Thăm dò sơ bộ dữ liệu điều tra tình trạng tài chính bệnh nhân

Posted on September 28, 2014 by

9


Op-Economica, 28-9-2014 — Hết ngày 27-9, điều tra đã thu thập được dữ liệu từ 205 bệnh nhân, từ 6 bệnh viện khác nhau, tuy nhiên phần lớn các ca điều trị ở Hà Nội. Với dữ liệu 200+, việc tập hợp các bảng, xử lý tạo các tập con, và đặt ra các tiêu chuẩn lọc trở nên hiệu quả, giàu ý nghĩa hơn hẳn 100+.

Tôi đã tiến hành thăm dò mẫu dữ liệu 205 hiện tại, trong lúc công việc điều tra tiếp tục. Việc thăm dò này là nhằm tìm hiểu liệu hướng khảo sát đặt ra và đang tiến hành có hứa hẹn đem lại kết quả nào khả dĩ – và theo ‘thông lệ’ của giới nghiên cứu – liệu có kết quả phân tích nào đạt mức ý nghĩa thống kê mong muốn (bên cạnh hiểu biết có giá trị).

* Lời cảm ơn:

Nhóm nghiên cứu chúng tôi biết ơn sự hỗ trợ quý báu, không chút vụ lợi, của chị Đậu Thúy Hà (OCD) và anh Nguyễn Phạm Mười (nguyên nhà báo kỳ cựu của Wall Street Journal).

Ở đây, tôi chỉ tạm trình bày một số hình ảnh có giá trị nhận biết khá rõ rệt, nghĩa là nhìn vào đã hình dung được phần nào ý nghĩa của thông tin. Các phân tích phức tạp hơn cũng đã được tiến hành, nhưng sẽ đợi lượng dữ liệu lớn hơn để trình bày chi tiết, vì lý do giải thích ý nghĩa ước lượng bằng xác suất dự báo và mức đột biết thay đổi xác suất khá mất công (để làm rõ bằng ngôn ngữ phi toán học).

Phần lớn người bệnh khi nhập viên hầu như không được hưởng lợi ích chi trả của bảo hiểm, hoặc vì lý do không có bảo hiểm, hoặc vì các lý do ‘kỹ thuật’ mà tỷ lệ được hưởng thấp hơn 10% tổng chi phí điều trị. Tuy nhiên, cũng có một lượng bệnh nhân không nhỏ được thanh toán >40% tổng viện phí, và đây là lợi ích có lẽ dễ nhìn thấy nhất của một hệ thống tài chính bảo hiểm cho y tế.

2014-09-28_Pins
Tỷ trọng lớn nhất, tới ~3/4 người bệnh có thu nhập thấp, dưới 50 triệu/năm. Điều này phản ánh khá đúng tình trạng xã hội (tập hợp bệnh nhân là một mẫu xã hội thu nhỏ).
2014-09-28_income
Hình dưới đây cho thấy phân phối tỷ trọng chi tiêu ‘phong bì’ trong thời kỳ điều trị tại bệnh viện, với tỷ trọng không nhỏ cũng xấp xỉ 45% tổng số điều tra, đã chi tiêu >5% tổng chi phí đi viện cho việc cảm ơn bằng phong bì. Tỷ trọng chi hơn 10% tổng chi phí cho phong bì cũng không thể bỏ qua, vì trị số không nhỏ chút nào, ít nhất là 25%.
2014-09-28_env
Phần lớn các ca điều trị có chi phí/ngày dưới 5 triệu đồng. Tuy nhiên, có một tỷ lệ không nhỏ có mức chi phí rất đắt đỏ so với thu nhập mặt bằng của người Việt Nam, trên 5 triệu đồng. Bên cạnh đó là một tỷ lệ nhỏ, có chi phí ngày lên tới hơn 10 triệu/ngày, và cá biệt trên 20 thậm chí tới 50 triệu/ngày. Những con số choáng váng ngay cả với những người trực tiếp điều tra.
2014-09-28_DcostKhông khó nhận thấy, đại đa số các ca nhập viện điều trị dưới 10 ngày. Việc số các ca điều trị dài hơn 15 ngày sụt giảm rõ rệt khó có thể nói là vì điều trị hiệu quả trong vòng 10-15 ngày, mà liên quan tới năng lực tiếp nhận và điều trị. Một khả năng khác – cũng liên quan mật thiết – là chính sách nội trú, liên quan tới chuyên môn ví dụ như hạn chế khả năng tăng lây nhiễm chéo, do phương tiện vật chất, phòng chật chội, dễ tiếp xúc với các loại bệnh khác nhau, v.v.. Sau này, ta sẽ kiểm tra để thấy liệu thời gian nằm viện ngắn có quan hệ xác lập với việc hoàn thành/không hoàn thành điều trị cho bệnh nhân không?!
2014-09-28_daysTiếp theo, tôi trình bày một số bảng phân phối tần suất (contingency tables) vốn được xây dựng nhằm cung cấp dữ liệu để tìm hiểu mức độ độc lập/phụ thuộc giữa các biến rời rạc dạng đếm/phạm trù. Do không thể đủ chỗ để chứa tất cả các bảng như vậy, ta chỉ quan tâm tới một số bảng tiêu biểu làm ví dụ.

