Giới thiệu dự án

Viêm phổi cộng đồng (Community-Acquired Pneumonia - CAP) ở trẻ em dưới 5 tuổi là một trong những nguyên nhân hàng đầu gây tử vong và tạo gánh nặng bệnh tật lớn nhất trên toàn cầu. Theo báo cáo của Tổ chức Y tế Thế giới (WHO) và Quỹ Nhi đồng Liên Hợp Quốc (UNICEF), mỗi năm thế giới ghi nhận khoảng 151 triệu đợt mắc mới viêm phổi ở trẻ dưới 5 tuổi tại các nước đang phát triển, cướp đi sinh mạng của hơn 740.000 trẻ em (chiếm 14% tổng số ca tử vong ở nhóm tuổi này). Tại Việt Nam, ước tính hàng năm có khoảng 4.000 trẻ dưới 5 tuổi tử vong do viêm phổi (chiếm 12% tổng số trẻ tử vong dưới 5 tuổi). Căn bệnh này không chỉ đe dọa nghiêm trọng đến sức khỏe trẻ nhỏ mà còn tiêu tốn nguồn lực tài chính y tế khổng lồ của quỹ Bảo hiểm Y tế (BHYT) và các hộ gia đình.

Mặc dù tính cấp thiết về mặt lâm sàng và dịch tễ học đã được ghi nhận, dữ liệu thực chứng quy mô lớn về chi phí y tế trực tiếp (Direct Medical Costs) cùng các yếu tố thúc đẩy chi phí (cost drivers) tại các địa phương có địa bàn phức tạp như tỉnh Nghệ An vẫn còn nhiều khoảng trống. Các nghiên cứu trước đây chủ yếu tập trung tại các bệnh viện tuyến trung ương (như Bệnh viện Bạch Mai) với quy mô mẫu nhỏ và chỉ đại diện cho nhóm bệnh nhân nặng được chuyển tuyến.

Đồ án khóa luận tốt nghiệp Dược sĩ chuyên ngành Kinh tế và Quản lý Dược tại Trường Đại học Dược Hà Nội thực hiện đề tài: "Phân tích chi phí y tế trực tiếp điều trị viêm phổi cộng đồng ở trẻ em dưới 5 tuổi tỉnh Nghệ An năm 2022". Nghiên cứu được triển khai dựa trên cơ sở dữ liệu lớn (Big Data) từ cơ quan Bảo hiểm Xã hội (BHXH) tỉnh Nghệ An với 2 mục tiêu cụ thể:

  1. Mục tiêu 1: Phân tích đặc điểm dịch tễ học và phân bố ca bệnh viêm phổi cộng đồng ở trẻ em dưới 5 tuổi tại tỉnh Nghệ An năm 2022 theo địa dư, độ tuổi, giới tính, mức độ nặng và bệnh mắc kèm.
  2. Mục tiêu 2: Phân tích cơ cấu chi phí y tế trực tiếp (ngoại trú và nội trú) và lượng hóa các yếu tố ảnh hưởng đến chi phí điều trị thông qua mô hình hồi quy tuyến tính đa biến.

Phương pháp tiếp cận giải pháp sử dụng kỹ thuật phân tích chi phí từ dưới lên (Bottom-Up Micro-Costing) kết hợp hồi quy kinh tế lượng y tế trên toàn bộ $N = 51.120$ hồ sơ bệnh án điện tử được chuẩn hóa theo phân loại bệnh tật quốc tế ICD-10 (mã J12–J18). Phạm vi nghiên cứu bao quát 21 đơn vị hành chính của tỉnh Nghệ An trong giai đoạn 01/01/2022 đến 31/12/2022, giới hạn ở chi phí trực tiếp y tế được BHYT chi trả và người bệnh đồng chi trả, không bao gồm chi phí trực tiếp ngoài y tế và chi phí gián tiếp do mất năng suất lao động.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tại Việt Nam và các quốc gia đang phát triển, công tác đánh giá gánh nặng kinh tế của bệnh hô hấp ở trẻ em thường đối mặt với sự phân mảnh dữ liệu giữa các tuyến điều trị.

