Елена Владимировна Колядо – кандидат медицинских наук, заместитель главного врача, доцент
Барнаул
Elena V. Kolyado – Candidate of Medical Sciences, senior lecturer
Barnaul
Владимир Алексеевич Пелеганчук – доктор медицинских наук, главный врач, заведующий кафедрой, профессор
Барнаул
Vladimir A. Peleganchuk – Doctor of Medical Sciences
Barnaul
Антон Николаевич Повалихин – кандидат технических наук
Барнаул
Anton N. Povalikhin – Candidate of Science Engineering
Barnaul
Виктория Викторовна Лазарева – заведующий отделом, врач-методист
Барнаул
Viktoriya V. Lazareva
Barnaul
Введение. Планирование и структурное распределение утвержденных для медицинской организации объёмов медицинской помощи, управление ключевыми процессами отбора и госпитализации пациентов с применением цифровых технологий – важнейшие организационные инструменты для успешной реализации государственного задания.
Цель. Представить организационную модель управления объемами медицинской помощи, процессами отбора и госпитализации в профильном федеральном центре с применением цифровых технологий. Материалы и методы. Сплошным методом проведен анализ исполнения плановых объёмов 72 547 случаев оказания специализированной, в том числе высокотехнологичной, медицинской помощи за 10-летний период (2013-2022 гг.) по профилям «травматология и ортопедия», «нейрохирургия» с помощью медицинской информационной системы и цифрового регистра пациентов.
Результаты. Установлены показатели и виды неявок пациентов на госпитализацию: частота информированной неявки составила 37,9 ± 0,4 (на 100 запланированных пациентов), частота неинформированной неявки – 18,4 ± 0,4 (на 100 обратившихся в приёмное отделение пациентов), частота повторной неявки – 1,6 ± 0,1, частота внеплановой явки (прибытия) пациентов – 6,0 ± 0,1. Показатель частоты отказов в госпитализации за 10-летний период (2013-2022 гг.) – 6,4 ± 0,1 (на 100 обратившихся пациентов). За 3-летний период (2020-2022 гг.) показатель частоты неподтвержденных показаний к операции 6,9 ± 0,1 (на 100 пациентов). Сравнительный анализ 5-летних периодов 2013-2017 гг. и 2018-2022 гг. установил увеличение среднепятилетних показателей частоты отказов в госпитализации в 1,4 раза (t = 13,6, р < 0,0001). За 5-летний период (2018-2022 гг.) показатели частоты госпитализации пациентов возрастной категории «75 лет и старше» – 5,3 ± 0,1 и пациентов с сопутствующей патологией «сахарный диабет» – 11,8 ± 0,2 (на 100 пролеченных пациентов). Предложена универсальная методика расчета прогнозного итога госпитализированных. Обсуждение. В связи с установленными показателями частоты неявки пациентов на госпитализацию целесообразно предусматривать количество пациентов сверх плана для достижения необходимых итогов по состоявшимся госпитализациям. Наличие оперативного резерва в цифровом регистре пациентов позволяет быстро решить вопрос с исполнением плана госпитализации (оперативно заменить неявки пациентов).
Заключение. Выполненное исследование установило закономерности реализации плановой госпитализации пациентов травматолого-ортопедического и нейрохирургического профиля в условиях федерального центра.
Introduction Scheduling and distribution of medical care capacities approved by a healthcare organization, management of the key processes of patient selection and hospitalization with the use of digital technology are the most important organizational tools for successful implementation of state assignments.
Purpose To develop an organizational model of medical care capacities, management of the processes of patient selection and hospitalization at a specialized federal center with the use of digital technology.
Materials and methods Analysis of the plans of rendering specialized medical care in 72,547 cases, including high-tech medical care, for 10-year period (years 2013-2022) in the fields of “traumatology and orthopedics” and “neurosurgery” by means of healthcare information system and digital patients’ registries was conducted by the continuous method.
Results Rates and types of patients’ nonappearance for hospitalization were identified: the rate of informed nonappearance was 37.9 ± 0.4 (per 100 planned patients), the rate of uninformed nonappearance was 18.4 ± 0.4 (per 100 patients who referred to admission), the rate of repeated nonappearance was 1.6 ± 0.1, and the rate of patients’ unplanned referral (arrival) was 6.0 ± 0.1. The rate of hospitalization rejection for a 10-year period (2013-2022) was 6.4 ± 0.1 (per 100 patients who sought medical care). For a 3-year period (2020-2022), the rate of non-confirmed surgical indications was 6.9 ± 0.1 (per 100 patients). Comparative analysis of 5-year periods (2013-2017 and 2018-2022) identified a 1.4-fold increase in an average 5-year rate of hospitalization refusal (t = 13.6, P < 0.0001). For a 5-year period (2018-2022), the rate of hospitalization of patients aged 75 and older was 5.3 ± 0.1, of patients with co-morbidity (diabetes mellitus) 11.8 ± 0.2 per 100 treated patients. Multi-purpose calculation method for prediction of patients’ hospitalization was offered.
Discussion Based on the specified rate of patients’ nonappearance for hospitalization it would be advisable to provide a number of patients that would be over the plan in order to achieve necessary hospitalization numbers. An operating reserve in the digital patients’ registry would solve an issue of hospitalization plan execution and to substitute the patients who were not able to appear. Conclusion Our study has identified regularities of implementation of planned hospitalization of patients to traumatology/orthopedics and neurosurgery units in the conditions of a federal center.
The authors declare that there are no conflicts of interest present.