟，即便是基於(yu) 大數據與(yu) 人工智能的醫保監測平台，很多風控審核規則也都是事先設計好的，一旦出現新的灰色操作模式且醫改監測平台未能及時發現，就容易造成新的過度醫療現象，令醫保監測效果大打折扣。

??“我們(men) 也注意到這個(ge) 問題。”上述涉足地方醫保係統技術合作的金融科技平台負責人向記者透露，為(wei) 此他所在的金融科技平台開始引入深度學習(xi) 技術，一方麵基於(yu) 數據分析研發新的方法，以此更快地適應醫療數據更新對現有風控規則造成的各類影響，另一方麵打造新的風控模型，更快速地識別醫療過程所形成的“異常內(nei) 容”，杜絕新的醫保報銷領域灰色操作現象滋生。

??“不過，要讓地方衛健委等醫保管理部門相信我們(men) 的智能風控技術一直在與(yu) 日俱進，可能需要相當長時間的實踐效果檢驗。”他直言。