Tiêu chí so sánh Nghiên cứu tại Bệnh viện Bạch Mai (Bùi Thị Xuân et al., 2019) Nghiên cứu tại Nigeria & Gambia (Adamu et al., 2022; Usuf et al., 2016) Giải pháp của khóa luận (Đỗ Kiều Linh, 2023)
Quy mô mẫu Mẫu nhỏ, tiến cứu ($N < 500$), chỉ khảo sát tại một bệnh viện tuyến trung ương Mẫu cắt ngang tại 2 bệnh viện chuyên khoa/giảng dạy ($N \approx 300 - 1.000$) Toàn bộ dữ liệu cấp tỉnh ($N = 51.120$ ca bệnh), đa tuyến (xã, huyện, tỉnh)
Tính đại diện Lệch về ca bệnh nặng, can thiệp chuyên sâu, chi phí trung bình bị đội lên cao ($273,4$ USD/ca) Phụ thuộc vào phương pháp phỏng vấn người nhà, sai số hồi tưởng (recall bias) Dữ liệu thanh toán BHYT thực tế, khách quan, phản ánh chuẩn xác thực trạng kinh tế địa phương
Phân tích ngoại trú Không có hoặc không chi tiết nhóm ngoại trú Có phân tích ngoại trú nhưng cỡ mẫu hạn chế Tách biệt chi tiết $22.938$ ca ngoại trú và $28.182$ ca nội trú
Kỹ thuật xử lý Thống kê mô tả cơ bản Thống kê mô tả và so sánh đơn biến Pipeline làm sạch tự động, hồi quy đơn biến & đa biến kiểm soát đa cộng tuyến

Phân loại yêu cầu phân tích dữ liệu theo phương pháp MoSCoW:

  • Must-have: Trích xuất chính xác nhóm bệnh J12–J18 theo danh mục ICD-10; tính toán chi phí trung bình/trung vị của từng cấu phần chi phí (thuốc, giường, xét nghiệm, CĐHA, thủ thuật); xây dựng mô hình hồi quy xác định cost-drivers.
  • Should-have: Đối chiếu dòng bệnh nhân liên huyện và bệnh nhân ngoại tỉnh (Hà Tĩnh, Thanh Hóa); kiểm định phân phối chuẩn Kolmogorov-Smirnov.
  • Could-have: Xây dựng script tự động hóa trích xuất từ database XML/SQL của cổng BHXH.
  • Won't-have (giai đoạn này): Đo lường chi phí gián tiếp (mất ngày công lao động của cha mẹ) và chi phí vô hình (đau đớn, stress tâm lý).

Thiết kế hệ thống

Khung phân tích dữ liệu kinh tế dược được cấu trúc thành một Data Pipeline khép kín xử lý dữ liệu claims từ cổng tiếp nhận dữ liệu Hệ thống Thông tin Giám định BHYT.

+-----------------------------------------------------------------------------------+
|               DỮ LIỆU THÔ BẢO HIỂM Y TẾ TỈNH NGHỆ AN NĂM 2022                     |
|                              (N = 126.456 bản ghi)                                 |
+-----------------------------------------+-----------------------------------------+
                                          |
                                          v  [Lọc: Mã ICD-10 J12-J18, Loại trừ VPBV]
+-----------------------------------------------------------------------------------+
|               BỘ DỮ LIỆU VIÊM PHỔI CỘNG ĐỒNG BAN ĐẦU                              |
|                              (N = 126.456 bản ghi)                                 |
+-----------------------------------------+-----------------------------------------+
                                          |
                                          v  [Lọc: Tuổi = Ngày vào viện - Ngày sinh <= 59 tháng]
+-----------------------------------------------------------------------------------+
|               BỘ DỮ LIỆU TRẺ DƯỚI 5 TUỔI                                          |
|                              (N = 55.268 bản ghi)                                 |
+-----------------------------------------+-----------------------------------------+
                                          |
                                          v  [Lọc: Loại trừ chuyển viện, trốn viện, xin về, tử vong]
+-----------------------------------------------------------------------------------+
|               TẬP DỮ LIỆU PHÂN TÍCH CHÍNH THỨC                                    |
|         (N = 51.120: Ngoại trú = 22.938 ca | Nội trú = 28.182 ca)                 |
+-----------------------------------------+-----------------------------------------+
                                          |
        +---------------------------------+---------------------------------+
        |                                                                   |
        v                                                                   v
+---------------------------------------+   +---------------------------------------+
|        PHÂN TÍCH DỊCH TỄ HỌC          |   |     PHÂN TÍCH KINH TẾ DƯỢC & HỒI QUY  |
| - Phân bố địa dư (21 huyện/thị)       |   | - Chi phí trung bình / Trung vị (IQR) |
| - Tương quan tuổi, giới, mức độ nặng  |   | - Cơ cấu 8 nhóm chi phí thành phần    |
| - Phân tích bệnh mắc kèm              |   | - Mô hình hồi quy tuyến tính OLS      |
+---------------------------------------+   +---------------------------------------+

Technology Stack và phiên bản công cụ:

  • Hệ quản trị & Xử lý bảng tính: Microsoft Excel 2019 (Xây dựng hàm logic tính tuổi DATEDIF, validation format, mã hóa nhị phân).
  • Phần mềm phân tích thống kê: IBM SPSS Statistics phiên bản 22.0.
  • Hệ thống phân loại: Bảng mã Phân loại Quốc tế Bệnh tật lần thứ 10 (ICD-10 - WHO).
  • Môi trường script phân tích (tham chiếu): Python 3.10 / Pandas 2.0 / Statsmodels 0.14.

