Система обязательного медицинского страхования (ОМС) Российской Федерации гарантирует гражданам получение бесплатной медицинской помощи, качество и объёмы которой контролируются страховыми медицинскими организациями (СМО). Основным механизмом контроля служат контрольно-экспертные мероприятия (КЭМ), включающие медико-экономическую экспертизу (МЭЭ) и экспертизу качества медицинской помощи (ЭКМП). Порядок проведения КЭМ регламентирован приказом Минздрава России от 19.03.2021 № 231н [1], который определяет исчерпывающий перечень формальных критериев для обязательного отбора случаев и минимальные нормативные объёмы проверок, дифференцированные по условиям оказания помощи.

Несмотря на наличие детальной нормативной базы, практическая реализация отбора остаётся трудоёмкой и слабо автоматизированной. Специалисты СМО вынуждены вручную обрабатывать многотысячные реестры счетов, сопоставлять данные из разрозненных источников и осуществлять добор недостающих до норматива записей, часто без чётких правил. Это приводит к значительным временным затратам, ошибкам и снижению эффективности контроля [2, 3].

Центральным документом, регулирующим отбор случаев на КЭМ, является упомянутый Приказ № 231н [1]. Для МЭЭ он устанавливает следующие обязательные критерии, каждый из которых должен проверяться при анализе реестра счетов: повторное обращение — наличие у одного застрахованного лица двух и более случаев с одинаковым кодом диагноза (первые три знака МКБ-10) в течение ограниченного временного окна (для амбулаторной помощи — 14 дней, для стационарной — 30 дней при условии, что длительность предыдущего случая не превышала трёх дней); жалоба застрахованного лица — поступление жалобы на доступность или сроки оказания помощи (при этом исключаются случаи, завершившиеся летальным исходом); онкологический случай с лекарственной терапией — код основного диагноза относится к классу C00–C97 (злокачественные новообразования) и в реестре зафиксирована услуга химиотерапии; диспансерное наблюдение — диагноз входит в перечень, требующий диспансерного учёта согласно приказу № 168н [4], но запись о профилактическом осмотре в установленные сроки отсутствует; несоответствие признака летального исхода — ситуация, когда в реестре счетов случай закрыт с благоприятным результатом, тогда как по данным реестра смертей застрахованное лицо умерло в период оказания помощи. ЭКМП дополнительно охватывает случаи летального исхода вне медицинской организации, если смерть наступила в течение семи дней после завершения лечения.

Помимо качественных критериев, Приказ № 231н задаёт количественные нормативы — минимальную долю случаев, подлежащих экспертизе, в разрезе каждой медицинской организации и типа условий оказания помощи: вне медицинской организации — ≥ 2 %; амбулаторно — ≥ 0,5 %; дневной стационар — ≥ 6 %; круглосуточный стационар — ≥ 6 %. Эти пороговые значения выступают как обязательные контрольные цифры. Если после применения всех детерминированных критериев объём отобранных случаев оказывается ниже норматива, требуется дополнительный добор недостающего числа записей. Именно эта стадия сегодня представляет наибольшую сложность, так как не регламентирована формальными правилами. Таким образом, задача отбора структурно разделяется на две составляющие: гарантированное выявление случаев, удовлетворяющих жёстким условиям, и последующее ранжирование оставшихся для выполнения нормативных объёмов. Первая часть алгоритмизуема и может быть реализована продукционными правилами, вторая — требует применения методов, способных учитывать многомерные зависимости и обеспечивать воспроизводимость и прозрачность выбора.

Исследование практики работы ряда СМО (на основе открытых данных и публикаций) показывает, что процесс отбора строится по типовой схеме, включающей получение выгрузок реестров счетов, жалоб, смертей и ранее проведённых экспертиз из информационных систем территориальных фондов ОМС или медицинских организаций; ручную проверку полноты и корректности данных; последовательный просмотр записей экспертом на предмет соответствия критериям; фиксацию отобранных «обязательных» случаев с указанием основания; подсчёт количества отобранных случаев по каждой медицинской организации и условию оказания помощи, сравнение с нормативами; при выявлении дефицита — добор дополнительных случаев из числа оставшихся. Детальный анализ этого процесса позволил выделить следующие системные проблемы: высокая ресурсоёмкость (обработка месячного реестра, насчитывающего сотни тысяч записей, может занимать у одного эксперта от нескольких дней до двух недель); ошибки, обусловленные человеческим фактором (монотонный характер работы, утомляемость, различия в квалификации ведут к пропуску случаев или ошибочному включению); отсутствие системного подхода к добору (эксперт действует интуитивно, ориентируясь на наиболее заметные или дорогостоящие счета, что не гарантирует равномерности охвата и максимальной результативности проверок); разрозненность и неоднородность данных (информация рассредоточена по нескольким реестрам, встречаются расхождения в идентификаторах, форматах дат, кодировании диагнозов). В научной литературе подчёркивается, что достоверность первичной медицинской документации является критическим фактором качества экспертизы [5], а системный подход к контролю способствует повышению финансовой устойчивости медицинских организаций [2].

