InterSystems Healthshare +DeepSee. BI solution for hospitalization queue monitoring Krasnoyarsk Region
InterSystems Healthshare +DeepSee. BI решение для мониторинга очереди госпитализации на примере Красноярского Крас
3. • Мониторинг
доступности
стационарной
медицинской
помощи
• Формирование
очереди
направлений
на
госпитализацию
• Мониторинг
выполнения
программы
государственных
гарантий
в
части
стационарной
помощи
• Предоставление
отчетности
для
страховых
компаний
и
организаторов
здравоохранения.
• Осуществление
выбора
медицинской
организации
для
госпитализации
• Создание
основы
для
построения
комплексной
системы
управления
плановой
госпитализацией
в
крае
Описание задачи
4. • Поставленная
задача
• Оперативная
информация
(OLTP):
– МИС
в
~170
ЛПУ
в
крае
– ИС
внутри
ТФОМС
КК
• Справочная
информация
–
Cправочники
ЕСВС
КК
Что есть на входе?
7. • От
стационаров
– Случаи
госпитализации
– Текущее
состояние
коечного
фонда
• От
поликлиник
– Выписанные
направления
• От
ТФОМС
– Запланированное
число
случаев
госпитализации
– Ежемесячные
данные
по
оказанной
помощи
• Справочники
– Данные
по
МО,
СМО
и
т.д.
действующим
в
крае
Шаг 1: Входящие данные
8. • По
умолчанию:
нормализованные
до
определенной
степени
данные
• Создание
дополнительных
сущностей,
если
необходимо
• Инструменты
автоматизации
Enterprise
Architect
– Конвертер
в
xml
для
Cache
• Пакет
со
справочниками
ЕСВС
Шаг 2: Модель данных
9. • От
больниц
– данные
в
формате
XML
– согласованные
XSD
схемы
– через
обмен
файлами
– через
SOAP
вебсервисы
• От
ТФОМС
– данные
в
формате
XML
– через
обмен
файлами
– через
JDBC
извлечение
данных
их
Oracle
• Из
справочников
– HTTP
– Парсер
DBF
файлов
Шаг 3: Способы интеграции
10. • От
больниц
– данные
в
формате
XML
– согласованные
XSD
схемы
– через
обмен
файлами
– через
SOAP
вебсервисы
• От
ТФОМС
– данные
в
формате
XML
– через
обмен
файлами
– через
JDBC
извлечение
данных
их
Oracle
• Из
справочников
– HTTP
– Парсер
DBF
файлов
Шаг 3: Способы интеграции
11. Шаг 4: ETL и преобразование данных
SOAP
JDBC
HTTP
Oracle
Реестры ОМС
XML
Поликлиники
XML
Стационары
Справочники ЕСВС
DBF
Файлы
XML
ТФОМС План
Бизнес - процессы
Ensemble
Преобразование
Преобразования
данных
Ensemble
Получение
Модель
данных
DWH
Загрузка
12. • Основной
поток
входящих
данных
от
МО
– Прием
как
файл
или
как
SOAP
запрос
– Валидация
входящих
данных
по
схеме
XSD
– Преобразования
Data
Transformavons
– Преобразования
Бизнес-‐Процесс
– Отработка
логики
(Transform)
связывание,
обновление
и
т.д.
– Сохранение
данных
новой
модели
• Плановые
показатели
и
реестры
–
аналогично
• Справочники
ЕСВС
– Получение
по
HTTP
– DBF
парсер
• Реестры
ОМС
– JDBC
коннектор
Шаг 4: ETL и преобразование данных
14. • DeepSee
Architect
• Определение
таблиц
фактов
• Создание
кубов
– Показатели
– Измерения
– Уровни
– Списки
исходных
данных
• Предметные
области
– Data
Mart
– Составные
кубы
Шаг 5: Аналитические модели
16. • Построение
кубов
• Синхронизация
кубов
• Заполнение
данных
по
требованию
(%InjectFact)
• CubeManager
–
план
обновления
данных
Шаг 5: Аналитические модели
17. • DeepSee
Analyzer
• MDX
запросы
к
многомерным
данным
– SELECT NON EMPTY NONEMPTYCROSSJOIN([dateRefuse].
[H1].[year].Members,[dateRefuse].[H1].
[month].Members) ON 0,NON EMPTY
[HospitalDepProfile].[H1].[HospitalId].Members ON 1
FROM [RefuseCube] %FILTER [IsOMS].[H1].
[IsOMS].&[ОМС] %FILTER [Measures].[%COUNT]
• Сводные
таблицы
Pivot
Table
• Списки
детальных
данных
Шаг 6: Анализ
21. • ~
200
МИС
в
ЛПУ
края
• 8
форматов
передаваемых
данных
• 4
канала
получения
данных:
SOAP,
файлы,
JDBC,
HTTP
• 4
процесса
преобразования
данных
• 75
хранимых
классов
модели
данных
• 20
аналитических
кубов
• 80
сохраненных
запросов
pivot
tables
• 50
аналитических
панелей
dashboards
• Отчетность
в
XLS
Результат
22. ЕИР Очередь на госпитализацию КК
МИС 2
(Стационары)
МИС 1
(Поликлиники)
Направления на
госпитализацию
Госпитализации и
коечный фонд
Интеграционная шина
Региональные
справочники
Аналитическое
многомерное
хранилище
Пользователи
СМО
Пользователи
ТФОМС
Пользователи
ЛПУ
Аналитические
формы
Отчеты
Мониторинг
Краевые
реестры ОМС
Пользователи
МЗ КК