Sơ đồ cấu trúc dữ liệu bảng biến số (Schema):

  • PATIENT_ID (String, Primary Key): Mã định danh bệnh nhân mã hóa bảo mật.
  • DOB, ADMISSION_DATE, DISCHARGE_DATE (Date): Dữ liệu mốc thời gian.
  • AGE_MONTHS (Integer): Tính theo công thức $(\text{Ngày nhập viện} - \text{Ngày sinh})$.
  • GENDER (Binary: 1 = Nam, 2 = Nữ).
  • SEVERITY (Binary: 1 = Viêm phổi, 2 = Viêm phổi nặng theo tiêu chuẩn WHO/Bộ Y tế).
  • COMORBIDITY_FLAG (Binary: 1 = Không có, 2 = Có $\ge 1$ bệnh mắc kèm).
  • COMORBIDITY_COUNT (Integer): Số lượng bệnh mắc kèm ghi nhận.
  • LOS (Length of Stay - Integer): Số ngày điều trị nội trú thực tế.
  • COST_COMPONENTS (Numeric Currency VND): $C_{\text{Kham}}$, $C_{\text{Giuong}}$, $C_{\text{Thuoc}}$, $C_{\text{XetNghiem}}$, $C_{\text{CDHA}}$, $C_{\text{ThuThuat}}$, $C_{\text{VTYT}}$, $C_{\text{Mau}}$.
  • TOTAL_DIRECT_COST (Dependent Variable $Y$ - Numeric VND): Tổng chi phí trực tiếp y tế.

Methodology

Quy trình nghiên cứu tuân thủ thiết kế nghiên cứu mô tả cắt ngang có phân tích (Cross-sectional Analytical Study):

  • Giai đoạn chuẩn bị (Tháng 01/2023 - 02/2023): Thiết kế đề cương, xác định biến số, thông qua hội đồng khoa học và phê duyệt đạo đức nghiên cứu, ký thỏa thuận bảo mật dữ liệu với BHXH Nghệ An.
  • Giai đoạn thu thập & Làm sạch dữ liệu (Tháng 03/2023): Trích xuất claims điện tử, thực hiện validation rules, loại trừ ngoại lai.
  • Giai đoạn phân tích thống kê (Tháng 04/2023): Kiểm định độ tin cậy Cronbach’s Alpha, chạy mô hình hồi quy đơn biến và đa biến.
  • Giai đoạn nghiệm thu & Báo cáo (Tháng 05/2023 - 06/2023): Viết báo cáo khóa luận tốt nghiệp.

Biện pháp kiểm soát rủi ro và đảm bảo chất lượng:

  • Rủi ro sai lệch dữ liệu nhập liệu (Information Bias): Áp dụng rule kiểm tra logic: nếu $\text{Số ngày nằm viện} = 0$ nhưng $\text{Chi phí giường} > 0$, tự động cập nhật lại thời gian theo công thức $(\text{Ngày ra viện} - \text{Ngày vào viện})$.
  • Rủi ro bảo mật dữ liệu: 100% dữ liệu danh tính bệnh nhân (Họ tên, số thẻ BHYT) được ẩn danh hóa (Anonymized) và mã hóa trước khi xuất khỏi cơ sở dữ liệu BHXH; lưu trữ trên thư mục bảo vệ mật khẩu 2 lớp.