2014-09-28_EnvLTrong bảng (contingency) nói trên, biến phụ thuộc muốn quan sát là tổn thất ‘phong bì’ cho hệ thống y tế, phân theo mức độ ‘tốn kém’: Cao (Hi), trung bình (Med), thấp (Lo) và không tốn kém (Nil).Bảng này chưa cần tính toán thống kê đã cho thấy, những người thuộc nhóm thu nhập thấp hơn trong xã hội có tỷ trọng chi tiêu ‘phong bì cao vượt trội’ so với nhóm thu nhập trung bình và cao, dù tình trạng nhập viện của bệnh nhân là cấp cứu, khá nặng hoặc nhẹ. Nghĩa là khá ‘phổ quát’. Thực tế này hứa hẹn những lý giải có thể khiến chúng ta rướn lông mày.

Có thể ‘kiểm tra nhanh’ bằng thống kê phân phối \chi^2 Pearson cho bảng dữ liệu nói trên, để có kết quả trong bảng dưới đây:

2014-09-28_EnvL.assocKết quả này cơ bản bác bỏ giả thiết cho rằng, không có quan hệ đồng thời giữa các biến về tình trạng bệnh nhân khi nhập viện, mức thu nhập và mức độ chi trả ‘phong bì’. Cụ thể quan hệ ấy ra sao, sẽ cần một phương án hồi quy biến phạm trù đa mức (không phải nhị thức). Đó là mô hình multinomial. Tuy vậy, quy cách hồi quy này cần nhiều dữ liệu vượt trội so với logistic biến nhị thức (dichotomous response), do đó, nếu không thể tăng mẫu dữ liệu lên 1000+, ta phải bằng lòng với việc chia đôi mức ‘tổn thất’ phong bì để duy trì biến nhị thức, và có lẽ cũng chỉ nên duy trì 2 mức thu nhập (dichotomous predictor).

Một phân tích sâu hơn:

2014-09-28_Res.SESỞ trên, ta đã tiến hành hồi quy logistic nhằm kiểm tra xác suất khánh kiệt tài chính của bệnh nhân/gia đình trạng thái D) theo các nhóm biến phạm trù: Bệnh nhân là người ngoại tỉnh hay nội tỉnh; Gia cảnh bệnh nhân khá giá, trung bình hay nghèo. Kết quả thu được cơ bản nói rằng: Xác suất khánh kiệt của bệnh nhân khi mắc bệnh phải nhập viện tăng rõ rệt khi bệnh nhân là hộ gia đình thu nhập thấp, và đặc biệt là người ngoại tỉnh. Hai yếu tố thu nhập thấp và từ ngoại tỉnh có ‘đóng góp’ gần như tương đương nhau, và p-value coi như bằng 0.

Kết quả hồi quy được (hợp lệ) là:

\ln(\pi/(1-\pi))=f(X)=-1.2676+1.911 X_1+1.861 X_2

Từ đây ta tính ra được:

Xác suất để một bệnh nhân ngoại tỉnh rơi vào trạng thái khánh kiệt sau điều trị là:

P(Y=1|Bres=1)=\dfrac{e^{-1.2676+1.911}}{1+e^{-1.2676+1.911}}=0.6555

Xác suất để một bệnh nhân nghèo rơi vào trạng thái khánh kiệt sau điều trị là:

P(Y=1|SSESlow=1)=\dfrac{e^{-1.2676+1.861}}{1+e^{-1.2676+1.861}}=0.6441

Như vậy ngoại tỉnh và nghèo là 2 yếu tố có ảnh hưởng khá tương đương nhau nếu là biến độc lập duy nhất gây ảnh hưởng tới số phận tài chính bệnh nhân.

Tuy nhiên, nếu cả 2 cùng xảy ra, thì ta có thể hình dung xác suất sẽ tăng vọt, cụ thể như sau:

P(Y=1|Bres=1, SSESlow=1)=\dfrac{e^{-1.2676+1.911+1.861}}{1+e^{-1.2676+1.911+1.861}}
P(Y=1|Bres=1, SSESlow=1)\approx 0.9244

Sơ bộ báo cáo Làng Ộp như vậy để thấy được bước tiến bộ. Sẽ còn rất nhiều việc phải làm, và những phân tích ngày càng phức tạp hơn để đọc được những nhận thức quan trọng, đúc rút ra từ tập dữ liệu điều tra quý giá này. Có thể nói chất lượng dữ liệu điều tra được rất tốt, nhờ công sức đóng góp của đồng nghiệp. Tuy nhiên, trước mắt vẫn là nhiệm vụ tiếp tục bổ sung dữ liệu, hướng tới mốc 300. Khi đạt 300+, ta sẽ tiến hành kiểm tra sự dịch chuyển các hệ số (xem có thay đổi nhiều hay không), và hy vọng khi có 500+, ta chính thức triển khai phần nghiên cứu chính thức để đưa ra các kết luận.

Chỉ sơ bộ đã thấy được tiềm năng nghiên cứu này mang lại khá nhiều hiểu biết quan trọng, và rất cần nếu hệ thống y tế và những người làm chính sách thực sự muốn tránh sự bần cùng hóa với số đông người thu nhập trung bình và thấp, tiềm tàng có thể dẫn đến mất ổn định quy mô rộng (bệnh tật là thứ chẳng ai có thể ‘tuyên bố’ là tránh được).

Advertisements