Анализ применяемых в настоящее время программных средств и научных разработок позволяет выделить три основные группы. Зарубежные системы выявления аномалий и мошенничества (Optum Fraud, Waste and Abuse Detection, SAS Fraud Management [6]) ориентированы на поиск подозрительных паттернов с использованием методов машинного обучения, но не привязаны к российским нормативным критериям, не имеют механизмов соблюдения регламентированных процентных нормативов и часто недоступны в РФ. Отечественные медицинские информационные системы (комплексы ТФОМС и внутренние системы СМО) автоматизируют преимущественно учётные функции, а модули отбора случаев для КЭМ реализуют жёстко заданные правила без функций добора и гибкой настройки нормативов. Научные работы в области глубокого обучения для табличных данных, такие как TabNet [7] и FT-Transformer [8], демонстрируют высокую точность классификации и интерпретируемость за счёт механизмов внимания, но не включают встроенных механизмов учёта нормативных ограничений. Их применение возможно только в составе гибридной системы, где формальные критерии обрабатываются отдельным модулем. Сравнительная характеристика подходов приведена в таблице 1.

Таблица 1

Сравнение подходов к автоматизации отбора

Для строгого описания предметной области предлагается теоретико-множественная модель. Пусть Ω — генеральная совокупность всех случаев оказания медицинской помощи за отчётный период. Каждый случай ω ∈ Ω описывается набором атрибутов: id — уникальный идентификатор, p — идентификатор пациента, mo — код медицинской организации, cond — условие оказания помощи (вне МО / амбулаторно / дневной стационар / стационар), diag — код диагноза по МКБ-10, date_begin, date_end — даты начала и окончания, dur — длительность, cost — стоимость, result — результат («благоприятный» / «летальный»). Дополнительно определены множества: J — жалобы (с атрибутами id_case, date_complaint, type); D — смерти (с атрибутами p, date_death). На основе этих данных формулируются шесть критериев

K = {k₁,..., k₆},

каждый из которых представляет собой предикат, определённый на Ω (с возможным обращением к J и D). Например,

Множество обязательных случаев:

Для каждой группы g = (mo, cond) вычисляется фактический объём

и требуемый объём

Если V_g_mand < V_g_norm, фиксируется дефицит Δ_g = V_g_norm — V_g_mand, и из множества кандидатов Ω_g \ Ω_mand необходимо отобрать Δ_g записей. Задача этого отбора сводится к ранжированию кандидатов по некоторой оценке предпочтительности r(ω), вычисляемой на основе атрибутов случая и, возможно, исторических данных.

Таким образом, проведённый анализ показал, что процесс отбора случаев для КЭМ в системе ОМС характеризуется высокой степенью нормативной регламентации критериев и объёмов, но сохраняет существенную долю ручного труда на этапах проверки и добора. Основными проблемами являются большие временные затраты, влияние человеческого фактора, отсутствие системного подхода к дополнительному отбору и разрозненность источников данных. Существующие информационные системы либо не учитывают российскую нормативную специфику, либо автоматизируют лишь часть формальных проверок, не предлагая инструментов для обоснованного добора. Научные разработки в области глубокого обучения для табличных данных демонстрируют перспективные возможности ранжирования и интерпретации, однако требуют интеграции с детерминированными правилами. Предложенная формальная модель процесса и выделенные сущности создают основу для проектирования гибридной интеллектуальной системы, которая объединит продукционные алгоритмы проверки критериев с методами машинного обучения для ранжирования кандидатов. Такая система позволит не только сократить трудозатраты экспертов, но и повысить объективность и результативность контрольно-экспертных мероприятий.

Литература:

1. Приказ Минздрава России от 19.03.2021 № 231н «Об утверждении Порядка проведения контроля объемов, сроков, качества и условий предоставления медицинской помощи по обязательному медицинскому страхованию застрахованным лицам, а также ее финансового обеспечения» (ред. от 04.09.2024).
2. Цыганова О. А., Ясько Н. Н. Влияние результатов контрольно-экспертных мероприятий на формирование финансовой устойчивости медицинских организаций в системе обязательного медицинского страхования (на примере онкологической помощи) // Социальные аспекты здоровья населения. — 2025. — Т. 71, № 1.
3. Зигангареева Г. Г., Королева О. И., Хусаинова Д. К. Пути совершенствования внутреннего контроля качества и безопасности медицинской деятельности: как использовать результаты контроля в сфере обязательного медицинского страхования // Менеджер здравоохранения. — 2023. — № 6.
4. Приказ Минздрава России от 15.03.2022 № 168н «Об утверждении порядка проведения диспансерного наблюдения за взрослыми» (ред. от 28.02.2024).
5. Зигангареева Г. Г., Королева О. И., Хусаинова Д. К. Медицинская документация как элемент системы управления качеством медицинской помощи // Общественное здоровье и здравоохранение. — 2021. — № 3(71). — С. 24–28.
6. Bauder R. A., Khoshgoftaar T. M. The Detection of Medicare Fraud Using Machine Learning Methods with Excluded Provider Labels // Proceedings of the Thirty-First International Florida Artificial Intelligence Research Society Conference (FLAIRS-31). — 2018.
7. Arik S. Ö., Pfister T. TabNet: Attentive Interpretable Tabular Learning // Proceedings of the AAAI Conference on Artificial Intelligence. — 2021. — Vol. 35, No. 8. — P. 6679–6687.
8. Gorishniy Y., Rubachev I., Khrulkov V., Babenko A. Revisiting Deep Learning Models for Tabular Data // Advances in Neural Information Processing Systems. — 2021. — Vol. 34.