Implementation và kết quả

Development process

Quá trình trích xuất và tiền xử lý dữ liệu được tiến hành qua các thuật toán làm sạch nghiêm ngặt. Dưới đây là logic pipeline xử lý dữ liệu (minh họa bằng script Python/Pandas chuẩn hóa dữ liệu claims y tế tương đương quy trình đã thực hiện trên Excel/SPSS):

import pandas as pd
import numpy as np

def clean_cap_pediatric_claims(raw_df: pd.DataFrame) -> pd.DataFrame:
    """
    Pipeline làm sạch dữ liệu BHYT điều trị Viêm phổi cộng đồng ở trẻ em dưới 5 tuổi
    Input: raw_df chứa dữ liệu trích xuất từ cổng BHXH Nghệ An 2022
    Output: DataFrame chuẩn hóa sẵn sàng cho phân tích hồi quy kinh tế lượng
    """
    # 1. Lọc mã bệnh chính theo danh mục ICD-10 (J12 - J18)
    icd_pattern = r'^(J1[2-8])'
    df = raw_df[raw_df['ICD_CODE'].str.contains(icd_pattern, regex=True, na=False)].copy()
    
    # 2. Loại trừ viêm phổi bệnh viện
    df = df[~df['DIAGNOSIS_NAME'].str.lower().str.contains('viêm phổi bệnh viện', na=False)]
    
    # 3. Tính tuổi chính xác theo tháng
    df['ADMISSION_DATE'] = pd.to_datetime(df['ADMISSION_DATE'])
    df['DOB'] = pd.to_datetime(df['DOB'])
    df['AGE_MONTHS'] = ((df['ADMISSION_DATE'] - df['DOB']).dt.days // 30.4375).astype(int)
    
    # 4. Lọc nhóm đối tượng dưới 5 tuổi (0 đến 59 tháng)
    df = df[(df['AGE_MONTHS'] >= 0) & (df['AGE_MONTHS'] <= 59)]
    
    # 5. Xử lý lỗi logic số ngày nằm viện
    df['DISCHARGE_DATE'] = pd.to_datetime(df['DISCHARGE_DATE'])
    calculated_los = (df['DISCHARGE_DATE'] - df['ADMISSION_DATE']).dt.days
    df['LOS'] = np.where((df['LOS'] == 0) & (df['BED_COST'] > 0), calculated_los, df['LOS'])
    
    # 6. Loại trừ các trường hợp không kết thúc đợt điều trị hoàn chỉnh
    # Treatment outcome: 5 = Tử vong; Discharge status: 2 = Chuyển viện, 3 = Trốn viện, 4 = Xin ra viện
    df = df[df['TREATMENT_OUTCOME'] != 5]
    df = df[~df['DISCHARGE_STATUS'].isin([2, 3, 4])]
    
    # 7. Tính tổng chi phí y tế trực tiếp
    cost_cols = ['TEST_COST', 'IMAGING_COST', 'DRUG_COST', 'BLOOD_COST', 
                 'PROCEDURE_COST', 'SUPPLY_COST', 'EXAM_COST', 'BED_COST']
    df['TOTAL_DIRECT_COST'] = df[cost_cols].sum(axis=1)
    
    return df

Testing và validation

Tính chuẩn xác và độ tin cậy của bộ dữ liệu nghiên cứu được kiểm định thông qua các bài test thống kê chuyên biệt trên IBM SPSS Statistics 22:

  • Kiểm định độ tin cậy thang đo: Hệ số Cronbach’s Alpha toàn bộ thang đo chi phí đạt $\alpha = 0,751 > 0,70$; hệ số tương quan biến - tổng hiệu chỉnh (Corrected Item-Total Correlation) của tất cả các biến thành phần đều $> 0,30$.
  • Kiểm định phân phối chuẩn: Sử dụng kiểm định Kolmogorov-Smirnov trên biến tổng chi phí y tế trực tiếp và các cấu phần, cho kết quả $p < 0,001 \le 0,05$. Dữ liệu không tuân theo phân phối chuẩn, do đó các chỉ số mô tả chi phí được trình bày song song dạng Trung bình (Mean) $\pm$ Độ lệch chuẩn (SD) và Trung vị (Median) kèm Khoảng tứ phân vị (Interquartile Range - IQR).
  • Kiểm định tương quan phi tham số: Sử dụng kiểm định Chi-bình phương ($\chi^2$) của Pearson và hệ số tương quan hạng Spearman ($\rho$) để xác định mối liên hệ giữa các biến nhân khẩu học và lâm sàng.

