医疗保障基金飞行检查的趋势和发现问题分析及其对医院管理的启示

医疗保障基金的合理使用对于推进公立医院高质量发展起着重要作用,基金监管呈法治化、常态化、专业化、规范化态势,飞行检查工作将成为常态。作者系统分析了医疗保障基金飞行检查的3个主要趋势特征,即力度逐渐加大、手段不断创新、后果愈加严重,并从结果表现形式、严重程度、归属范围、有无主观意愿和监管筛查思路5个维度梳理飞行检查中暴露的问题;从合规意识、组织体系、精细管理和日常监管4个方面出发,探索医疗保障基金飞行检查对于医院管理的启示,提出公立医院应转换角色与站位,健全部门协同配合的工作机制,在政策理解、制度制定、流程设计、信息支撑、数据治理、监管落实、人员培训和绩效配套方面做到精细管理"八个到位",同时应将医院内部模拟飞行检查作为常态化工作。

基于深度学习算法的腹盆部CT辐射剂量自动评估的可行性研究

目的 探讨深度学习模型为基础的腹盆部CT辐射剂量指数自动评估的可行性。方法 回顾性分析2021年2月至2022年2月连续采集的临床腹盆部CT数据,共有1 084例患者图像,成像设备为西门子SOMATOM Defination Flash CT、飞利浦iCT、通用电气 lightspeed VCT。容积CT剂量指数(CTDI_(vol))预测模型由器官分割和剂量预测两个功能模块组成。以腹盆部位实际扫描区域分割结果为基础,通过剂量回归预测模块对CTDIvol进行自动评估。将纳入研究的1 084例患者图像分为训练集784例、验证集196例和测试集104例。以Dice系数为混合模型腹盆部位分割性能的评价指标,以准确个数占比和均方根对数误差(RMSLE)为CTDIvol估算模型性能的评价指标。结果 在测试集中,深度学习模型在CT腹部图像分割任务的Dice系数高达0.998,同时CTDIvol回归模型在估算辐射剂量时的RMSLE为9.41%,且估算正确占比达到92%。散点图分析显示部分CTDIvol估算值存在较大误差,提示模型在这些情况下可能需要进一步优化。结论 深度学习模型可准确自动分割CT腹部图像并估算辐射剂量,可用于临床辐射剂量的监测与管理。