“很多金融科技平臺都認為自己擁有足夠的數據保護技術，確保這些醫保數據不會外泄，但我們不怕一萬，就怕萬一。”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。
??每個月他都會約見3-4家金融科技平臺業務主管，了解他們借助大數據與人工智能技術提升醫保監測效率，遏制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成果。
??“事實上，傳統醫保監測解決方案存在不少弊端，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大方面，一是打不通臨床數據、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狀況，無法做到“對癥下藥”有效治理;
??二是現有的醫保監測解決方案，風控規則是事先設計好的，對醫療行為的判讀往往是“事后”的，不能及時監管醫生在診療過程中的異常行為，做到事中審核杜絕過度醫療行為。
??“要借助金融科技平臺的大數據分析與人工智能技術，徹底解決當前醫保監測解決方案的弊端，要走的路還漫長。”王剛向記者坦言，一方面當地政府部門考慮到醫保基金數據的安全性，不大會與外部系統聯網相關數據;另一方面不少地方政府部門人士認為當前醫保業務自成體系，未必需要引入外部系統，反而增加數據外泄的風險。
??更重要的是，僅在各類醫療數據標準化歸集處理一項，多數金融科技平臺所謂的大數據分析與人工智能技術，未必能達到相關政府部門的要求，更別提通過上述技術對醫療數據進行實時分析，在事前、事中環節有效遏制過度醫療、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制。
??“其實，不少金融科技平臺也對此給出了自己的成功案例，包括與地方政府醫保系統開發了基于互聯網+大數據分析+AI智能治理的醫改監測平臺，但它們是否適合我們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系統應用雷聲大、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臺都標榜自己的大數據與人工智能技術很厲害，但僅數據標準化歸集一項，我可能會過濾掉80%的潛在合作機構。”王剛向記者表示。
??在他看來，當前醫保系統的數據標準化歸集處置所面臨的挑戰并不少：一是醫院覆蓋面廣，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;二是接入后的數據質量較差，缺乏統一的數據目錄標準，需要金融科技平臺投入大量時間、人力和技術用于數據治理。比如部分醫院醫生習慣性地在病人病歷卡上寫“不舒服”，但在數據輸入時，“不舒服”需要與當時病人所患疾病一一對應，用專業的醫學術語解釋“不舒服”的具體狀況及相應病癥，因此金融科技平臺需要核實大量醫院醫療數據與患者病歷，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，金融科技平臺還會遇到不少的煩惱——若金融科技平臺遵循傳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，再植入系統，設計不同類型數據的映射關系，將導致相關操作效率低下，每一次原始醫療數據的更迭，都會對已植入系統的目錄標準構成影響，甚至需要對目錄標準進行更新。比如某個病人病癥的不舒服狀況起初歸咎于“頭疼”，但后來數據審核發現他是因為“胃疼”導致不舒服，那么相關數據需要重新更迭歸入新的目錄標準，導致相關數據輸入工作不得不推倒重來，從新開始。
??“因此，金融科技平臺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臺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臺合作，可能會出現“一步錯，步步錯”的局面。
??但他也發現，個別金融科技平臺通過研發基于人工智能和大數據技術的數據智能治理模型，有效解決了上述痛點。具體而言，他們一方面在數據標準化接入方面，先制定醫院數據統一接入規范，約束醫院雜亂無章的數據結構;一方面在數據標準化治理方面，優先建立疾病、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，從而將大量醫院原始醫療數據進行內容標準化處理，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金融科技平臺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系統改革，有著更高的期望值，包括地方衛健委能通過基于大數據與人工智能的醫改監測平臺，對轄區內公立醫院臨床醫療數據進行實時接收和監管，對關鍵數據(尤其是醫保費用數據)開展分析，實現提前預警和事后審核，有效遏制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面的績效評估，提升醫院管理效率同時，解決醫療數據不能自動化處理，數據共享聯動和深度價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臺已將大數據與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，不斷優化醫改監測平臺風控規則與智能審核流程，從而滿足地方政府部門的上述要求。
??“但是，相關實踐效果不一。”一位涉足地方醫保系統技術合作的金融科技平臺負責人向記者透露，部分金融科技平臺提供的基于大數據與人工智能的醫保監測解決方案，的確讓當地監測異常的輔助用藥和高值耗材采購價直接下降10%-30%、人均出院費用同比下降5%-6%，但多數金融平臺給出的相關解決方案效果不夠明顯，當地醫院以藥養醫，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方案的實施效果高低，很大程度取決于地方政府的監管執行力度。包括對不良執業和不合理用藥行為的醫院與醫生采取較嚴的處罰力度，通過構建全面專業的DRG績效管理與醫院等級評審制度，“迫使”當地醫院持續提升臨床治療質量與成本核算管理的考核，從而逐步有效遏制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。
??“這取決于當地政府衛健委等醫保管理部門的監管尺度松緊。”這位金融科技平臺負責人坦言。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系統弊端的改革決心都很大，但由于舊觀念的局限，令相關技術合作進展相對緩慢。
??“舊觀念”的局限與突破
??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。
??“很多金融科技平臺都認為自己擁有足夠的數據保護技術，確保這些醫保數據不會外泄，但我們不怕一萬，就怕萬一。”他向記者指出。因此地方政府相關部門內部對金融科技平臺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臺優先考慮。
??在他看來，正是這種顧慮，讓他在過去一年不大敢與金融科技平臺深入探討現行醫改監測方案弊端的解決方案，以及要求他們量身定制新的方案。
??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金融科技平臺的合作，也是基于形勢所迫。此前一個中西部地區大型城市，在全國醫改推動效果檢查過程處于全國落后水平，令當地政府決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方案的諸多弊端，比如打不通臨床數據、做不好數據標準化、無法落實數據應用等。如今在金融科技平臺量身定制基于大數據與人工智能的醫保監測平臺后，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。
??“目前我們也在觀察這個城市的新型醫保監測平臺是否能持續遏制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，即便是基于大數據與人工智能的醫保監測平臺，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臺未能及時發現，就容易造成新的過度醫療現象，令醫保監測效果大打折扣。
??“我們也注意到這個問題。”上述涉足地方醫保系統技術合作的金融科技平臺負責人向記者透露，為此他所在的金融科技平臺開始引入深度學習技術，一方面基于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，另一方面打造新的風控模型，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的智能風控技術一直在與日俱進，可能需要相當長時間的實踐效果檢驗。”他直言。