Kết quả đạt được

Nghiên cứu phân tích thành công trên tập dữ liệu hoàn chỉnh gồm 51.120 ca bệnh, mang lại các chỉ số thực chứng:

+------------------------------------------------------------------------------------+
|               TỔNG KẾT DỊCH TỄ HỌC & ĐẶC ĐIỂM BỆNH NHÂN (N = 51.120)               |
+------------------------------------------------------------------------------------+
| 1. Phân bố giới tính:          - Nam: 29.190 ca (57,1%)                            |
|                                - Nữ:  21.930 ca (42,9%)                            |
| 2. Phân bố theo độ tuổi:       - 0 - 11 tháng:   13.291 ca (26,0%)                 |
|                                - 12 - 23 tháng:  13.853 ca (27,1%) [Cao nhất]      |
|                                - 24 - 35 tháng:  11.451 ca (22,4%)                 |
|                                - 36 - 47 tháng:   7.566 ca (14,8%)                 |
|                                - 48 - 59 tháng:   4.959 ca (9,6%)  [Thấp nhất]     |
| 3. Mức độ nặng lâm sàng:       - Viêm phổi thường: 49.382 ca (96,6%)               |
|                                - Viêm phổi nặng:    1.738 ca (3,4%)                |
| 4. Tỷ lệ bệnh mắc kèm:         - Có bệnh mắc kèm: 40.361 ca (79,0%)                |
|                                - Đơn mắc viêm phổi: 10.759 ca (21,0%)              |
+------------------------------------------------------------------------------------+

Dịch tễ học và phân bố địa lý

  • Địa bàn cư trú: 94,7% bệnh nhân cư trú tại Nghệ An ($48.398$ ca); 5,2% ($2.671$ ca) đến từ 58 tỉnh/thành phố khác (trong đó Hà Tĩnh chiếm $56,8%$ và Thanh Hóa chiếm $9,9%$).
  • Mật độ ca bệnh tại Nghệ An: Thành phố Vinh ghi nhận số ca cao nhất ($6.419$ ca, chiếm $13,3%$), tiếp theo là huyện Đô Lương ($11,7%$), Diễn Châu ($11,1%$), Quỳnh Lưu và Yên Thành. 5 đơn vị này chiếm tới $57,2%$ tổng số ca toàn tỉnh.
  • Tỷ lệ điều trị tại chỗ: Bình quân toàn tỉnh có $60,1%$ bệnh nhân điều trị tại chính huyện cư trú. Huyện Kỳ Sơn ($93,4%$) và Nghi Lộc ($91,6%$) có tỷ lệ giữ chân bệnh nhân cao nhất; trong khi huyện Con Cuông ($7,3%$), thị xã Cửa Lò ($9,5%$) có tỷ lệ bệnh nhân phải di chuyển sang địa phương khác điều trị rất cao.
  • Tương quan dịch tễ: Trẻ nam có tỷ lệ mắc bệnh cao hơn ($57,1%$), tỷ lệ viêm phổi nặng cao hơn ($3,7%$ so với $3,1%$ ở nữ, $\chi^2 = 12,792, p < 0,001$) và tỷ lệ có bệnh mắc kèm cao hơn ($79,6%$ so với $78,1%$, $\chi^2 = 15,298, p < 0,001$). Tuổi có tương quan nghịch có ý nghĩa thống kê với số bệnh mắc kèm (Spearman $\rho = -0,092, p < 0,001$) và tỷ lệ viêm phổi nặng (nhóm $0-11$ tháng có tỷ lệ viêm phổi nặng cao nhất đạt $10,3%$).

Phân tích chi phí y tế trực tiếp và cơ cấu chi phí

Nhóm điều trị Số ca ($N$) Chi phí trung bình (VND) Chi phí quy đổi USD 2022 Cấu phần chi phí lớn nhất Cấu phần chi phí lớn thứ 2 Cấu phần chi phí lớn thứ 3
Ngoại trú 22.938 204.037 VND ~8,6 USD Chẩn đoán hình ảnh ($27,8%$) Thuốc điều trị ($25,8%$) Xét nghiệm ($21,4%$)
Nội trú 28.182 2.115.000 VND ~87,2 USD Tiền ngày giường ($52,1%$) Thuốc điều trị ($19,6%$) Xét nghiệm ($11,6%$)
Chung toàn bộ 51.120 1.312.000 VND ~54,1 USD Tiền ngày giường ($48,4%$) Thuốc điều trị ($20,2%$) Xét nghiệm ($12,4%$)

Ghi chú cơ cấu ngoại trú: Chi phí chẩn đoán tổng hợp (CĐHA + Xét nghiệm) chiếm tới $49,2%$ tổng chi phí ngoại trú, trong khi chi phí khám chiếm $14,0%$ và thủ thuật chiếm $11,0%$. Ghi chú cơ cấu nội trú: Chi phí tiền giường nằm viện chiếm tỷ trọng áp đảo ($52,1%$), tiếp theo là thuốc ($19,6%$), thủ thuật/phẫu thuật ($9,2%$), chẩn đoán hình ảnh ($4,2%$), vật tư y tế ($1,8%$), tiền khám ($1,5%$) và máu ($< 0,1%$).

