После недели, проведенной на NCQA Health Innovation Summit 2026, одна тема выделялась среди остальных. Цифровое качество — это конечная цель, и отрасль уверенно движется к ней. Сессии и кулуарные беседы были посвящены тому, что на самом деле нужно для достижения этой цели.
Вот основные темы, которые мы услышали от медицинских страховых планов, поставщиков медицинских услуг, HIE, регулирующих органов и NCQA.
Измерение цифрового качества: стандарты готовы, данные все еще требуют доработки
FHIR, USCDI, CQL и ECDS предоставили отрасли общую основу, а федеральные правила обеспечения функциональной совместимости означают, что большая часть технических связей между планами и поставщиками уже существует. На одной из панельных дискуссий, в которой участвовали представители CMS, прозвучал аргумент, что те же API FHIR, созданные для обеспечения соответствия требованиям, могут стать основным каналом для передачи данных о качестве, а не параллельным потоком, поддерживаемым только для отчетности.
Но докладчики также ясно дали понять, что перевод текущих показателей в цифровой формат — это еще не финишная прямая. Более сложная работа сейчас заключается в получении полных клинических данных, их качественном сопоставлении и изменении рабочих процессов вокруг них, чтобы они действительно использовались.
Как исправить ошибки сопоставления клинических данных
Данные могут пройти все структурные проверки и все равно остаться неверными. В одном примере рутинный анализ крови поступил с валидным, правильно отформатированным лабораторным кодом, который указывал на неверный тип образца. Ошибка сопоставления произошла в EHR, поэтому она выглядела бы одинаково в любом формате. FHIR улучшает процесс передачи данных, но не исправляет ошибки, допущенные в источнике.
Обнадеживает то, что многие из этих проблем можно исправить, как только они становятся заметны. Докладчики показали, как кросс-таблицы кодов, исправления сопоставлений и обратная связь с источником превратили непригодные данные в данные, готовые для измерения. Один агрегатор данных сообщил о росте использования кодов HEDIS примерно на 12% только за счет использования кросс-таблиц. А в некоторых случаях то, что выглядело как отсутствие данных, на самом деле было несоответствием терминологии.
Система оценки качества данных NCQA: доказательство доверия до отчетного года 2027
Начиная с отчетного года (Measurement Year) 2027, NCQA отходит от проверки первичных источников как универсального требования HEDIS. Там, где внедрена проверка качества данных, ручной просмотр каждой записи становится целевым инструментом, а не стандартом по умолчанию.
На смену ему приходит система оценки качества данных, основанная на удобстве использования, правдоподобности, стабильности и целостности, с упором на раннее выявление сигналов на уровне популяции, таких как дрейф, пробелы и неправдоподобные закономерности, в непосредственной близости от источника. Вопрос для планов смещается от того, есть ли у них данные, к тому, могут ли они доказать их качество.
Дополнительные клинические данные: почему время так же важно, как и полнота
Медицинские счета (claims) остаются основой программ качества, но они поступают через несколько недель после моментов, определяющих многие показатели. Переходы между этапами оказания медицинской помощи — яркий тому пример. Выписка пациента запускает отсчет времени для последующего наблюдения, сверки лекарственных препаратов и показателей повторной госпитализации, и эти показатели выигрываются или проигрываются задолго до того, как придет счет.
Организации, демонстрирующие наилучшие результаты, имели одну общую черту: они дополняли счета клиническими данными и использовали их проспективно, а не только в конце года. Один план описал ускорение расчетов показателей, высвобождение времени аналитиков от ручной обработки файлов и значительное улучшение коэффициентов. Одна сеть поставщиков медицинских услуг даже сообщила о значительном росте завершенности профилактических осмотров после перехода от ретроспективного поиска в картах к проактивному взаимодействию.
Использование ИИ для HEDIS: управление вместо догадок
ИИ упоминался на многих сессиях. Измерение качества основано на строгих правилах, таких как временные окна, исключения и требования к доказательствам, и ответ, который имеет клинический смысл, все равно может не пройти по показателям. ИИ, используемый в программах качества, должен иметь эти правила, встроенные в систему, а не оставленные на усмотрение промпта.
Более широкое послание заключалось в управлении, а не в страхе. Новые технологии не меняют клинические обязательства. Самые эффективные подходы использовали ИИ для ускорения работы, сохраняя при этом детерминированность, проверяемость и экспертную оценку всего, что работает с данными пациентов. ИИ хорош ровно настолько, насколько хороши данные и правила, лежащие в его основе.
Сбор клинических данных для медицинских планов: повестка на 12–18 месяцев
В совокупности эти темы указывают на четкую повестку дня для плательщиков на ближайшие 12–18 месяцев:
- Относитесь к сбору клинических данных как к базовой инфраструктуре, а не как к сезонному поиску в картах.
- Будьте готовы продемонстрировать качество данных до отчетного года 2027.
- Получайте клинические данные достаточно рано, чтобы влиять на результаты, а не просто документировать их.
- Создавайте единую продольную запись участника, с которой могут работать команды по качеству, оценке рисков и управлению медицинской помощью.
Автоматизация сбора клинических данных HEDIS с помощью 1up Clinical Connect
Это именно та проблема, которую призван решить 1up Clinical Connect, и мы рады, что он уже запущен. 1up Clinical Connect помогает медицинским планам получать клинические данные напрямую из EHR поставщиков через API FHIR и объединять их со счетами в продольную запись участника, чтобы команды могли использовать эти данные для отчетности по качеству, управления пробелами в медицинской помощи и оценки рисков, с конечной целью улучшения результатов для участников. Чтобы узнать больше о 1up Clinical Connect, свяжитесь с нами для обсуждения.