Mô hình hồi quy lượng hóa yếu tố ảnh hưởng

Phân tích hồi quy tuyến tính đa biến (Multivariate OLS Regression) trên tập dữ liệu nội trú với biến phụ thuộc $Y = \text{Tổng chi phí y tế trực tiếp (VND)}$:

$$\text{Chi phí y tế trực tiếp} = -1.926.632 + 344.844,129 \times X_1 + 124.262,246 \times X_2 + 1.929,817 \times X_3 + \varepsilon$$

Trong đó:

  • $X_1$: Số ngày nằm viện (LOS - Days) ($t = 184,21; p < 0,001$)
  • $X_2$: Số lượng bệnh mắc kèm ($t = 34,12; p < 0,001$)
  • $X_3$: Mức độ nặng của viêm phổi ($1 = \text{Viêm phổi thường}, 2 = \text{Viêm phổi nặng}$) ($t = 12,45; p < 0,001$)

Các chỉ số thống kê mô hình:

  • Hệ số xác định hiệu chỉnh: $R^2_{\text{adj}} = 0,729$, chứng minh 3 biến độc lập trên giải thích được 72,9% sự biến thiên của tổng chi phí điều trị trực tiếp trong thực tế.
  • Kiểm định ANOVA: Giá trị $F = 25.184,32; p < 0,001$, khẳng định mô hình có độ tương thích và độ tin cậy thống kê tuyệt đối.
  • Ý nghĩa kinh tế:
    1. Mỗi ngày nằm viện tăng thêm làm tăng trung bình 344.844 VND vào tổng chi phí điều trị ($p < 0,001$).
    2. Mỗi bệnh mắc kèm xuất hiện thêm làm gia tăng chi phí điều trị trung bình 124.262 VND ($p < 0,001$).
    3. Một ca bệnh chẩn đoán viêm phổi nặng phát sinh chi phí trực tiếp cao hơn 1.929.817 VND so với ca viêm phổi thông thường ($p < 0,001$).

Đổi mới và đóng góp

  1. Quy mô dữ liệu Big Data cấp tỉnh đầu tiên: Khóa luận là công trình nghiên cứu kinh tế dược đầu tiên tại Việt Nam phân tích toàn diện trên tập dữ liệu quần thể thực tế quy mô lớn ($51.120$ ca bệnh), xóa bỏ triệt để sai số chọn mẫu (sampling bias) của các nghiên cứu cỡ mẫu nhỏ tại một trung tâm đơn lẻ trước đây.
  2. Phát hiện cấu trúc chi phí thực tế: Khác biệt với các giả định truyền thống cho rằng thuốc là cấu phần tốn kém nhất, nghiên cứu chứng minh thực tế điều trị nội trú tại tuyến tỉnh/huyện ghi nhận tiền ngày giường chiếm tỷ trọng chi phối ($52,1%$), vượt trội so với tiền thuốc ($19,6%$). Điều này xuất phát từ nhu cầu sử dụng giường dịch vụ chất lượng cao và thời gian nằm viện kéo dài.
  3. Mô hình hóa định lượng chuẩn xác ($R^2 = 0,729$): Cung cấp công thức định lượng cụ thể cho các nhà quản lý quỹ BHYT dự báo biến động ngân sách dựa trên 3 thông số lâm sàng đầu vào (LOS, bệnh kèm, mức độ nặng).
  4. Bản đồ dịch tễ và dòng bệnh nhân: Chỉ ra sự chênh lệch hạ tầng y tế cơ sở tại các huyện miền núi/vùng ven (Con Cuông, Cửa Lò, Thái Hòa có tỷ lệ điều trị tại chỗ $< 20%$) và áp lực tiếp nhận bệnh nhân ngoại tỉnh (trên $56%$ ca ngoại tỉnh đến từ Hà Tĩnh).

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Real-world Use Cases)

  • Cơ quan Bảo hiểm Xã hội (BHXH) tỉnh Nghệ An: Ứng dụng phương trình hồi quy để xây dựng định mức giao dự toán chi khám chữa bệnh BHYT theo nhóm chẩn đoán (Diagnostic Related Groups - DRGs) cho bệnh viện các tuyến, ngăn ngừa bội chi quỹ.
  • Sở Y tế và các Bệnh viện Đa khoa/Sản Nhi: Tối ưu hóa phác đồ điều trị ngoại trú đối với nhóm trẻ từ 12–23 tháng tuổi mắc viêm phổi nhẹ, cắt giảm ngày nằm viện không cần thiết nhằm tiết kiệm 344.844 VND/ngày/trẻ cho quỹ và người dân.
  • Hoạch định chính sách tiêm chủng: Cung cấp dữ liệu dịch tễ chứng minh nhóm trẻ dưới 24 tháng tuổi và trẻ nam có nguy cơ mắc bệnh và bệnh nặng cao nhất, làm cơ sở khoa học để đưa vắc-xin Phế cầu (Pneumococcal Conjugate Vaccine - PCV) vào Chương trình Tiêm chủng Mở rộng quốc gia.

Lộ trình triển khai khuyến nghị

+-----------------------------------------------------------------------------------+
|                        LỘ TRÌNH TRIỂN KHAI VÀ ỨNG DỤNG                            |
+-----------------------------------------------------------------------------------+
| Giai đoạn 1: Chuẩn hóa dữ liệu claims điện tử & Tích hợp cảnh báo chi phí        |
| - Thời gian: Quý 1 - Quý 2                                                        |
| - Hành động: Thiết lập rules tự động kiểm soát chi phí giường & ngày nằm viện     |
+-----------------------------------------------------------------------------------+
| Giai đoạn 2: Tăng cường năng lực điều trị nhi khoa tại y tế tuyến huyện           |
| - Thời gian: Quý 3 - Quý 4                                                        |
| - Hành động: Đầu tư trang thiết bị, phác đồ tại Con Cuông, Cửa Lò, Thái Hòa       |
+-----------------------------------------------------------------------------------+
| Giai đoạn 3: Mở rộng mô hình kinh tế lượng trên toàn hệ thống BHYT Bắc Trung Bộ  |
| - Thời gian: Năm tiếp theo                                                        |
| - Hành động: Kết nối liên thông dữ liệu giám định BHYT Nghệ An - Hà Tĩnh         |
+-----------------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế học thuật

  • Góc độ phân tích chi phí: Nghiên cứu đứng trên quan điểm bên chi trả y tế (BHYT và người bệnh chi trả trực tiếp tại viện), chưa tính toán được chi phí trực tiếp ngoài y tế (đi lại, ăn ở của người chăm sóc) và chi phí gián tiếp (thu nhập bị mất của bố mẹ khi nghỉ việc chăm con).
  • Hạn chế thông tin mã bệnh: Dữ liệu claims hành chính chưa tích hợp chi tiết chỉ số cận lâm sàng (khí máu, nồng độ CRP, kháng sinh đồ phân lập vi khuẩn) để phân tích tương tác sâu giữa tính kháng thuốc và chi phí kháng sinh.

Hướng phát triển

  • Ứng dụng các mô hình học máy (Machine Learning/XGBoost) trên dữ liệu chuỗi thời gian để dự báo điểm bùng phát dịch viêm phổi theo thời tiết và chất lượng không khí tại miền Trung.
  • Thực hiện đánh giá phân tích chi phí - hiệu quả (Cost-Effectiveness Analysis - CEA) giữa các phác đồ kháng sinh kinh nghiệm (Amoxicillin đường uống vs. Cephalosporin thế hệ 3 tiêm).

Đối tượng hưởng lợi

  • Sinh viên Dược khoa & Y khoa: Tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu Kinh tế Dược (Pharmacoeconomics), quy trình làm sạch dữ liệu lớn (Big Data cleaning) và kỹ thuật phân tích hồi quy y tế lượng trên SPSS.
  • Cán bộ phân tích dữ liệu y tế (Health Data Analysts): Mô hình mẫu về thiết kế pipeline làm sạch claims BHYT và xử lý ngoại lai theo chuẩn quốc tế.
  • Nhà hoạch định chính sách & Cơ quan BHXH: Bằng chứng thực nghiệm định lượng chính xác các cost-drivers để tối ưu hóa quỹ BHYT và thiết kế gói quyền lợi bảo hiểm nhi khoa.
  • Bác sĩ lâm sàng & Nhà quản lý bệnh viện: Cơ sở để điều chỉnh quy trình lâm sàng, giảm thiểu số ngày điều trị nội trú an toàn, nâng cao tỷ lệ điều trị ngoại trú chuẩn guideline.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ để tái lập lại nghiên cứu này là gì?

Hệ thống cần máy tính cấu hình tiêu chuẩn (RAM tối thiểu 8GB, CPU Core i5), phần mềm Microsoft Excel 2019 trở lên để sơ chế dữ liệu thô, và IBM SPSS Statistics (phiên bản 20.0 trở lên) hoặc môi trường Python (Pandas, Statsmodels, Seaborn) / R (Tidyverse) để chạy các kiểm định phi tham số và mô hình hồi quy OLS.

2. Tại sao chi phí ngày giường lại chiếm tỷ trọng cao nhất ($52,1%$) ở nhóm nội trú thay vì chi phí thuốc?

Ở nhóm bệnh nhân nội trú nhi khoa tại Nghệ An, thời gian nằm viện trung bình kéo dài từ 5 đến 7 ngày kết hợp với xu hướng gia tăng sử dụng phòng bệnh/giường dịch vụ tự nguyện theo yêu cầu có điều hòa và tiện nghi. Ngoài ra, đối với các ca viêm phổi nặng, chi phí máy theo dõi dấu hiệu sinh tồn, hỗ trợ thở oxy được gộp vào gói ngày giường bệnh hồi sức, làm chi phí này vượt trội so với chi phí thuốc.

3. Làm thế nào để tích hợp mô hình phân tích này vào hệ thống thông tin bệnh viện (HIS)?

Mô hình hồi quy đa biến có thể được đóng gói thành một mô-đun API hoặc Rule-engine tích hợp trực tiếp vào phần mềm Quản lý Bệnh viện (HIS). Khi bác sĩ nhập chẩn đoán (ICD-10), mức độ nặng và số bệnh kèm, hệ thống sẽ tự động tính toán chi phí dự kiến chuẩn và cảnh báo nếu số ngày nằm viện vượt ngưỡng tối ưu của phác đồ.

4. Chi phí điều trị nội trú tại Nghệ An (~87,2 USD) có mức độ tương quan như thế nào so với các nghiên cứu khác?

Mức chi phí này cao hơn so với Gambia ($57,7$ USD) do cơ sở hạ tầng và việc ứng dụng máy móc hỗ trợ tại Việt Nam phát triển hơn, nhưng thấp hơn đáng kể so với Bệnh viện Bạch Mai ($273,4$ USD) và Nigeria ($280,9$ USD). Nguyên nhân là nghiên cứu tại Bạch Mai thực hiện tại bệnh viện tuyến cuối chuyên tiếp nhận ca nguy kịch, còn dữ liệu Nghệ An bao gồm toàn bộ các bệnh viện tuyến huyện và tỉnh.

5. Lợi ích kinh tế cụ thể khi cắt giảm 1 ngày điều trị nội trú không cần thiết là bao nhiêu?

Theo phương trình hồi quy đa biến ($R^2 = 0,729$), việc tối ưu hóa phác đồ điều trị để rút ngắn an toàn 1 ngày nằm viện cho mỗi trẻ sẽ tiết kiệm trực tiếp 344.844 VND/ca. Với quy mô $28.182$ ca nội trú/năm tại Nghệ An, việc rút ngắn trung bình 1 ngày nằm viện cho toàn bộ quần thể có thể giúp tiết kiệm tới gần 9,72 tỷ VND cho quỹ BHYT và người dân mỗi năm.

Kết luận

Khóa luận tốt nghiệp Dược sĩ của sinh viên Đỗ Kiều Linh đã giải quyết trọn vẹn và chuẩn xác bài toán phân tích dịch tễ học và kinh tế y tế trong điều trị viêm phổi cộng đồng ở trẻ em dưới 5 tuổi tại tỉnh Nghệ An năm 2022. Thông qua việc phân tích $51.120$ hồ sơ bệnh án BHYT, nghiên cứu đã phác họa bức tranh toàn cảnh về gánh nặng chi phí y tế: chi phí trung bình một đợt ngoại trú là 204.037 VND (~8,6 USD) và nội trú là 2.115.000 VND (~87,2 USD), trong đó tiền giường chiếm tới $52,1%$ cơ cấu điều trị nội trú.

Mô hình hồi quy tuyến tính đa biến được xây dựng đạt độ tin cậy cao ($R^2_{\text{adj}} = 0,729, p < 0,001$), lượng hóa chính xác tác động của số ngày nằm viện ($+344.844$ VND/ngày), số bệnh mắc kèm ($+124.262$ VND/bệnh) và mức độ nặng ($+1.929.817$ VND/ca nặng). Đây là nguồn bằng chứng thực nghiệm vô giá giúp các nhà quản lý y tế tại Nghệ An và Bộ Y tế tối ưu hóa chính sách phân bổ nguồn lực, nâng cao năng lực y tế tuyến cơ sở và hướng tới việc kiểm soát hiệu quả chi phí khám chữa bệnh bảo hiểm y tế cho trẻ em.